本文为阅读总结个人认为书里概念性的、对本人有帮助的内容,仅供参考。
我们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医学诊断、支持基础科学研究。
人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务。对于这些问题,我们人类往往可以凭借直觉轻易地解决。
层次化的概念让计算机构建较简单的概念来学习复杂概念。
人工智能的一个关键挑战就是如何让将这些非形式化的知识传达给计算机。
一些人工智能项目力求将关于世界的只是用形式化的语言进行硬编码。
依靠硬编码的知识体系面临的困难表明,AI系统需要具备自己获取知识的能力,即从原始数据中提取模式的能力。这种能力成为机器学习。引入机器学习使计算机能够解决涉及现实世界只是的问题,并能做出看似主观的决策。
这些简单的机器学习算法的性能在很大程度上依赖于给定数据的表示。
在整个计算机科学乃至日常生活中,对表示的依赖都是一个普遍现象。
表示的选择会对机器学习算法的性能产生巨大的影响。
许多人工智能任务都可以通过以下方式解决:先提取一个合适的特征集,然后将这些特征提供给简单的机器学习算法。
解决这个问题的途径之一是使用机器学习来发掘表示本身,而不仅仅把表示映射到输出。这种方法我们称之为表示学习。表示学习算法只需要几分钟就可以为简单的任务发现一个很好的特征集,对于复杂任务则需要几个小时到几个月。
表示学习算法的典型例子是自编码器。自编码器由一个编码器函数和一个解码器函数组合而成。
当设计特征或设计用于学习特征的算法时,我们的目标通常是分离出能解释观察数据的变差因素。
在许多现实的人工智能应用中,困难主要源于多个变差因素同时影响着我们能够观察到的每一个数据。
显然,从原始数据中