前言
本文教程均来自b站【小白也能听懂的人工智能原理】,感兴趣的可自行到b站观看。
代码及工具箱
本专栏的代码和工具函数已经上传到GitHub:1571859588/xiaobai_AI: 零基础入门人工智能 (github.com),可以找到对应课程的代码
正文
随着课程的结束,我们仿佛在知识的海洋中航行了很久,有时感觉收获颇丰,有时又觉得仍有许多未知。这就是本次课程的目的,通过最简单直接的方式,揭示机器学习神经网络的核心概念和方法,帮助初学者在复杂纷繁的知识体系中找到一条清晰的路径,避免陷入细节的迷宫。在这最后一节课,我们将从头开始回顾所学内容,补充之前课程中简化讲解的部分,以期为你的进一步探索和研究奠定基础。
回顾过去课程
我们从深海生物小蓝出发,介绍了人工智能的启蒙阶段——McCulloch-Pitts神经元模型和Rosenblatt感知器。接着我们引入了线性回归,代价函数的概念,并在简单的抛物线形状的代价函数上介绍了梯度下降算法。我们学习了基于动量、自适应学习率(如AdaGrad和RMSProp)以及Adam算法等多种改进的梯度下降版本。随后,我们介绍了反向传播的概念,并引入了激活函数的重要性,特别是非线性激活函数在神经网络中的作用。在多层神经网络中,我们了解了反向传播在多层网络上的普遍行为,以及深度神经网络的工作原理。最后,我们通过keras框架,分析了卷积神经网络和循环神经网络的工作原理。
人工智能、机器学习、深度学习之间的关系
人工智能是一个广泛的领域,涵盖所有试图让机器产生人类智能的技术。机器学习是其中的一部分,它通过数据让机器学习规则。深度学习是机器学习的一个分支,它通过模仿人脑中的神经元工作原理来解决复杂问题。
早在上世纪50年代,人工智能概念被提出,旨在让机器拥有类似人类的智能。早期的人工智能流派之一是符号主义,其通过人类总结的规则构建专家系统。尽管知识图谱在智能问答等领域仍发挥作用,但这种方法依赖大量人工输入规则,机器无法自主学习。
为了克服符号主义方法的人工依赖,人们转向机器学习,让机器自主从数据中学习规则。因此,所有旨在实现这一目标的尝试都属于机器学习技术。除了深度学习,还有其他机器学习方法如SVM、随机森林和贝叶斯分类。
尽管深度学习在历史上受到算力的限制,但随着硬件和数据的发展,它已成为主流。深度学习灵感来自人脑的神经元连接,属于连接主义流派。然而,它并不是对大脑的简单复制,而是对其功能的仿生。AlphaGo的胜利标志着深度学习的重要时刻,但它并不代表机器学习的全部。每个领域都有其独特的优势和局限,目前深度学习只是其中之一。
强化学习是另一项令人振奋的技术,它基于行为主义思想,通过智能体在环境中不断试错来学习策略。这种技术也在不断发展和应用中,如AlphaGo和腾讯的觉悟系统。人工智能和机器学习领域不断有新想法涌现,等待人们去探索和发现。