• <q id="cqolvz"><font id="cqolvz"></font></q><center id="cqolvz"><sup id="cqolvz"></sup><dfn id="cqolvz"></dfn><strike id="cqolvz"></strike><center id="cqolvz"></center></center><fieldset id="cqolvz"><i id="cqolvz"></i><label id="cqolvz"></label><q id="cqolvz"></q></fieldset><pre id="cqolvz"><i id="cqolvz"></i><tfoot id="cqolvz"></tfoot></pre>
          1. <noframes id="mzxnd8">
                1. 首頁 百科大全正文

                  人工智能行業研究(1):什麽是人工智能?

                  前言

                  2018年被稱爲人工智能爆發的元年,人工智能技術應用所催生的商業價值逐步凸顯。人工智能逐步切入到社會生活的方方面面,帶來生産效率及生活品質的大幅提升。人工智能紅利時代開啓,資本、巨頭和創業公司紛紛湧入,將人工智能拉到了信息産業革命的風口。

                  目前社會上對人工智能的看法存在兩個誤區:一是人工智能技術尚處于早期發展階段,能做得有意義的事情不多,因此不需要現在就去做很多准備;二是把人工智能誇大成有一天會控制人類,甚至令人類瀕臨滅亡。

                  雖然人工智能面臨新的理論顛覆舊有理論的不確定性,以及人像識別漏洞、算法歧視等社會安全和倫理挑戰,但人工智能更多地意味著未來的發展機遇,只有擁有客觀、理性、清晰的認知才能主動擁抱新時代。

                  人工智能:一門利用技術模擬人類智能的綜合學科

                  當今的人工智能技術以機器學習,特別是深度學習爲核心,在視覺、語音、自然語言等應用領域可以顯著提升人類效率,快速完成識別和複雜運算。此外,面對開放性問題,人工智能技術也可通過窮舉計算找到人類預料之外的規律和關聯。

                  目前,人工智能的定義主要集中于對人類思考的模擬以及理性的思考兩方面,尚無統一的定義。但從産業發展來看,當前人工智能都是立足于計算機的優勢,以人智能的部分特征(如事物分辨、語音對話等)爲參照,研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統。

                  • 人工智能是一種現代方法:像人一樣思考的系統、像人一樣行動的系統、理性地思考的系統、理性地行動的系統;

                  • 維基百科:人工智能就是機器展現出的智能

                  • 大英百科全書:人工智能是數字計算機或者數字計算機控制的機器人在執行智能生物體彩有的一些任務上的能力

                  • 百度百科:研究、開發用于模擬、眼神和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學

                  • 德勤:人工智能是對計算機系統如何顛覆那些只依靠人類智慧才能完成的任務的理論研究。例如,世界感知、語音識別、在不確定條件下做出決策、學習、還有語言翻譯等。

                  • 人工智能標准化白皮書:人工智能是利用數字計算機或數字機計算機控制的機器模擬、眼神和擴展人的智能、感知環境、獲取知識並使用知識獲得最佳結果的理論、方法、技術及應用系統。

                  目前在人工智能領域經常提到的機器學習(ML,Machine Learning)、監督學習(SL, Supervised Learning)、非監督學習(UL, Unsupervised Learning)、半監督學習(SSL, Semi-Supervised Learning)、深度學習(DL,Deep Learning)、強化學習(Reinforcement Learning)、遷移學習(Transfer Learning)、深度神經網絡(DNN)、卷積神經網絡(CNN,Convolutional Neural Networks)等概念,對于其含義及關系具體說明如下:

                  • 機器學習(ML,Machine Learning):是一門多領域交叉學科,專門研究計算機怎樣模擬或實現人類的學習行爲,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的性能。簡單的來說,就是把大量的數據以及想要的結果同時輸入到計算機中,再由計算機輸出將數據轉換爲結果的算法模型。通過機器學習,計算機能夠自己生成模型,進而提供相應的判斷。工業革命實現的是手工業的自動化,而機器學習實現的則是自動化本身的“自動化”。

                  • 監督學習(SL, Supervised Learning):監督學習是從標記的訓練數據來推斷一個功能的機器學習任務,是訓練神經網絡和決策樹的常見技術。通過從給定的訓練數據集中學習出模型參數,當新的數據到來時,可以根據這個函數預測結果。監督學習的訓練集要求包括輸入輸出,也可以說是特征和目標,其中目標是由人標注的。

                  • 非監督學習(UL, Unsupervised Learning):目標不是告訴計算機怎麽做,而是讓它(計算機)自己去學習怎樣做事情。即,提供給計算機的實例是未標記的數據,並由計算機試圖找到隱藏的結構,沒有錯誤或報酬信號來評估潛在的解決方案。無監督學習還包括尋求,總結和解釋數據的主要特點等諸多技術,使用的許多方法是基于用于處理數據的數據挖掘方法。因爲在實際應用中,不少情況下無法預先知道樣本的標簽,也就是說沒有訓練樣本對應的類別,因而只能從原先沒有樣本標簽的樣本集開始學習分類器設計。

                  • 深度學習(DL,Deep Learning):深度學習的全稱是“深度神經網絡(DNN,Deep Neural Networks)”,其概念源于人工神經網絡的研究。通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以發現數據的分布式特征表示。本質上是多層次的人工神經網絡算法,即從結構上模擬人腦的運行機制,從最基本的單元上模擬了人類大腦的運行機制。

                  • 強化學習(RL, Reinforcement Learning):又稱半監督學習、再勵學習、評價學習,是一種重要的機器學習方法,在智能控制機器人及分析預測等領域有許多應用。其學習方式上和人類與環境交互的方式非常類似。它在一系列的情景下,通過多步恰當的決策來達到一個目標,實現積累獎勵的最大化,而摸索策略的過程即是強化學習。

                  • 遷移學習(TL, Transfer Learning):一般是將擁有大數據量的領域上學習到的東西應用到數據較少的目標領域,實現個性化遷移、舉一反三、觸類旁通的效果。例如,斯坦福學者使用衛星圖像獲取的燈光信息來分析非洲大陸的貧窮情況。但遷移學習能在什麽領域取得成功仍值得探究。

                  • 卷積神經網絡(CNN,Convolutional Neural Networks):是一類包含卷積計算且具有深度結構的前饋神經網絡,是深度學習的代表算法之一。卷積神經網絡仿造生物的視知覺機制構建,可以進行監督學習和非監督學習,其隱含層內的卷積核參數共享和層間連接的稀疏性使得卷積神經網絡能夠以較小的計算量對格點化特征,例如像素和音頻進行學習、有穩定的效果且對數據沒有額外的特征工程要求。

                  根據以上說明,總結人工智能相關術語的關系如下圖所示:

                  人工智能、機器學習、深度學習、卷積神經網絡的關系

                  需要注意的是,深度學習與傳統機器學習的區別在于:傳統機器學習描述樣本的特征通常由專家來設計,這稱爲“特征工程”;深度學習則通過機器學習自身來産生特征,即“特征學習”或“表示學習”。

                  傳統機器學習與深度學習的區別

                  在數據的“初始表示”(如圖像的“像素”)與解決任務所需的“合適表示”相距甚遠的時候,傳統機器學習就顯得無能爲力而只能嘗試使用深度學習的方法。


                  推薦閱讀:人工智能行業研究(2):如何分類?

                  分享
                  版權聲明

                  本文僅代表作者觀點,不代表本站立場。
                  本文系作者授權發表,未經許可,不得轉載。

                  評論

                  精彩評論