人工智能相关的专业名词概览_人工智能100个专有名词
赞
踩
人类研究计算机的目的，是为了提高社会生产力水平，提高生活质量，把人从单调复杂甚至危险的工作中解救出来。
人工智能
人造的“人”，所以是人工，又因为是“人”，所以称其“智”。23333
所以其实这个领域就是研究如何使计算机来做本来只有人才能做的智能工作，比如听说读写的能力。
并非只有生产出来的机器人才可以称之为人工智能，机器人只是人工智能的一种载体，人工智能不一定通过机器人去展现。没有用到人工智能技术的机器人依然是机器人，但不是智能机器人；将感知、规划等技术塞入机器人的脑袋后才能称为智能机器人。所以像自动驾驶、苹果手机的Siri等都可以称之为人工智能。【研究人工智能不用过多的考虑载体问题】
AI的生产存能力：
- 图片中的信息整理自：https://zhuanlan.zhihu.com/p/25166293 ；与此同时，进行了一些扩展。
一张关系图：
机器学习
机器学习也被称为统计学习方法，顾名思义，机器学习中的大部分学习算法都是基于统计学原理的。
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。【一个不具有学习能力的智能系统难以称得上是一个真正的智能系统】
- 在计算速度上计算机已经远远超过了人，然而在很多方面，特别是在人类智能活动有关的方面例如在视觉功能、听觉功能、嗅觉功能、自然语言理解能力功能等等方面，还不如人。
- 这种现状无法满足一些高级应用的要求。例如，我们希望计算机能够及早地发现路上的可疑情况并提醒汽车驾驶员以避免发生事故，我们更希望计算机能帮助我们进行自动驾驶。这个时候，我们就需要机器学习来帮助我们了（从而赋予机器自己学习的能力）。机器如何“自己学习”？它需要的不是课本知识，而是足够多的数据 —> 大数据技术 | 数据挖掘。
- 任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归(Linear Regression)、K均值(K-means，基于原型的目标函数聚类方法)、决策树(Decision Trees，运用概率分析的一种图解法)、随机森林(Random Forest，运用概率分析的一种图解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支持向量机)以及ANN(Artificial Neural Networks，人工神经网络)。
深度学习
从函数的角度理解机器学习、深度学习：
- 通俗来说，机器学习是⼀⻔讨论各式各样的适⽤于不同问题的函数形式，以及如何使⽤数据来有效地获取函数参数具体值的学科。深度学习是指机器学习中的⼀类函数，它们的形式通常为多层神经⽹络。例如，我们使⽤⼀个⼆次函数来判断图像中是否有猫，但是像⼆次函数系数值这样的函数参数的具体值则是通过数据来确定。
- 机器学习研究如何使计算机系统利⽤经验改善性能。它是⼈⼯智能领域的分⽀，也是实现⼈⼯智能的⼀种⼿段。在机器学习的众多研究⽅向中，表征学习关注如何⾃动找出表示数据的合适方式，以便更好地将输⼊变换为正确的输出，而本书要重点探讨的深度学习是具有多级表⽰的表征学习⽅法。在每⼀级（从原始数据开始），深度学习通过简单的函数将该级的表⽰变换为更⾼级的表⽰（逐级表⽰越来越抽象的概念或模式）。因此，深度学习模型也可以看作是由许多简单函数复合而成的函数。当这些复合的函数⾜够多时，深度学习模型就可以表达⾮常复杂的变换。
深度学习源于人工神经网络的研究。深度学习是机器学习中神经网络这种算法，添加多个隐藏层，就是深度学习了。【Deep means many hidden layers. 所谓深度学习，就是具有很多个隐层的神经网络。】
【神经网络】
生物神经网络：
生物神经元的信息处理流程简单来说是先通过本神经元的树突接收外部神经元传入本神经元的信息，这个信息会根据神经元内定义的激活阈值选择是否激活信息，如果输入的信息最终被神经元激活，那么会通过本神经元的轴突将信息输送到突触，最后通过突触传递至与本神经元连接的其他神经元。
人工神经网络：
- M-P模型：一个经典的人工神经元模型。
- 单层感知机：一种具有单层计算单元的神经网络模型。它在结构上和M-P模型极为相似，不同之处是感知机被使用的初衷是解决数据的分类问题，因为感知机本身就是一种能够进行二分类的线性模型。
- 多层感知机：多层感知机和单层感知机的最大区别是多层感知机在它的输入层（Input Layer） 和输出层（Output Layer） 之间加入了新的网络层次，这个新的网络层次叫做隐藏层（Hidden Layer），我们能够自定义隐藏层的层次数量，层数通常会是一层或者多层。同时，多层感知机具备了一种后向传播能力（可简单的把后向传播理解为多层感知机模型进行自我学习和优化的一种方法）。
机器学习并不能真正使机器变得智能，应用了神经网络的深度学习才能使机器真正变得智能。
- 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
- 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。
- AI、机器学习、深度学习：https://blog.csdn.net/dukai392/article/details/70271574
模式识别
模式识别的两个重要方面：对光学信息(通过视觉器官来获得)的识别、对声学信息(通过听觉器官来获得)的识别。
模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类(Supervised Classification)和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。
研究方法：
（1）决策理论方法：又称统计方法(机器学习)。①被识别对象首先数字化，变换为适于计算机处理的数字信息。②在数字化环节之后通常还进行预处理，用于除去混入的干扰信息并减少某些变形和失真。③随后是进行特征抽取，即从数字化后或预处理后的输入模式中抽取一组特征。特征抽取过程将输入模式从对象空间映射到特征空间。④特征抽取后可进行分类，即从特征空间再映射到决策空间。这时，模式可用特征空间中的一个点或一个特征矢量表示。这种映射不仅压缩了信息量，而且易于分类。
（2）句法方法：又称结构方法或语言学方法。基本思想是把一个模式描述为较简单的子模式的组合，子模式又可描述为更简单的子模式的组合，最终得到一个树形的结构描述，在底层的最简单的子模式称为模式基元。【在句法方法中选取基元的问题相当于在决策理论方法中选取特征的问题。】模式以一组基元和它们的组合关系来描述，称为模式描述语句，这相当于在语言中，句子和短语用词组合，词用字符组合一样。基元组合成模式的规则，由所谓语法来指定。一旦基元被鉴别，识别过程可通过句法分析进行，即分析给定的模式语句是否符合指定的语法，满足某类语法的即被分入该类。
（3）统计模式识别：基本原理是:有相似性的样本在模式空间中互相接近，并形成"集团"，即"物以类聚"。其分析方法是根据模式所测得的特征向量Xi=(xi1，xi2，…，xid)T(i=1，2，…，N)，将一个给定的模式归入C个类ω1，ω2，…， ωc中，然后根据模式之间的距离函数来判别分类。其中，T表示转置;N为样本点数;d为样本特征数。统计模式识别的主要方法有:判别函数法，近邻分类法，非线性映射法，特征分析法，主因子分析法等。如贝叶斯决策规则、BP神经网络、支持向量机(SVM)。
模式识别可用于文字和语音识别、遥感和医学诊断等方面。
计算机视觉
计算机视觉大致分为信息的收集（如摄像头、现有图片等）、信息的分析和信息的处理三部分内容。承担图像信息分析和处理任务的就是计算机视觉的核心算法。目前进行图像信息分析和处理的核心算法都采用了深度学习方法，通过这些核心算法能够处理很多计算机视觉上的问题，比如图片分类、对图像中目标的定位和语义分割，等等。
教会机器如何像人一样来“看”这个世界；从一些列图像、视频中自动提取、分析和理解有用的信息。
在使用深度学习方法解决计算机视觉问题的过程中，用的最多的网络架构是一种叫做卷积神经网络（Convolutional Neural Network） 的模型。卷积神经网络是人工神经网络的升级，是科学家通过模拟人类大脑的工作原理而发明的。人们发现人工神经网络模型能够很好地提取输入图像中的重要特征，而卷积神经网络在图像特征提取方面具有更明显的优势。
①通过使用深度学习模型解决图品分类问题（有点像非监督学习）；
②通过学习总结的方式解决物体识别分类问题（像监督学习）。
计算机视觉、图像处理、模式识别：http://www.duozhishidai.com/article-4119-1.html
数据挖掘(Data Mining)
从海量数据中“挖掘”隐藏信息。【按照教科书的说法，这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”，信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。】
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
