人工智能基础知识 ---- 人工智能基本概念

1. 人工智能发展历史

人工智能的发展主要经历过三个阶段：

• 推理期：

  人们试图总结、归纳出一些逻辑规则，并将逻辑规则以计算机程序的方式实现，来开发出人工智能系统，但是这种显示的规则往往过于简单，并且很难表达复杂，抽象的概念和规则，这一阶段称为推理期。

  知识库加推理阶段：

  20世纪70年代，科学家尝试用知识库加推理的方式解决人工智能，通过构建庞大的专家系统来模拟人类专家的智能水平，但是很多复杂，抽象的概念无法用代码实现，由此出现了一种从数据中学习规则的研究科学，称为机器学习；

  深度学习阶段：

  在机器学习中，有一门通过神经网络来学习复杂，抽象逻辑的方向，称为神经网络，深层神经网络有一个新名字，称为深度学习

人工智能，深度学习，机器学习，神经网络的关系如下：

       1957年美国科学家提出了一个可以自动学习权重的神经元模型，称为感知机，1969 美国科学家指出了感知机等线性模型的缺陷，即无法简单的处理异或等线性不可分问题，一般认为1969 ~ 1982 年为人工智能发展的第一次寒冬；
AI 在低谷期内，提出了误差的反向传播算法（BP 算法），它依旧是现代深度学习的核心理论基础。
1992 ~ 1995 是第二次人工智能兴盛的大潮，这段时间内相继提出了卷积神经网络，循环神经网络，方向传播算法等算法模型，神经网络的研究随着支持向量机（SVM）为代表的传统机器学习算法的兴起走向低谷，称为人工智能的第二次寒冬。

2. 机器学习分类

•    有监督学习
       有监督学习的数据集包含了样本  和样本的标签 ，算法模型需要学习映射关系 
，在训练时，通过计算模型的预测值 和真实标签 之间的误差来优化网络参数，使得网络下一次的预测能够更加准确。
常见的有监督学习有线性回归，逻辑回归，支持向量机（SVM）和随机森林。

•    无监督学习
     对应只有样本x的数据集，算法需要自行发现数据的模态，这种方式称为无监督学习、无监督学习有一类算法是将自身作为监督信号，训练时，通过计算模型的预测值和自身的关系 之间的误差来优化网络参数，称为自监督学习，常见的无监督学习算法有自编码器，生成对抗网络等

•    强化学习
是通过于环境交互来学习解决问题策略的一种算法，强化学习并没有明确正确的的动作监督信号，算法需要和环境进行交互，来获取环境反馈的滞后的奖励信号，因此不能通过计算动作和正确动作之间的误差来优化网络，常见的强化学习网络有 DNQ，PPO 等

深度学习的应用：

• 图片识别

神经网络输入图片数据，输出值为当前样本属于某个类别的概率分布，通常选取概率值最大的类别作为样本的预测数据

• 目标检测

通过算法检测出图片中常见物体 的大概位置

• 语义分割

通过算法自动分割并且识别出图片中的内容，可以将语义分割理解为每个像素点的分类问题

• 视频理解
• 图片生成

3.深度学习框架

Theano  最早的深度学习框架之一，是一个基于 python 语言，定位于底层的计算库，Theano同时支持 CPU 和 GPU 运算。
Caffe 主要面向使用卷积神经网络的场合，并不适合其他类型神经网络的应用。
pyTorch（派拖奇）FaceBook 是基于Torch 框架推出的采用 python 为主要开发语言的深度学习框架。
Tensorflow 是 Google 于2015 年发布的深度学习框架

Tensorflow 和 pyTorch 是业界使用最为广泛的两个深度学习框架。

深度学习的核心是算法设计思想，深度学习框架只是实现算法的工具
神经网络本质上是由大量的矩阵相乘，矩阵相加等基本的数学运算构成，TensorFlow 可以利用GPU 方便的实现并行加速的功能