人工智能简单总结

人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。

人工智能学科：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

在我们身边其实有很多很多的人工智能，比如：

而人工智能技术架构可分为如下：

我们今天主要来理解机器学习，下图是一个典型的机器学习的训练过程

1. 从一个随机初始化参数的模型开始，这个模型基本没有“智能”；

2. 获取一些数据样本（例如，音频片段以及对应的是或否标签）；

3. 调整参数，使模型在这些样本中表现得更好；

4. 重复第（2）步和第（3）步，直到模型在任务中的表现令⼈满意。

然而，无论我们选择什么类型的机器学习，都会遇到这些组件：

1. 可以用来学习的数据（data）；

2. 如何转换数据的模型（model）；

3. ⼀个目标函数（objective function），用来量化模型的有效性；

4. 调整模型参数以优化目标函数的算法（algorithm）

数据

每个数据集由一个个样本组成，大多时候，它们遵循独立同分布。样本有时也叫做数据点或者数据实例，通常每个样本由一组称为特征（features，或协变量（covariates））的属性组成。

当处理图像数据时，每一张单独的照片即为一个样本，它的特征由每个像素数值的有序列表示。

拥有越多数据的时候，工作就越容易。更多的数据可以被用来训练出更强大的模型，从而减少对预先设想假设的依赖。仅仅拥有海量的数据是不够的，还需要正确的数据。

模型

任一调整参数后的程序被称为模型。

这些模型由神经⽹络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

目标函数

“学习”，是指自主提高模型完成某些任务的效能。

什么才算真正的提高呢？在机器学习中，我们需要定义模型的优劣程度的度量，这个度量在大多数情况是“可优化”的，这被称之为目标函数。

定义一个目标函数，并优化它到最小值——损失函数。

预测数值任务——平方误差：预测值与实际值之差的平方。

预测分类任务——最⼩化错误率：预测与实际情况不符的样本⽐例。

损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最⼩化总损失来学习模型参数的最佳值。

优化算法

当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最⼩化损失函数。深度学习中，大多流行的优化算法通常基于一种基本方法——梯度下降（gradient descent）

在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。

机器学习（machine learning，ML）是一类强大的可以从经验中学习的技术。通常采用观测数据或与环境交互的形式，机器学习算法会积累更多的经验，其性能也会逐步提高。

监督学习（supervised learning）擅⻓在“给定输⼊特征”的情况下预测标签。每个“特征-标签”对都称为一个样本（example）。我们的目标是生成一个模型，能够将任何输⼊特征映射到标签（即预测）。

监督学习的过程：

回归——平方误差损失函数

回归（regression）是最简单的监督学习任务之一。——房价预测

分类--交叉熵

样本属于“哪一类”的问题称为分类问题。分类问题希望模型能够预测样本属于哪个类别。

猫狗识别：二项分类                                                           

手写数字识别：多项分类

回归是训练一个回归函数来输出一个数值；分类是训练一个分类器来输出预测的类别。

标注问题

学习预测不相互排斥的类别的问题称为多标签分类（multi-label classification）

一个样本（一个图片或者一个候选框）中含有多个物体，标注的label也是多个的，多个类间并不是互斥的，多选多

比如：多目标检测、短视频分类

推荐系统

⽬标是向特定用户进行“个性化”推荐。例如，对于电影推荐，科幻迷和喜剧爱好者的推荐结果页面可能会有很大不同。

与环境互动

有⼈一直心存疑虑：机器学习的输⼊（数据）来自哪里？机器学习的输出又将去往何方？到目前为止，不管是监督学习还是无监督学习，我们都会预先获取大量数据，然后启动模型，不再与环境交互。这⾥所有学习都是在算法与环境断开后进行的，被称为离线学习（offline learning）。

优点是，我们可以孤⽴地进行模式识别，而不必分心于其他问题。

缺点是，解决的问题相当有限。

强化学习

智能体在一系列的时间步骤上与环境交互。在每个特定时间点，智能体从环境接收一些观察，并且必须选择一个动作，然后通过某种机制（有时称为执行器）将其传输回环境，最后智能体从环境中获得奖励。此后新一轮循环开始，智能体接收后续观察，并选择后续操作，依此类推。

深度学习

深度学习的发展

21世纪带来了高速互联网，智能手机摄像头、视频游戏等照片共享网站。数据池正在被填满。

廉价又高质量的传感器、廉价的数据存储以及廉价计算的普及，特别是GPU的普及，使大规模的算力唾手可得。

深度学习的应用场景有很多，比如：图像分类、目标检测和分割、人脸合成、机器翻译、图像描述、自然语言文本合成。

这里就不得不提到一个人工智能的经典测试

人工智能的先驱：艾伦·麦席森·图灵

英国数学家、逻辑学家、计算机科学之父、人工智能之父

“一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答。如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的”。

这就是图灵测试

测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。

进行多次测试后，如果机器让平均每个参与者做出超过30%的误判，那么这台机器就通过了测试，并被认为具有人类智能。