《人工智能通识》1.3人工智能的技术体系

1.3人工智能是如何成为人工智能的第1章初识人工智能旧知回顾人工智能流派认为人工智能来源于实现智能的方法相关研究领域符号主义数理逻辑用公理和逻辑体系搭建一套人工智能系统专家系统连接主义仿生学模仿人类的神经元，用神经网络的连接机制，通过训练习得智能神经网络深度学习行为主义控制论模拟动物的“感知—动作”来复制人类的智能智能机器人旧知回顾通过上节课的学习，我们知道：

符号主义依靠人工搭建公理和逻辑体系赋予机器智能；

连接主义依靠机器自主训练习得智能；

行为主义依靠感知环境与自我控制获得智能。人工智能的三大流派既相互独立，又存在共同性。而无论对于哪个流派，算法、算力和数据都是其创造价值和取得成功的必备条件。学习任务人工智能的三大要素支持了计算机视觉、自然语言处理、语音识别、知识图谱等领域的研究，这些领域所研究的相关技术在行业上的应用为社会产生了巨大的效益。本节课的学习任务：了解人工智能的主要架构体系；了解作为人工智能三大要素之一的算法及相关原理。人工智能的架构体系算法随着大数据时代的发展，从数据中学习知识的方法成为实现人工智能的潮流。那么，如何从数据中学习从而实现人工智能呢？这要归功于机器学习（MachineLearning），机器学习使用算法来分析数据、从中学习，对真实世界中的事件做出预测或决策，从而实现人工智能。机器学习机器学习是利用计算机模拟人的学习能力，从样本数据中学习得到知识和经验用于实际的推断和决策，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。主要的机器学习的模型与算法有：

线性模型、决策树、神经网络、支持向量机、贝叶斯分类、集成学习、聚类、降维与度量学习、特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习、强化学习等。按照学习方式进行分类，可以将机器学习的模型分为：

监督学习、无监督学习、半监督学习和强化学习监督学习监督学习是从标签化训练数据集中推断出函数的机器学习任务。监督学习中的数据集是有标签的，根据标签类型的不同，又可以将其分为分类问题和回归问题两类。前者是预测某一样东西所属的类别（离散的），比如给定一个人的身高、年龄、体重等信息，然后判断性别、是否健康等；后者则是预测某一样本所对应的实数输出（连续的），比如预测某一地区人的平均身高。大部分模型都是属于监督学习，包括线性分类器、支持向量机等。常见的监督学习算法有：K-近邻算法、决策树、神经网络、支持向量机等。监督学习无监督学习跟监督学习相反，无监督学习中数据集是完全没有标签的，依据相似样本在数据空间中一般距离较近这一假设，将样本分类。利用无监督学习可以解决的问题可以分为关联分析、聚类问题和维度约减。关联分析关联分析是指发现不同事物之间同时出现的概率。它被广泛地应用在购物篮分析中。如果发现买面包的客户有百分之八十的概率买鸡蛋，那么商家就会把鸡蛋和面包放在相邻的货架上。讨论：你能举出一些应用关联分析算法的例子吗?聚类问题聚类问题是指将相似的样本划分为一个簇（Cluster）。与分类问题不同，聚类问题预先并不知道类别，自然训练数据也没有类别的标签。讨论：你能举出一些应用聚类算法的例子吗?维度约减维度约减是指减少数据维度的同时保证不丢失有意义的信息。利用特征提取方法和特征选择方法，可以达到维度约减的效果。特征选择是指选择原始变量的子集。特征提取是将数据从高维度转换到低维度。广为熟知的主成分分析算法就是特征提取的方法。讨论：你能举出一些应用维度约减算法的例子吗?无监督学习常见的无监督学习算法包括：稀疏自编码、主成分分析、K均值算法、最大期望算法等。监督学习和无监督学习的对比可以看到相对于监督学习，无监督学习的过程中没有监督者（Supervisor）的干预。如图是一个典型的监督学习和无监督学习的对比，左侧是对一群有标签数据的分类，而右侧是对一群无标签数据的聚类。半监督学习半监督学习是监督学习与无监督学习相结合的一种学习方法。半监督学习一般针对的问题是数据量大，但是有标签数据少或者标签数据的获取很难成本很高的情况，训练的时候有一部分是有标签的，而有一部分是无标签的。常见的两种半监督的学习方式是直推学习（Transductivelearning）和归纳学习（Inductivelearning）。直推学习直推学习（Transductivelearning）：在训练过程中加入无标签数据，期望从其特征分布中学到些额外的信息（如分布聚集性），从而取得更好的训练效果。直推学习所训练的模型只能预测在其训练过程中所用到的（无标签）样本，如果需要预测其他样本则需要加入新样本重新训练模型再进行预测。直推学习的基本流程如图所示。归纳学习归纳学习（Inductivelearning）：只利用有标签数据进行模型训练，从大量个别事实中推出普遍性原则。无标签数据中的任何信息没有在训练集中出现过，即模型本身具备一定的通用性和泛化能力，可以用于预测其他新样本。归纳学习的基本流程如图所示。强化学习强化学习用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。想象一下，当小慧认真写作业并都写对时，老师会发给小慧1朵小红花，当小慧累计收到10朵小红花时，老师会奖励小慧一支笔。为了获得这支笔，小慧会怎么样？小慧会认真对待作业，以获得更多的小红花。这个过程就是典型的强化学习。强化学习强化学习就是由环境提供的反馈信号来评价智能体产生动作的好坏，而不是直接告诉系统如何产生正确的动作。就好比老师指导学生做题时，不是老师直接告诉学生怎么做，而是老师评判学生的回答正确与否、学生根据老师的反馈来调整做题方法，这也正是监督学习与强化学习的区别。思考：无监督学习与强化学习的区别是什么呢?强化学习强化学习是从动物学习、参数扰动自适应控制等理论发展而来，如果在某一条件下，智能体的某个行为策略导致获得环境正的奖赏（强化信号），那么智能体以后在这种条件下产生这个行为策略的趋势便会加强，反之，则减弱。例如，在与障碍物碰撞后，机器人通过传感器收到负面的反馈从而