首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

和 AI 的约会

离2018 15天

-------

关键词:人工智能 机器学习

故事起源于公元2017年12月15日的一个下午,在无尽星空中的某个星球,erliang突然接收到了来自遥远的其他未知星球的一份用星际通用语写成的公告:

于是在这个晚上erliang做了一个梦,梦见自己画了一幅身披战甲的小男孩...

第二天早上醒来,erliang将自己的梦放进“马蹄声声渐起”的口袋中进行解析,随即伴随着一首奇妙的背景音乐在空中浮现了下面的内容

AI是什么?

“人工智能(AI)”这个词最早是由达特茅斯大学助理教授JohnMcCarthy在1956年提出,这是一种“可以制造出智能的机器,尤其是智能的计算机程序的科学和工程”。虽然AI的概念已经诞生了很早,但是由于之前受到技术、硬件以及数据等因素的限制,一直都没有发展起来。

所谓的智能指的是能够处理各种复杂的活动,比如说在医学诊断中,症状往往涉及到数千种数据的集合和大量的变量之间的非线性关系,要能够让这些大量数据之间的非线性关系在机器中处理然后确定并解决各种症状;又比如说在图像识别中,我们眼中看到的N维图像,需要通过编写一系列规则,转化成一系列的特征值,进而去描述人的外观。

要搞定这么复杂的工作,怎么办呢?这就需要进行数据优化和特征(feature)规范,而怎样才能进行数据优化和特征规范呢?这就是人工智能领域解决方法去处理的问题,先用下面这个图来列举人工智能解决方法及相互之间的关系

机器学习(ML)是AI的一个子集,机器学习的这些算法就是用来处理我们遇到的沉重工作或者是复杂问题的,AI分支的先驱ArthurSamuel在1959年曾经写到,机器学习是“一种能够让计算机在无须进行有针对性的编程情况下,自行获得学习能力的学科领域。”

下面将大概介绍深度学习、监督学习、无监督学习和强化学习

深度学习,通过计算机组成一个“神经网络”,接受输入,对输入的内容进行分析进而做出判断,并了解自己的判断是否正确。如果输出结果是错误的,将由算法对神经元之间的连接进行调教,进而改变后续的预测,神经网络可通过组织整理呈现为多层次神经元,其中“输入层”负责接收将由网络处理的信息,例如一组图片,“输出层”负责提供结果,输入和输出层之间还有“隐藏层”,大部分活动均在这一层中发生,假设要识别图片中的人脸,将数据装入神经网络后,第一层负责识别局部对比模式,例如图片边缘,这是一种“底层”特征,随着图片在整个网络中流动,逐渐提取出“高层”特征,例如从边缘到鼻子,再从鼻子到面孔,然后就是整张脸,进而完成整张图片的识别。

监督学习,就是人们常说的分类,通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对未知数据进行分类的能力。而这个所谓的训练,就是好像我们人类学习认识一个事物一样,我们通过看各式各样、各种品种的猫的图片或实体,然后训练出看到下面的图,我们就知道,哦,最右侧的这个小动物是猫,而不是兔子。

无监督学习,其目的是去对原始资料进行分类,以便了解资料内部具体结构。它的特点是仅提供输入范例,而算法会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后,也可以将之应用到新的案例上,比如下图所示,在没有任何提示(无训练集)的情况下,将图片中的小图标进行分类,非监督学习其实就是实现在不知道数据集分类的情况下在数据中寻找特征。

强化学习,最简单的理解就是在训练的过程中,不断的去尝试,错了就扣分,对了就奖励,由此训练得到在各个状态环境当中最好的决策。

当然以上的几种学习方法都只是对方法论的一个简单的介绍,具体的实现在这里就不做过多阐述,从以上的介绍也可以看到机器学习的一个特性就是机器学习都是需要通过喂大量的数据来给算法进行训练才能得到最终一个近似完全正确的结果的

机器学习能带来数量众多、意义重大的收益,很多收益我们从现在的发展就可以看见,比如在这篇文章其实,我们的生活在被慢慢的强行闯入中提到的机器人,比如机器之眼中提到的人脸识别,以及其他新的人机交互方式等,还有一些收益虽然不那么明显,但也能够在日常业务流程和消费者服务提供更强大的能力和效率。

专家系统是指一类具有专门知识和经验的计算机智能程序系统,通过对人类专家的问题求解能力的建模,采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题,达到具有与专家同等解决问题能力的水平

知识表示是对知识的一种描述,或者说是一组约定,一种计算机可以接受的用于描述知识的数据结构。对知识进行表示的过程就是把知识编码成某种数据结构的过程。

AI到现在才变得逐渐的成熟并且在部分行业领域实际落地是有原因的,这些原因包括但不限于近年来算法有了非常大的改进,硬件能力也有了很大的提升如图形处理器(GPU)的产生,数据的数量级和可用性的发展以及云计算的普及和技术的开源,这些时代的发展所带来和造就的。

到此AI的介绍大致完成,我们也不妨畅想未来:未来的人工智能产品可能是什么样的呢?是否可以有这样一个场景:计算机去学习小孩子的表情,学习小孩子的行为,然后将这些表情行为都记录下来,然后和我们已经知道行为表情代表的意义进行比较分析,是否就能够知道小孩子当前的一个心里或者生理状态呢?是否也能分析小孩子的兴趣和特长进而针对性的让小孩子有更好的发展呢?相信未来的这些都不会很远。

当技术不再是边界,当我们用产品去解决实际中遇到的问题,当我们拥有无边的想象力,画中的小孩,就已经长成了他心中的铠甲勇士。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20171217G0A92500?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券