苹果维修点

您现在的位置是:首页 > 技术前瞻 > 人工智能

人工智能

什么是人工智能?

2019-08-27 21:08:42 人工智能
  2018年被称为人工智能爆发的元年,人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面,带来生产效率及生活品质的大幅提升。人工智能红利时

  2018年被称为人工智能爆发的元年,人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面,带来生产效率及生活品质的大幅提升。人工智能红利时代开启,资本、巨头和创业公司纷纷涌入,将人工智能拉到了信息产业革命的风口。

  目前社会上对人工智能的看法存在两个误区:一是人工智能技术尚处于早期发展阶段,能做得有意义的事情不多,因此不需要现在就去做很多准备;二是把人工智能夸大成有一天会控制人类,甚至令人类濒临灭亡。

  虽然人工智能面临新的理论颠覆旧有理论的不确定性,以及人像识别漏洞、算法歧视等社会安全和伦理挑战,但人工智能更多地意味着未来的发展机遇,只有拥有客观、理性、清晰的认知才能主动拥抱新时代。

  人工智能:一门利用技术模拟人类智能的综合学科

  当今的人工智能技术以机器学习,特别是深度学习为核心,在视觉、语音、自然语言等应用领域可以显著提升人类效率,快速完成识别和复杂运算。此外,面对开放性问题,人工智能技术也可通过穷举计算找到人类预料之外的规律和关联。

  目前,人工智能的定义主要集中于对人类思考的模拟以及理性的思考两方面,尚无统一的定义。但从产业发展来看,当前人工智能都是立足于计算机的优势,以人智能的部分特征(如事物分辨、语音对话等)为参照,研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。

  人工智能是一种现代方法:像人一样思考的系统、像人一样行动的系统、理性地思考的系统、理性地行动的系统;

  维基百科:人工智能就是机器展现出的智能

  大英百科全书:人工智能是数字计算机或者数字计算机控制的机器人在执行智能生物体彩有的一些任务上的能力

  百度百科:研究、开发用于模拟、眼神和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学

  德勤:人工智能是对计算机系统如何颠覆那些只依靠人类智慧才能完成的任务的理论研究。例如,世界感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。

  人工智能标准化白皮书:人工智能是利用数字计算机或数字机计算机控制的机器模拟、眼神和扩展人的智能、感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。目前在人工智能领域经常提到的机器学习(ML,Machine Learning)、监督学习(SL, Supervised Learning)、非监督学习(UL, Unsupervised Learning)、半监督学习(SSL, Semi-Supervised Learning)、深度学习(DL,Deep Learning)、强化学习(Reinforcement Learning)、迁移学习(Transfer Learning)、深度神经网络(DNN)、卷积神经网络(CNN,Convolutional Neural Networks)等概念,对于其含义及关系具体说明如下:

  机器学习(ML,Machine Learning):是一门多领域交叉学科,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。简单的来说,就是把大量的数据以及想要的结果同时输入到计算机中,再由计算机输出将数据转换为结果的算法模型。通过机器学习,计算机能够自己生成模型,进而提供相应的判断。工业革命实现的是手工业的自动化,而机器学习实现的则是自动化本身的“自动化”。

  监督学习(SL, Supervised Learning):监督学习是从标记的训练数据来推断一个功能的机器学习任务,是训练神经网络和决策树的常见技术。通过从给定的训练数据集中学习出模型参数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求包括输入输出,也可以说是特征和目标,其中目标是由人标注的。

  非监督学习(UL, Unsupervised Learning):目标不是告诉计算机怎么做,而是让它(计算机)自己去学习怎样做事情。即,提供给计算机的实例是未标记的数据,并由计算机试图找到隐藏的结构,没有错误或报酬信号来评估潜在的解决方案。无监督学习还包括寻求,总结和解释数据的主要特点等诸多技术,使用的许多方法是基于用于处理数据的数据挖掘方法。因为在实际应用中,不少情况下无法预先知道样本的标签,也就是说没有训练样本对应的类别,因而只能从原先没有样本标签的样本集开始学习分类器设计。

  深度学习(DL,Deep Learning):深度学习的全称是“深度神经网络(DNN,Deep Neural Networks)”,其概念源于人工神经网络的研究。通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。本质上是多层次的人工神经网络算法,即从结构上模拟人脑的运行机制,从最基本的单元上模拟了人类大脑的运行机制。

  强化学习(RL, Reinforcement Learning):又称半监督学习、再励学习、评价学习,是一种重要的机器学习方法,在智能控制机器人及分析预测等领域有许多应用。其学习方式上和人类与环境交互的方式非常类似。它在一系列的情景下,通过多步恰当的决策来达到一个目标,实现积累奖励的最大化,而摸索策略的过程即是强化学习。

  迁移学习(TL, Transfer Learning):一般是将拥有大数据量的领域上学习到的东西应用到数据较少的目标领域,实现个性化迁移、举一反三、触类旁通的效果。例如,斯坦福学者使用卫星图像获取的灯光信息来分析非洲大陆的贫穷情况。但迁移学习能在什么领域取得成功仍值得探究。

  卷积神经网络(CNN,Convolutional Neural Networks):是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。根据以上说明,总结人工智能相关术语的关系如下图所示:

  人工智能、机器学习、深度学习、卷积神经网络的关系

什么是人工智能?

  需要注意的是,深度学习与传统机器学习的区别在于:传统机器学习描述样本的特征通常由专家来设计,这称为“特征工程”;深度学习则通过机器学习自身来产生特征,即“特征学习”或“表示学习”。

  传统机器学习与深度学习的区别

人工智能领域

  在数据的“初始表示”(如图像的“像素”)与解决任务所需的“合适表示”相距甚远的时候,传统机器学习就显得无能为力而只能尝试使用深度学习的方法。

赐研手机维修网】文章内容来源:https://m.vip-chn.com/jishu/ai/99.html