人工智能基本概念_人工智能的基本概念

一、人工智能分类

人工智能是想让机器跟人一样进行学习、理解、分析、决策等智能思想行为，会涉及到听、说、读、写、行动等方面的能力。

1、弱人工智能

某一方面的人工智能，比如图像识别中的人脸识别，只能识别人脸，其他图像无法识别，更别说语音、文字识别啦；再比如AlphaGo只限于围棋，其他的一概不知......目前的人工智能大都处于这个阶段。

2、强人工智能

强人工智能理解理解为能正常与人类匹敌，不仅仅会人脸识别、下围棋，还可以听说读写等，元宇宙的虚拟人就得依赖强人工智能。

3、超人工智能

超人智能，便是比人类更胜一筹，不仅仅能处理好日常生活，还能上知天文、下知地理，或者说它能是各个方面的专家，它的记忆力强能内存大，依靠庞大的知识体系，很多未解之谜获取可以靠它们来回答。但如果机器比人类还聪明，那人类将会何去何从？是个问题，但或许我们有生之年也不会碰到这个问题，就先别杞人忧天啦~

二、人工智能流派

行为主义人工智能

这是自动化专业同学的领域，强调由感知（目前还是控件操作）到执行动作，人洗衣机、机械臂、智能家居等。现在不怎么流行，处于不温不火的状态。

符号主义人工智能

也就是专家系统（或者说知识系统Knowledge graph ），是一个存数据、查数据的图数据库。把知识符号化，通过边（关系）把各个节点（事物）联系起来，广泛运用于搜索引擎领域，现在也不怎么流行，应用场景有限。

连接主义人工智能

是目前比较流行的流派，主要是神经网络以及神经网络的连接机制，或者可以理解成一堆算法和模型 + 数据 去获取特征并得到分类或回归的结果。

三、人工智能范畴

狭义的人工智能是指机器学习和深度学习（属于连接主义）。

1、机器学习

简单一点理解，机器学习 = 手动规则 + 数据（数聚量相对小），相对深度学习，机器学习有一定的可解释性，与科学范畴有点关系。

机器学习有：

1.1、KNN：K 个 Nearest Neighborhood  K个最近邻居，K近邻

1.2、Kmeans  ： K均值

1.3、PCA：主成分分析，也叫降维分析

1.4、朴素贝叶斯：在文本分类领域很受用，涉及到概率问题

1.5、支持向量机：低维空间解释不通的问题，放到高维空间去

1.6、决策树：可解释强

1.7、集成学习：三个臭皮匠、胜过一个诸葛亮

。。。

上面列举的是曾火于一时的机器学习算法，现在基本都被深度学习所取代。但机器学习的思维想法是值得学习的，后面将会有详细的介绍，需要一点数学思维。

2、深度学习

简单一点理解，深度学习 = 神经网络 + 数据

没有数据，深度学习就啥有也干不了，数据量小，泛化能力差，或者过拟合，都是经常存在的问题。

深度学习有3个重要的网络：

2.1、循环网络：提取序列特征

2.2、卷积网络：提特征

2.3、全连接网络：神经网络的最终输出，等级于机器学习

四、人工智能解决问题的套路

人工智能，尤其是深度学习，就是一个黑盒子，想弄清楚其中的实现逻辑才做事的思维，是行不通的，所以深度学习对口型最重要。业界有一句看口头禅：口型对得好，基本错不了。所以在解决问题之前，先整理好对应步骤和各节点数据：

1、输入和输出是什么

2、构建数据集

3、模型训练

4、模型部署

5、模型预测

五、机器学习库

python的第三方库，python是一个大框架，可以加载很多第三方库来方便操作，对机器学习库感兴趣的同学也自行搜索学习，这里简单介绍几个比较常用的库：

1、numpy，业界有依据口头禅：铁打的numpy，流水的各种框架，numpy把复杂的计算问题简单化，性能也提升了几十倍；

2、sklearn(Sci-kit-learn)：有很多包，如后面学习的KNN的框架都是从这里下载；

3、Pandas：表格计算思维，和适合于数据分析的同学

六、人工智能解决的问题/任务

1、分类

前面已经贴好标签，利用模型去判断目标检测体属于哪种标签的概率。如人脸识别，你是张三或李四，后台已经存有你的人脸照片，新人脸出现时，主要去跟后台存好的图像做对比就行，看跟谁更像一些。

2、回归

也就是给出一个答案，分类有特定个数的标签，检测物体去跟圈定好的分类最对比就行，而回归是没有确定个数的标签，而是要给出一个“最为理想”的答案，如房价预测。

3、聚类

分类和回归都是由标签的，而聚类没有标签，需要机器自己去找标签，聚类算法很多时候是用来找标签的。

有标签的模型（分类和回归）的效果相对没有标签的模型会好些，但是成本会高很多，需要人工去打标签。

七、机器学习方式

1、有监督学习

有数据、有特征

跟学生开始一样，有明确答案，最后的考核结果是看你与目标答案（特征）的差距。主要应用于分类任务和回归任务

2、无监督学习

有数据、无特征

就跟科学研究一样，没有明确答案，只能是一步步去探索，事情的好坏只能用上帝的视觉去评论。主要应用于聚类任务。

3、半监督学习

字面意思，包好有监督学习和无监督学习，对这块感兴趣的同学可自行搜索学习。

八、数据切分

正式工程中一版会涉及到训练集、验证集与测试集，它们的比例大概为：（3：1：1），而实际开发可能指涉及到训练集与测试集（实际是验证集），比例大概为（4：1）。

训练集是用来训练模型的，数聚量少容易过拟合，模型的泛化能力差；

验证集是用来验证模型效果的，一般是工程师自己来验证下模型的训练效果；

测试集是给客户或测试人员来验证模型效果的，与验证集差不多，如果直接用正式环境来验证。就不需要该部分数据

这三种数据互不交叉，实际开发中，工程师会用到训练集和验证集，但大家习惯叫该“验证集”为“测试集”，只是大家习惯的称呼，没有对错之分，大家意会就是。