一 、绪论
1.人工智能的一个子领域:
神经网络:一种以(人工)神经元为基本单元的模型。
深度学习:一类机器学习问题,主要解决贡献度分配问题。
2.网络结构:
3.路线图:
二、人工智能
人工智能就是让机器具有人类的智能。"计算机控制"+"智能行为"。
人工智能分为几个流派:连接主义、符号主义、行为主义。
1.人工智能的研究领域
图灵测试是促使人工智能从哲学探讨到科学研究的一个重要因素,引导了人工智能的很多研究方向。因为要使得计算机能通过图灵测试,计算机必须具备理解语言、学习、记忆、推理、决策等能力。
研究领域:机器感知(计算机视觉、语音信息处理、模式识别)
学习(机器学习、强化学习)
语言(自然语言处理)
记忆(知识表示)
决策(规划、数据挖掘)
2.人工智能发展历史
3.如何开发成一个系统
举例:芒果机器学习(芒果甜不甜)
1).准备数据
从市场上随机选取的芒果样本(训练数据),列出每个芒果的所有特征: 如颜色,大小,形状,产地,品牌,价格以及芒果质量(输出变量)∶甜蜜。
2).学习
设计一个学习算法来学习芒果的特征与输出变量之间的相关性模型( f(x)= y )。
3).测试
下次从市场上买芒果时,可以根据芒果(测试数据)的特征,使用前面计算的模型来预测芒果的质量。
学习知识图:
4.机器学习-表示学习
当我们用机器学习来解决一些模式识别任务时,一般的流程包含以下几个步骤:
浅层学习(Shallow Learning): 不涉及特征学习,其特征主要靠人工经验或特征转换方法来抽取。
1). 什么是好的数据表示?
“好的表示” 是一个非常主观的概念,没有一个明确的标准。
但是一般而言,一个好的表示具有以下几个优点:
应该具有很强的表示能力。
应该是后续的学习任务变得简单。
应该具有一般性,是任何任务或领域的独立的。
数据表示是机器学习的核心问题。
2).表示形式:如何在计算机中表示语义?
局部表示:离散表示、符号表示、One-Hot向量
分布式表示:压缩、低维、稠密向量、用O(N)个参数表示O(2^k)区间,k非0参数,k<N
3). 表示学习:如何自动从数据中学习好的表示。
通过构建具有一定“深度”的模型,可以让模型来自动学习好的特征表示(从底层特征,到中层特征,再到高层特征),从而最终提升预测或识别的准确性。