人工智能相关概念

​ 人工智能最近几年火的一塌糊涂,以至于我航跟风开了个人工智能学院,今年的暑期训练也换成了人工智能和大数据。在这先记一下入门的概念好了,以后学懂了再写算法。(怎么感觉是个flag….)

#人工智能

​ 人工智能这个概念其实很早就出现了,20世纪50年代就有,但基本上沦为了实验室的白日梦,一直到2012年,都不曾有过什么动静,直到12年以后,随着运算力的迅速提升(特别是GPU)、数据的爆炸式增长,人工智能开始了大爆发。人工智能,顾名思义,就是让机器拥有人一样的智慧,使其达到与人类智慧本质相同的目标,这种叫强人工智能,有点像我们电影里面看到的那种,会思考、有理性、有感情,但凭目前的水平完全做不到强人工智能,目前实现的一般称之为弱人工智能,完成比较简单的、特定的任务。那么人工智能是怎么实现的呢?这就要说到机器学习了。

机器学习

​ 机器学习是实现人工智能的一种方法,简单来说,就是依赖算法,加上大量的数据,不断训练模型,使其拥有一定的预测能力,那么重点就是算法和数据了,近几年,随着PC互联网和移动互联网的巨大成功,数据量暴增。传统算法包括聚类、决策树、贝叶斯分类、支持向量机等等(说白了就是数学,哎!数学废留下了菜鸡的泪水),这些传统算法在某些方面比如指纹识别、人脸检测等已经达到了商业化的要求,但是,再进一步却显得十分艰难,再然后,就有了深度学习。

深度学习

​ 深度学习是从人工智能里边分出来的,因为它太独特了,所以单独拉了出来,具体我也不是特别理解,维基百科是这么定义的:深度学习,是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法,这句话看的我都心累,重点就是用xxx的处理层对数据进行高层抽象。以下这段话摘自知乎:

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

链接

嗯,我先懵逼会儿,慢慢理解吧。我们后期要了解一下一个很著名的深度学习的库——tensorflow.

深度学习目前很红,但也存在一些问题,比如:数据量需求巨大,训练成本很高,有些小需求传统的机器学习算法就能达标,不需要大动干戈。虽然高出其他算法一截,但离模拟人脑还是差的远呢。

有句话怎么说来着,talk is cheap, show me your code. However, math is father.