人工智能基础知识（2）

截止上一篇的内容补全，两篇内容只是个概览！

章节目录：

数学方面的基础知识

机器学习相关内容

人工神经网络

深度学习

神经网络应用

另类的人工智能

人工智能的应用

（四）深度学习

深度学习概述

深度学习是利用包含多个隐藏层的人工神经网络实现的学习。

深度前馈网络

深度前馈网络是具有深度结构的前馈神经网络，可以看成是进化版的多层感知器。深度前馈网络具有更多的隐藏层数目，从而具备了更强的特征提取能力。

深度学习中的正则化

正则化作为抑制过拟合的手段，是机器学习和深度学习中必不可少的环节，具有很重要的地位。

正则化是一类通过显式设计降低泛化误差，以提升算法通用性的策略的统称。

深度学习中的优化

优化也是深度学习需要掌握的一个核心问题，由于深度神经网络中的隐藏层数目较多，因而将整个网络作为一个整体进行优化是非常困难的事情，需要花费大量的资源，出于效率和精确性的考虑，在深度学习的优化上需要使用专门的技术。

自编码器

自编码器是一类执行无监督学习任务的神经网络结构，它的目的是学习一组数据的重新表达，也就是编码。

深度学习强化

强化学习实质上是智能系统从环境到行为的学习过程，智能体通过与环境的互动来改善自身的行为，改善准则是使某个累积函数最大化。

深度强化学习是深度学习和强化学习的结合，有望成为实现通用人工智能的关键技术。

（五）深度学习-神经网络

深度信念网络

深度信念网络是一种概率生成模型，能够建立输入数据和输出类别的联合概率分布。

深度神经网络的通用训练方式是无监督逐层预训练和有监督微调的结合。

卷积神经网络

卷积神经网络指的是至少在某一层用卷积运算来代替矩阵乘法的神经网络。卷积是对两个函数进行的一种数学运算。

循环神经网络

循环神经网络引入来时间的维度，因而适用于处理时间序列类型的数据。

循环神经网络是具有记忆的神经网络。

生成式对抗网络

这是一类在无监督学习中使用的人工智能算法，由两个在零和游戏框架下相互竞争的神经网络实现。

生成式对抗网络里的两个玩家一个叫生成器，一个叫判别器，均可以采用深度神经网络实现，这两者之间的对抗就是网络训练的主旋律。

生成式对抗网络的一个重要的潜在应用就是让人工智能在没有明确指导的情况下学习，是算法的学习方式向人类的学习方式转变。

长短期记忆网络

一类可以持续很长时间的短期记忆模型。

（六）另类的人工智能

概率图模型

概率图模型也叫结构化概率模型，是用图论表现随机变量之间的条件依赖关系的建模方法。典型的概率图模型包括贝叶斯网络和马尔可夫随机场，分别对应着有向图模型和无向图模型。

集群智能

集群智能的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某些功能，完成某些任务。

迁移学习

迁移学习是运用已学习的知识来求解不同但相关领域问题的新的机器学习方法，目的是让机器学会学习。

迁移学习有助于算法处理全新场景下的问题，利用一般化的规律去应对富于变化的环境。

（七）人工智能的应用

计算机视觉

语音处理

对话系统

机器翻译