人工智能(AI)
人工智能,它的范围很广,广义上的人工智能泛指通过计算机(机器)实现人的头脑思维,使机器像人一样去决策
计算机视觉(cv)
简单来说,机器视觉就是用机器代替人眼,对事物进行观察、测量和判断。
- “视”是将外界信息通过成像来显示成数字信号反馈给计算机,需要依靠一整套的硬件解决方案,包括光源、相机、图像采集卡、视觉传感器等。“觉”则是计算机对数字信号进行处理和分析,主要是软件算法。
- 机器视觉系统架构主要分为硬件设备和软件算法两部分,其中硬件设备主要包括光源系统、镜头、摄像机、图像采集卡和视觉处理器;软件包中核心算法主要包括传统的数字图像处理算法和基于深度学习的图像处理算法。
- 一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
卷积神经网络 -(Convolutional Neural Networks, CNN)
卷积神经网络 – CNN 最擅长的就是图片的处理。它受到人类视觉神经系统的启发
CNN 有2大特点:
-
能够有效的将大数据量的图片降维成小数据量
-
能够有效的保留图片特征,符合图片处理的原则
胶囊神经网络
胶囊网络优点
- 由于胶囊网络集合了位姿信息,因此其可以通过一小部分数据即学习出很好的表示效果,所以这一点也是相对于CNN的一大提升。举个例子,为了识别手写体数字,人脑需要几十个最多几百个例子,但是CNN却需要几万规模的数据集才能训练出好结果,这显然还是太暴力了!
- 更加贴近人脑的思维方式,更好地建模神经网络中内部知识表示的分层关系,胶囊背后的直觉非常简单优雅。
胶囊网络缺点
机器学习(ML)
机器学习是实现人工智能的一种技术。
机器学习研究和构建的是一种特殊算法(而非某一个特定的算法),能够让计算机自己在数据中学习从而进行预测。
所以,机器学习不是某种具体的算法,而是很多算法的统称。
通过训练集,不断识别特征,不断建模,最后形成有效的模型,这个过程就叫“机器学习”!
机器学习包含了很多种不同的算法,深度学习就是其中之一,其他方法包括决策树,聚类,贝叶斯等。
深度学习的灵感来自大脑的结构和功能,即许多神经元的互连。人工神经网络(ANN)是模拟大脑生物结构的算法。
机器学习里面最重要的四类问题(应用):预测(Prediction)–可以用回归(Regression),聚类(Clustering)–如K-means方法,分类(Classification)–如支持向量机法(SVM),降维(Dimensional reduction)–如主成份分析法(Principal component analysis (PCA))。
机器学习的分类:监督学习(Supervised Learning,如深度学习),无监督学习(Un-supervised Learning,如聚类),半监督学习(Semi-supervised Learning),增强学习(Reinforced Learning)。
机器学习的方法:统计的方法可以用来机器学习,比如:聚类、贝叶斯等等,当然机器学习还有很多其他的方法,如神经网络(更小范围)、SVM
监督学习、非监督学习、强化学习
除此之外,大家可能还听过“半监督学习”之类的说法,但是那些都是基于上面3类的变种,本质没有改变
监督学习
这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好,但是成本也非常高。
监督学习的2个任务: 1、回归 2、分类
回归:预测连续的、具体的数值
分类:对各种事物分门别类,用于离散型(什么是离散?)预测
无监督学习
无监督学习是一种机器学习的训练方式,它本质上是一个统计手段,在没有标签的数据里可以发现潜在的一些结构的一种训练方式。
常见的2类无监督学习算法:聚类、降维
聚类:简单说就是一种自动分类的方法,在监督学习中,你很清楚每一个分类是什么,但是聚类则不是,你并不清楚聚类后的几个分类每个代表什么意思。
降维:降维看上去很像压缩。这是为了在尽可能保存相关的结构的同时降低数据的复杂度
「聚类算法」K均值聚类
K均值聚类就是制定分组的数量为K,自动进行分组。
「聚类算法」层次聚类
如果你不知道应该分为几类,那么层次聚类就比较适合了。层次聚类会构建一个多层嵌套的分类,类似一个树状结构
「降维算法」主成分分析 – PCA
主成分分析是把多指标转化为少数几个综合指标。
「降维算法」奇异值分解 – SVD
奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,奇异值分解则是特征分解在任意矩阵上的推广。在信号处理、统计学等领域有重要应用。
深度学习(DL)
机器学习分很多方法(算法),不同的方法解决不同的问题。深度学习是机器学习中的一个分支方法。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-phtj5sHJ-1615627792464)(upload/image-20210313095029809.png)]
运筹学(Operations Research(O.R.)),最优化理论(Optimization)
- 几乎所有的人工智能问题最后会归结为求解一个优化问题(Optimization Problem)。而研究如何求解优化问题的学科,正是运筹学。
- 运筹学的作用,不仅限于求解其他模型(如统计)最后产生的优化问题,也可以作为模型本身(优化模型)来解决人工智能问题。
- 先简单介绍下优化问题的结构,即目标函数和约束条件。优化问题就是求解在约束条件满足的情况下使得目标函数最优的解。
算法
前面提到机器学习需要给出算法来解析(学习)数据,以获得经验,而这个算法则包括我们常说的“神经网络”也是机器学习算法的一种,常见的算法有如下