人工智能与微积分的关系

最新推荐文章于 2024-10-18 11:21:51 发布

软件供应链安全

最新推荐文章于 2024-10-18 11:21:51 发布

阅读量173

点赞数

文章标签：人工智能

原文链接：https://mp.weixin.qq.com/s?__biz=MzIwNjEwNTQ4Mw==&mid=2651586254&idx=1&sn=d59e4ecef01140770405a57b5f1042b0&chksm=8d74af44e21e603d3c9dd8f0304412d560f04733555984451c89e16fa6e68cda36bf85315cd3&scene=126&sessionid=0

版权

AI 时代学什么，怎么学 / 2024.9

计算机科学家尼尔斯·尼尔森写道：“一个系统想要成为智能系统，就必须能够对它自己所处的世界有所了解，并具备从这些了解到的内容中得出结论的能力，或者至少根据他们获取到的这些知识采取行动。因此，无论是蛋白质组成的人类还是基于硅芯片制造的机器，都必须有在内部结构中表示所需知识的方法。”

——克利福德·皮寇弗

本文来自：《人工智能数学基础》陈华主编

文末赠书

从发展历程来看，人工智能先后经历了推理机、专家系统及机器学习三个阶段。当前的人工智能系统多为学习型，其常见的处理流程如图所示。为了减小误差，其用数据去训练假设模型，也就是进行所谓的学习，当误差降到最小时，就把这个假设模型用于其他现实问题。可以看到，数学在整个处理流程中几乎无处不在，无论是描述问题、建立模型，还是减小误差，数学都在其中发挥了作用。

人工智能实际上是一个将数学、算法理论和工程实践紧密结合的领域。人工智能从本质上来看就是算法，是概率论、统计学等各种数学理论的体现。

数学作为表达与刻画人工智能模型的工具，是深入理解人工智能算法原理必备的基础知识。人工智能与数学高度相关，可以说人工智能的核心是数学，计算机只是实现人工智能模型的工具。

本文是对人工智能与高数中的微积分的关联性做简要的概述。

微积分的诞生具有划时代的意义，是数学史上的分水岭和转折点：古希腊传承下来的数学是常量的数学，是静态的数学；解析几何和微积分则开启了变量数学的时代，使数学开始用于描述变化和运动，从而改变了整个数学世界的面貌。

有了微积分，人类就能把握运动的过程。微积分成了人们描述世界、寻求问题答案的有力工具。微积分促进了工业大革命，带来了大工业生产，许多现代化交通工具的产生都与微积分相关。

微积分知识在人工智能算法中可以说无处不在。

求导是微积分的基本概念之一，也是很多理工科领域的基础运算。导数是变化率的极限，是用来找到“线性近似”的数学工具，是一种线性变换，体现了无穷、极限、分割的数学思想，主要用来解决极值问题。人工智能算法的最终目标是得到最优化模型，其最后都可转化为求极大值或极小值的问题。

比如，梯度下降法和牛顿法是人工智能的基础算法，现在主流的求解代价函数最优解的方法都是基于这两种算法改造的，如随机梯度法和拟牛顿法，其底层运算就是基础的导数运算。

数也是微积分中非常重要的概念，常见的级数有泰勒级数、傅里叶级数等，它们在人工智能算法中也有非常重要的地位。

泰勒级数体现了用多项式近似和逼近函数的思想。泰勒级数在人工智能算法的底层起到了非常重要的作用，泰勒级数对理解很多基础算法的原理很有帮助。例如，梯度下降法的数学原理涉及代价函数的一阶泰勒近似，而牛顿法的推导过程应用了目标函数的二阶泰勒近似。

其与泰勒级数类似，只是用来逼近和近似函数的基本元素从多项式变成了三角函数。它可以反映函数的频率特性，每阶的三角函数系数可以看成该阶频率的成分量。

傅里叶级数和傅里叶变换是紧密联系的，它们在人工智能、模式识别中起到了很重要的作用，尤其是在计算机视觉方面，当处理图像、视频时，经常要分析其频率特性，如进行平滑滤波、锐化滤波、边缘特征提取和谱分析等，这些都会涉及傅里叶级数和傅里叶变换。

凸函数也是微积分中的重要概念，人工智能算法中涉及的优化问题要求函数模型必须是凸函数，否则优化问题没有最优解。

除了以上提到的概念，微积分中还有许多概念，如方向导数、梯度、伽马函数等，它们都在人工智能中有广泛的应用，我们留待以后讨论。

推荐阅读

《中国人工智能简史：从1979到1993》

作者：林军岑峰著

出版时间：2023.8

出版社：人民邮电出版社

作者团队深入采访了全国十余所主要高校、中科院多个研究所老中青三代人工智能研究者，重点介绍中国人工智能领域杰出的科学家，以及他们创造非凡成果的有趣故事。

本书梳理了自 1979 年至 1993 年中国人工智能领域初期十多年的发展历程，用轻松而真诚的笔触，讲述了为中国人工智能发展寻路的奠基者，并介绍了重要历史事件的来龙去脉，带领读者深入了解中国人工智能发展早期鲜为人知的历史。

[美] 斯图尔特·罗素（Stuart Russell）[美]彼得·诺维格（Peter Norvig）著，

张博雅，陈坤，田超，顾卓尔，吴凡 ... 译，张志华校

吴军、黄铁军作序推荐

揭示AI与chatgpt的奥秘，详解人工智能的发展与未来！

本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。

本书可作为高等院校人工智能相关专业本科生、研究生教材，也是相关领域专业人员的一本参考书。

《概率导论（第2版·修订版）》

作者：[美] 迪米特里·伯特瑟卡斯，[美] 约翰·齐齐克利斯

译者：郑忠国童行伟

从直观、自然的角度阐述概率；适合理工科学生入门，便于自学。

本书多年来在美国麻省理工学院、斯坦福大学、加州大学等名校被用作概率课程教材，经过课堂检验和众多师生的反馈得以不断完善，是一本在表述简洁和推理严密之间取得优美平衡的经典作品。

《普林斯顿概率论读本》

作者：[美] 史蒂文·J. 米勒（Steven J. Miller）

译者：李馨

普林斯顿读本三剑客之概率论，概率论教材，叙述深入浅出，提供课程视频和讲义，概率论学习图书。

对于学生来说，学习概率论及其众多应用、技术和方法似乎非常费力且令人生畏，而这正是本书的用武之地。这本通俗易懂的学习指南旨在用作概率论的独立教材或相关课程的补充材料，可帮助学生轻松地学习概率论知识并取得良好效果。

本书基于史蒂文·J. 米勒在布朗大学、曼荷莲学院和威廉姆斯学院教授的课程而作。米勒通过先修课程材料、各种难度的问题及证明对概率论这一数学领域进行了详细介绍。探索每个主题时，米勒首先引导学生运用直觉，然后才深入技术细节。本书涵盖的主题很广，并且对材料加以重复以强化知识。读完本书，学生不仅能掌握概率论，还能为将来学习其他课程打下基础。