AI发展历程及机器学习、深度学习开发流程

1、AI实现方法及发展历程

人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

AI的历史发展历程：

图1.1中概括了AI技术60年的发展历程，期间包括两起两落，以及2013年开始，由深度学习（Deep Learning）算法的成功带来的第三个黄金期。技术上，除了算法方面的突破，数据资源和计算能力的增长也对AI的发展起着关键作用。

图1.1 AI技术60年的发展历程

 

如图1.2所示，人工智能是一类非常广泛的问题，它表现为为机器赋予了人的智能。机器学习是解决这类问题的一个重要手段，也是实现人工智能的方法之一。深度学习则是机器学习的一个分支。在很多人工智能问题上，深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展，使人工智能的未来一片光明。

图1.2 人工智能、机器学习以及深度学习之间的关系

AI发展到现在，机器学习是AI最主要的实现方式之一，深度学习作为机器学习的一个分支，激起了机器学习的又一次浪潮，是目前AI研究最火热的一门技术。因此本文主要针对机器学习的开发流程进行介绍，然后介绍深度学习与机器学习开发流程的主要不同（特征处理），最后给出深度学习的一个简要开发流程。

 

2、机器学习的开发流程

2.1