Tensorflow学习笔记(一):人工智能概述
一、基本概念
1、什么是人工智能
人工智能的概念:
机器模拟人的意识和思维
重要人物:
艾伦·麦席森·图灵(Alan Mathison Turing)
人物简介:
1912 年 6 月 23 日-1954 年 6 月 7 日,英国数学家、逻辑学家,被称为计算机科学之父,人工智能之父。
相关事件:
(1)1950 年在论文《机器能思考吗?》中提出了图灵测试,一种用于判定机器是否具有智能的试验方法:提问者和回答者隔开,提问者通过一些装置(如键盘)向机器随意提问。多次测试,如果有超过 30%的提问者认为回答问题的是人而不是机器,那么这台机器就通过测试,具有了人工智能。也就是工智能的概念:“用机器模拟人的意识和思维”。
(2)图灵在论文中预测:在 2000 年,会出现通过图灵测试具备人工智能的机器。然而直到 2014 年 6 月,英国雷丁大学的聊天程序才成功冒充了 13 岁男孩,通过了图灵测试。这一事件比图灵的预测晚了 14 年。
(3)在 2015 年 11 月 science 杂志封面新闻报道,机器人已经可以依据从未见过的文字中的一个字符,写出同样风格的字符,说明机器已经具备了迅速学习陌生文字的创造能力。
消费级人工智能产品:
国外
(1)谷歌 Assistant
(2)微软 Cortana
(3)苹果 Siri
(4)亚马逊 Alexa
国内
(1)阿里的天猫精灵
(2)小米的小爱同学
人工智能先锋:
(1)Geoffrey Hinton:多伦多大学的教授,谷歌大脑多伦多分布负责人,是人工智能领域的鼻祖,他发表了许多让神经网络得以应用的论文,激活了整个人工智能领域。他还培养了许多人工智能的大家。比如 LeCun 就是他的博士后。
(2)Yann LeCun:纽约大学的教授,Facebook 人工智能研究室负责人,他改进了卷积神经网路算法,使卷积神经网络具有了工程应用价值,现在卷积神经网络依旧是计算机视觉领域最有效的模型之一。
(3)Yoshua Bengio:蒙特利尔大学的教授,现任微软公司战略顾问,他推动了循环神经网路算法的发展,使循环神经网络得到工程应用,用循环神经网络解决了自然语言处理中的问题。
2、什么是机器学习
机器学习的概念:
机器学习是一种统计学方法,计算机利用已有数据得出某种模
型,再利用此模型预测结果。
特点:
随经验的增加,效果会变好。
简单模型举例:
决策树模型
机器学习和传统计算机运算的区别:
传统计算机是基于冯诺依曼结构,指令预先存储。运行时,CPU 从存储器里逐行读取指令,按部就班逐行执行预先安排好的指令。其特点是,输出结果确定,因为先干什么,后干什么都已经提前写在指令里了。
机器学习三要素:
数据、算法、算力
3、什么是深度学习
深度学习的概念:
深层次神经网络,源于对生物脑神经元结构的研究。
人脑神经网络:
随着人的成长,脑神经网络是在渐渐变粗变壮。
生物学中的神经元:
树突具有接受刺激并将冲动传入细胞体的功能,是神经元的输入。这些树突汇总于细胞核又沿着一条轴突输出。轴突的主要功是将神经冲动由胞体传至其他神经元,是神经元的输出。人脑便是由 860 亿个这样的神经元组成,所有的思维意识,都以它为基本元,连接成网络实现的。
计算机中的神经元模型:
1943 年,心理学家 McCulloch 和数学家 Pitts 参考了生物神经元的结构,发表了抽象的神经元模型 MP。神经元模型是一个包含入,输出与计算功能的模型。输入可以类比为神经元的树突,输出可以类比为神经元的轴突,计算可以类比为细胞核。
4、人工智能 Vs 机器学习 Vs 深度学习
人工智能,就是用机器模拟人的意识和思维。
机器学习,则是实现人工智能的一种方法,是人工智能的子集。
深度学习就是深层次神经网络,是机器学习的一种实现方法,是机器学习的子集。
二、 神经网络的发展历史(三起两落)
三、 机器学习的典型应用
1、 应用领域
计算机视觉、语音识别、自然语言处理
2、主流应用:
(1) 预测(对连续数据进行预测)
如,预测某小区 100 平米的房价卖多少钱。根据以往数据(红色 ● ),拟合出一条线,让它“穿过”所有的点,并且与各个点的距离尽可能的小。
我们可以把以前的数据,输入神经网络,让他训练出一个模型,比如这张图中红色点表示了以往的数据,虚线表示了预测出的模型 Y = ax + b ,大量历史数据也就是面积 x 和房价 y 作为输入,训练出了模型的参数 a = 3.5, b = 150,则你家 100 平米的房价应该是 3.5 * 100 + 150 = 500 万。我们发现,模型不一定全是直线,也可以是曲线;我们还发现,随着数据的增多,模型一般会更准确。
(2) 分类(对离散数据进行分类)
如,根据肿瘤患者的年龄和肿瘤大小判断良性、恶性。红色样本为恶性,蓝色样本为良性,绿色分为哪类?
假如让计算机判断肿瘤是良性还是恶性,先要把历史数据输入到神经网络进行建模,调节模型的参数,得到一条线把良性肿瘤和恶性肿瘤分开。比如输入患者的年龄、肿瘤的大小 还有对应的良性肿瘤还是恶性肿瘤,使用神经网络训练模型调整参数,再输入新的患者年龄和肿瘤大小时,计算机会直接告诉你肿瘤是良性还是恶性。比如上图的绿色三角就属于良性肿瘤。
四、总结
1、机器学习,就是在任务 T 上,随经验 E 的增加,效果 P 随之增加。
2、机器学习的过程是通过大量数据的输入,生成一个模型,再利用这个生成的模型,实现对结果的预测。
3、庞大的神经网络是基于神经元结构的,是输入乘以权重,再求和,再过非线性函数的过程。