人工智能演进
人工智能作为计算机科学的一个分支出现于 20 世纪 50 年代。它的两个主要目标是:
- 通过在计算机上建模和模拟来研究人类智能,
- 通过像人类一样解决复杂问题来使计算机更有用。
从出现到 20 世纪 80 年代,大多数 AI 系统都是人工编程的,通常使用功能性、声明性或其他高级语言。语言中的符号代表了现实世界中的概念或抽象概念,构成了大多数知识表示的基础。
人工智能领域
人工智能四要素
机器学习的兴起
从 20 世纪 80 年代末到 21 世纪,人们研究了多种机器学习方法,包括神经网络、生物学和进化技术以及数学建模。早期最成功的结果是通过机器学习的统计方法获得的。线性和逻辑回归、分类、决策树、基于内核的方法(即支持向量机)等算法大受欢迎。
后来,深度学习被证明是构建和训练神经网络以解决复杂问题的有效方法。其基本训练方法与之前相似,但是有一些改进推动了深度学习的成功,包括:
- 有很多层并大得多的网络;
- 庞大的数据集,包含数千到数百万个训练示例; 神经网络性能、泛化能力和跨服务器分布训练能力的算法改进;
- 更快的硬件(如 GPU 和 Tensor 核心),可以处理更多数量级的计算,这要求使用大型数据集来训练复杂的网络结构。
今天的人工智能主要依赖的不再是符号知识表示和程序推理机制,现代 AI 而是建立在新的基础上,即机器学习。无论是传统的基于数学的机器学习模型或决策树,还是深度学习的神经网络架构,当今人工智能领域的大多数 AI 应用程序都是基于机器学习技术。
机器学习的场景
机器学习适用的场景:
- 场景复杂
- 没有明确的规则(或者规则复杂)
- 大数据(数据基本为PB级、种类多、时效性高、价值密度低)
接下来我们重点介绍机器学习相关流程方法,敬请期待
参考文章:
1、https://zhuanlan.zhihu.com/p/150563958?utm_source=zhihu&utm_medium=social&utm_oi=757498873185865728