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”
<
最低0.47元/天 解锁文章
4891
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
