人工智能分类体系

前言： 刚上大学的时候，每每学习一个新的课程，总觉得学习“概论”、“分类”这种东西很无聊。后来发现，学习具体的实现细节才是最无聊的……因为永远 记 不 住。 所以 开始告诉自己建立系统的知识框架才是重要的：

强人工智能 & 弱人工智能：

>> 强人工智能：指能制造出真正地推理和解决问题的智能机器。比如日本动漫里的“阿童木”、钢铁侠的AI管家“贾维斯”就可以说是一个强人工智能。

>> 弱人工智能：只用于解决某些特定领域的问题，比如 AlphaGo，只会下围棋。

目前人工智能的现状是：强人工智能很弱、弱人工智能很强。弱人工智能已经强大到可以替代许多的岗位，深圳法庭已经开始试用智能语音识别做庭审的发言记录，医院可以用图像识别技术做医学影像的分析。而强人工智能，按照某大咖的说法，人类目前最先进的强人工智能，也远远比不上一个三岁孩子的智力。

补充：以笔者个人的理解，目前强人工智能最大的一个问题是——还具备不了真正的推理能力。比如一个数字识别模型，如果使用的训练数据都是正写的“2”，那么当这个模型输入一个倒写的“2”，一般都是识别不出来的。

结构化数据  & 非结构化数据：

所有的信息科学技术，甚至于整个自然科学技术领域，说到底是都是对数据的分析处理。在人工智能研究中，按所研究对象的数据类型的不同，可以分为：结构化数据、非结构化数据

>> 结构化数据：气温（36 C）、相对温度（75%）、降水量（10mm），以上一组数据则可称为结构化数据，即每一个维度（属性）已经被清晰的量化。

>> 非结构化数据：像一幅图像、一段语音、一段视频，这些都称为非结构化数据。

那么我们怎么让电脑处理非结构化数据的呢？说白了，只有华山一条山——先把非结构化数据转化成结构化数据。比如一张有480个像素点的图片，我们先把它转化为有480维度的结构化数据，再进行进一步处理。再说白了，其实“气温”、“相对温度”本来也是非结构化数据，只是有人在程序员之前帮忙做了量化。

回归预测 & 分类预测

再再说白了，现在人工智能所完成的很多工作，就是通过数据分析做出最合理的预测，由预测的输出类型，可以分为： 回归预测、分类预测、聚类预测

>> 回归预测：预测数据为连续性数据。定量输出，连续变量预测。比如：预测第二天的股价是多少（契合国情，可能应该预测跌多少）

>> 分类预测：预测数据为类别型数据，并且类别已知。定性输出，定性输出。比如：预测第二天的股价是涨是跌（契合国情，可能应该预测跌不跌停）

>> 聚类预测：预测数据为类别型数据，但类别未知。

机器学习：

“人工智能的核心，是使计算机具有智能的根本途径。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。” （以上定义来自百度百科）

监督学习&无监督学习

>> 监督学习

给程序一堆打好标签的数据，比如：有1000张猫的图片（“猫”作为这些图片的标签），和1000张没猫的图片（“没猫”作为这些图片的标签）。通过输入这2000张图片作为程序的训练数据，从而让程序学会识别图片中有无猫，这一过程称为“监督学习”

>> 无监督学习

不需要任何带标签的训练样本，而需要直接对数据进行建模。 无监督学习里典型的例子就是聚类了，“啤酒&尿布”是最典型的一个案例： 通过对超市销售数据的分析，得到啤酒跟尿布的销售有很强的相关性。

（本文中涉及到定义及引例可能存在争议，只作为个人的小见解，后续会继续完善本文）