偷个懒,直接贴上目录的思维导图。
人工智能基础 (高中版).png
1950 年,艾伦.图灵 (Alan Turing) 在他的论文《计算机器与智能》 ( Compu- tmg Machinery and Intelligence) 中提出了著名的图灵测试 (Turing test)
图灵.png
1956年,美国的达特茅斯学院讨论会。 这次会议提出:
"学习和智能的每一个方面都能被精确地描述, 使得人们可以制造一台机器来棋模拟它 。”
这次会议为这个致力于通过机器来模拟人类智能的新领域定下了名 字一一人工智能 ( Artificial Intelligence, AI) , 从而正式宜告了人工智能作为 一门学科的诞生。
人工智陛的诞生-达恃茅斯会议.png
麻省理工学院的约瑟夫· 维森鲍姆 (Joseph Weizen-haum) 教授在 1964 年到 1966 年间建立了世界上第一个自然语言对话程序 ELIZA。 ELIZA 通过简单的模式匹配和对话规则与人聊天。
ELIZA.png
进人80年代 , 由千专家系统(expert system)和人工神经网络(artific1al neural 专家系统是一种基于一组特定规则来回答特定领域问题的程序系统 。
与此同时 . 人工神经网络的研究也取得了重要进展 。
反向传播算法(backpropagation)可以在神经网络的隐藏层中学习到对输入 数据的有效表达 。从此 , 反向传播算法被广泛用于人工神经网络的训练。
在新一 次人工智能浪潮兴起的同时, 日本通商产业省在1982年雄心勃勃地开始 了旨在建造 “ 第五代计笢机" 的大型研究计划。
经过了10年研发 , 耗费了500亿日元 , 这个项目末能达成预期的目标。 到了80年代后期 , 产业界对专家系统的巨大投入 和过高期望开始显现出负面的 效果。 人们发现这类系统开发与维护的成本高昂 , 而商业价值有限。在矢望情绪的影 响下 , 对人工智能的投入被大幅度削减 , 人工智能的发展再度步入冬天 。
进入了 21 世纪
2012年一次全球范围的图像识别算法竞赛ILSVRC (也称为ImageNet挑战赛)。
多伦多大学开发的一个多层神经网络 Alex Net取得了冠军, 并大幅度超越了使用传统 "一各学习算法的第二名。
这次比赛的成果在人工智能学界引起了广泛的震动。
从此,多层神经网络为基础的深度学习被推广到多个应用领域, 在语音识别、图像分析、 视频埋解等诸多领域取得成功。
2016年,谷歌 (Google) 通过深度学习训练的阿尔法(AlphaGo) 4 : 1 战胜了曾经的围棋世界冠军李世乭(石)。
它的改进版更在2017年战胜了当时世界排名第一的中国棋手柯洁。
人工智能是通过机器来拱拟人类认知能力的技术
人工智能涉及很广,涵盖了感知、学习、推理与决策等方面的能力 。从实际 应用的角度说,人工智能最核心的能力就是根据给定的输人做出判断或预测 。 比如 :
当代的人工智能普 遍通过学习 (learning) 来获得进行预测和判断的能力。 这样的方法被称为机器学习 ( machine learning) , 它已经成为入工智能的主流方法 。
学习.png
分类.png
感知器 (perceplron) 是一种训练线性分类器的算法。
支持向量机 (support vector machine, SVM) 是在特征空间上分类间隔最大的分类 ,与感知器一样,是对两个类别进行分类。
一个深度神经网络通常由多个顺序连接的层 (layer) 组成。 第一层一般以图像为输入 , 通过特定的运算从图像中提取特征。 接下来每一层以前一层提取出的特征榆 人,对其进行特定形式的变换 , 便可以得到更复杂一些的特征。 这种层次化的特征提 取过程可以累加,赋予神经网络强大的特征提取能力。经过很多层的变换之后 , 神经 网络就可以将原始图像变换为高层次的抽象的特征 。
深度神经网络.png
卷积.png
当一个深度神经网络以卷积层为主体时 , 我们也称之为卷积神经网络 (convolutional neural network) 。
AlexNet神经网络结构示意图.png
过拟合和欠拟合.png
点在连续 L帧内的运动轨迹.png
时序分段网络示急图.png
K 均值聚类.png
层次聚类.png
参考:《人工智能基础(高中版)》