人工智能个人见解

一、前言

在网络计算时代，移动终端兴起，不仅把计算机与计算机连在一起，还把人与计算机连在了一起。人改变了这个世界，如果计算机也能想人一样思考，那一定会极大解放人的生产力，这成为人工智能的发展目标。

二、原理解释

目前，人工智能主要使用机器学习算法进行学习，机器学习本质是根据已有数据获得规律来预测未知的事物，而机器学习算法分为监督学习、无监督学习、强化学习三个大类，基本的机器学习算法有回归、支持向量机(SVM)、神经网络、随机森林、朴素贝叶斯，本篇仅介绍回归算法、神经网络算法。

1.回归算法

回归算法包含线性回归与逻辑回归两大类。线性回归可以使用最小二乘法进行拟合，接近规律。

以一道例题来说，数据如下：

使用年限(x)(x)(x)	2	3	4	5	6
维修费用(y)(y)(y)	2.2	3.8	5.5	6.5	7.0

如何预测第101010年所支出的维修费用，我们可以使用b=ax-y与L=i=1∑n​(yi​−f(x))2，算出y=ax+b的方程。

而逻辑回归方程则是在这基础上使用了非线性函数（包括​​​​​​Sigmoid 函数等），补足了线性回归模型不能表示非线性模型的缺点，但是逻辑回归方程的缺点是效率低。

2、神经网络算法

神经网络算法是目前最流行的算法之一，他也是深度学习的基础。计算机使用人工神经网络，而人工神经网络参照生物神经网络建立。生物神经网络的基本单位是生物神经元，在生物神经元上，一个神经元通常具有多个树突，主要用来接受传入信息；而轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触”。人工神经网络也这相似，人工神经元的基本单位是神经元模型，神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出可以类比为神经元的轴突，计算则可以类比为细胞核。

一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。

一般使用x来表示输入，用w来表示权值，用y表示输出。一个表示连接的有向箭头可以这样理解：在初端，传递的信号大小仍然是x，端中间有加权参数w，经过这个加权后的信号会变成x*w，因此在连接的末端，信号的大小就变成了x*w。

每个人工神经元可以接受多个输入，接受多个信号,最后根据傅里叶变换，将多个信号进行线性相加可以得到y，可表示为y=∑xi*wi。
但由于这些信号都是线性的，z也只能是线性的，不能表示非线性的规律，那我们可以引入一个非线性函数g，g可以是Sigmoid 函数、tanh函数、ReLU函数等，通过这个函数我们可以将函数变为非线性函数，而这个函数又称为激发函数。

在人工神经网络中，不止一个神经元模型，还有单层神经网络。单层神经网络拥有输入层和输出层，可以解决线性问题，通过线性函数不断拟合得到规律。一般为y=g（∑xi*wi）。

而双层神经网络在单层神经网络的基础上有更多的函数，具有非常好的非线性分类效果，可表示为x(2)=g（∑xi*wi）、y=g（∑x(2)i*w(2)i）。后来在反向传播算法（BP）的帮助下，使函数变为x(2)=g（∑xi*wi）+b(1)、y=g（∑x(2)i*w(2)i）+b（2），让函数更加精准。

在双层神经网络的基础上还有多层神经网络，每多一层，参数量都会成倍增长，参数越多，越能将特征划分多个维度，通过卷积层、池化层、表现层，可以提取图片特征，做到识图。

三、总结

本篇参考神经网络——最易懂最清晰的一篇文章-CSDN博客，纯个人理解，非专业。