目录
一、绪论
1.人工智能概念
使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。
2.人工智能的三个层面:
1.计算智能:能存能算,计算机具有快速计算和记忆存储能力;
2.感知层面:能听会说、能看会认,类似于人的视觉、听觉、触觉等感知能力;
3.认知层面:能理解,会思考、决策,例如逻辑推理,知识理解,决策思考,概念、意识、观念都是认知智能的表现 。
3.关系
人工智能>机器学习>深度学习
4.逻辑演绎VS归纳推理
5.知识工程/专家系统与机器学习
知识工程/专家系统
根据专家定义的知识和经验,进行推理和判断,从而模拟人类专家的决策过程来解决问题。
机器学习
跟据训练模型来进行判断。
知识工程vs机器学习
知识工程:
基于手工设计规则建立专家系统(~80年代末期)
结果容易解释
系统构建费时费力
依赖专家主观经验,难以保证一致性和准确性
机器学习:
基于数据自动学习(90年代中期~)
减少人工繁杂工作,但结果可能不易解释
提高信息处理的效率,且准确率较高
来源于真实数据,减少人工规则主观性,可信度高
6.机器学习
定义
最常用定义:计算机系统能够利用经验提高自身的性能
可操作定义:机器学习本质是一个基于经验数据的函数估计问题
统计学定义:提取重要模式、趋势,并理解数据,即从数据中学习
即机器学习是要从数据中自动提取知识。
怎么学
模型:对要学习问题映射的假设(问题建模,确定假设空间)
策略:从假设空间中学习/选择最优模型的准则(确定目标函数)
算法:根据目标函数求解最优模型的具体计算方法(求解模型参数)
模型分类
数据标记:
监督学习模型:
样本具有标记(输出目标);
监督学习从数据中学习标记分界面 (输入-输出的映射函数),适用于预测数据标记。
无监督学习模型:
样本没有标记;
无监督学习从数据中学习模式,适用于描述数据。
半监督学习模型:
部分数据标记已知,是监督学习和无监督学习的混合
强化学习模型:
数据标记未知,但 知道与输出目标相关的反馈,适用决策类问题
数据分布:
参数模型:对数据分布进行假设,待求解的数据模型/映射可以用一组有限且固定数目的参数进行刻画。
非参数模型:不对数据分布进行假设,数据的所有统计特性都来源于数据本身。
建模对象:
生成模型:对输入X和输出Y的联合分布P(X,Y)建模
判别模型:对已知输入X条件下输出Y的条件分布P(Y|X)建模
7.神经网络结构的发展
二、深度学习概述
1.深度学习中的不能
算法输出不稳定,容易被“攻击”
<