本篇主要基于慕课的公开课《人工智能实践:Tendosflow笔记》,偏转载性质,原文为:人工智能实践:Tensorflow笔记学习(一)—— 人工智能概述
这两年的人工智能、机器学习、深度学习,炒得火热,相信有些人跟我一样,初听这些名词概念时,并不清楚他们之间有何联系,是否就是同一概念。但其实三者的关系用一张图就可以说明:
人工智能:就是用机器模拟人的意识和思维。
现在常见的消费产品就是:Google的Assistant、微软的Cortana、苹果的Siri、阿里的天猫精灵等。(很明显现在市面上的产品表现的都不算太好,稍稍有点智障的感觉)
机器学习:一种统计学方法,计算机能利用已有的数据得出模型,继而根据模型预测结果。(随着经验的增加,也就是庞大的训练数据,结果会越好)
一个简单的例子就是婴儿学习成长的过程:试想我们要让小孩认识猫,我们绝对不会去维基百科或百度搜索猫的精确定义。我们一定是在生活中看见了一只猫,告诉小孩这是一只猫,经过一段时间的“训练”,小孩的大脑自然得出了一个猫的“模型”,从而自己能分辨出猫。
一个简单的决策树模型:预测班车到达时间问题描述: 每天早上七点半,班车从 A 地发往 B 地,到达 地的时间如何准确预测?
如果你第一次乘坐班车,你的预测通常不太准。一周之后,你大概能预测出班车8:00 左右到达 B 地;一个月之后,随着经验的增加,你还会知道,周一常堵车会晚 10 分钟,下雨常堵车,会晚 20 分钟。于是你画出了如下的一张树状图,如果是周一,还下了雨,班车会 8:30 到达;如果不是周一,也没有下雨,班车会8:00 到达。
深度学习:是深层神经网络,模仿人神经元的工作原理。
首先回忆一下生物学中的单个神经元:
树突具有接受刺激并将冲动传入细胞体的功能,是神经元的输入。这些树突汇总于细胞核又沿着一条轴突输出。轴突的主要功能是将神经冲动由胞体传至其他神经元,是神经元的输出。人脑便是由 860 亿个这样的神经元组成,所有的思维意识,都以它为基本单元,连接成网络实现的。计算机中的神经元模型与之类似,也包含输入、计算、输出功能。
从每个树突接受输入,赋予相应的权值后汇总,最后输出,完成单个神经元的功能。用数学表示就是:
(x表示输入,w表示权值,z就是输出结果)
最后将一层一层的神经元进行连接,即形成了深层神经网络。
【 End 】