人工智能与机器学习概述-1

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：

1. 通过在计算机上建模和模拟来研究人类智能，
2. 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