2016 年,AlphaGo 的横空出世掀起了人工智能的新一轮热潮。其技术进展更是以令人瞠目结舌的速度狂飙突进,悄无声息地改造着普通人的生活。
人工智能是一把双刃剑,它既能推动经济社会的进步,也能潜移默化地改造人类。
人工智能复杂,但并不神秘。它建立在以线性代数和概率论为骨架的基础数学上,通过简单模型的组合实现复杂功能。在工程上,深度神经网络通常以其参数的复杂性让人望而却步;可在理论上,其数学原理却具有更好的可解释性。
人工智能的早期发展遵循的是符号主义学派的发展路径,但狭窄的应用领域让它在短暂的辉煌之后迅速走向沉寂。吸取了符号主义学派的教训,连接主义学派通过以工程技术手段模拟人脑神经系统的结构和功能来模拟人类智能。这种思路在一定程度上实现了人脑形象思维的功能,也成为今天人工智能的核心技术。
学习人工智能需要的基础知识:
数学基础:数学基础知识蕴含着处理智能问题的基本思想与方法,也是理解复杂算法的必备要素。学习研究人工智能必备的数学基础知识,包括线性代数、概率论、最优化方法等。
机器学习:机器学习的作用是从数据中习得学习算法,进而解决实际的应用问题,是人工智能的核心目标之一。学习机器学习中的主要方法,包括线性回归、决策树、支持向量机、聚类等。
人工神经网络:作为机器学习的一个分支,神经网络将认知科学引入机器学习当中,以模拟生物神经系统对真实世界的交互反映,并取得了良好的效果。学习神经网络中的基本概念,包括多层神经网络、前馈与反向传播、自组织神经网络等。
深度学习:简而言之,深度学习就是包含多个中间层的神经网络,数据的爆炸和计算力的飙升推动了深度学习的崛起。学习深度学习的概念与实现,包括深度前馈网络、深度学习中的正则化、自动编码器等。
神经网络实例:在深度学习框架下,一些神经网络已用于各种应用场景,并取得了不俗的效果。学习几种神经网络实例,包括卷积神经网络、递归神经网络、深度信念网络等。
深度学习之外的人工智能:深度学习既有优点也有局限,其他方向的人工智能研究正是有益的补充。学习几种与深度学习无关的学习方法,包括马尔可夫随机场、迁移学习、集群智能等。
应用实例:除了代替人类执行重复性的劳动之外,在诸多实际问题的处理中,人工智能也提供了有意义的尝试。学习人工智能技术在几类实际任务中的应用,包括计算机视觉、语音识别、对话系统等。