人工智能、机器学习简述_symbolic ai
赞
踩
人工智能、机器学习简述
人工智能的简洁定义：将通常由人类完成的智力任务自动化。
另一种广为接受的说法是：通过机器来模拟人类认知能力的技术。例如：输入一张手写数字的图片，机器能像人一样识别是什么数字。
人工智能的发展
符号主义人工智能(symbolic AI)
- 特点：编制规则处理知识
- 主流范式：专家系统(expert system)
- 缺点：难以给出明确的规则解决复杂、模糊的问题，如：图像识别、语言翻译。于是出现了一种新的方法来替代符号主义人工智能，这就是机器学习（machine learning）。
机器学习(Machine Learning)
机器学习的概念来自于图灵的这个问题：对于计算机而言，除了“我们命令它做的任何事情”之外，它能否自我学习执行特定任务的方法？计算机能否让我们大吃一惊？如果没有程序员精心编写的数据处理规则，计算机能否通过观察数据自动学会这些规则？
- 特点：机器学习系统是训练出来的，而不是明确地用程序编写出来的。将与某个任务相关的许多示例输入机器学习系统，它会在这些示例中找到统计结构，从而最终找到规则将任务自动化。
- 结构：
- 输入数据点：语音识别中，数据点可能是记录人们说话的声音文件；为图像添加标签，那么数据点可能是图像。
- 预期输出的示例：语音识别任务中，输出示例可能是人们根据声音文件整理生成的文本；在图像标记任务中，预期输出可能是“狗”、“猫”之类的标签。
- 衡量算法效果好坏的方法：计算算法的当前输出与预期输出的差距。衡量结果作为一种反馈信号，也就是一种学习
- 核心问题：机器学习和深度学习的核心问题在于有意义地变换数据。换句话说，在于学习输入数据的有用表示(representation)——这种表示可以让数据更接近预期输出。
表示是以一种不同的方式来查看数据（即表征数据或将数据编码）。例如彩色图像可以通过RBG数值来表示
符号主义和机器学习的区别
- 在经典的程序设计（即符号主义人工智能的范式）中，人们输入的是规则（即程序）和需要根据这些规则进行处理的数据，系统输出的是答案。
- 利用机器学习，人们输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案。
分类任务–理解机器学习
图中有一些白点和一些黑点。假设我们想要开发一个算法，输入一个点的坐标 (x,y)，就能够判断这个点是黑色还是白色。在这个例子中：
输入是点的坐标；
预期输出是点的颜色；
衡量算法效果好坏的一种方法是，正确分类的点所占的百分比。
这里我们需要的是一种新的数据表示，可以明确区分白点与黑点。可用的方法有很多，这里用的是坐标变换。
在这个新的坐标系中，点的坐标可以看作数据的一种新的表示。利用这种新的表示，用一条简单的规则就可以描述黑 / 白分类问题：“x>0的是黑点”或“x<0 的是白点”。这种新的表示基本上解决了该分类问题。在这个例子中，我们人为定义了坐标变换。但是，如果我们尝试系统性地搜索各种可能的坐标变换，并用正确分类的点所占百分比作为反馈信号，那么我们做的就是机器学习。机器学习中的学习指的是，寻找更好数据表示的自动搜索过程。
另一种分类方法是：像上图（1）所示那样建立直角坐标系，构造一个线性函数，计算各点到线的距离从而不断修正函数，以达到预期输出
所有机器学习算法都包括自动寻找这样一种变换：这种变换可以根据任务将数据转化为更加有用的表示。
机器学习的技术定义：在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示。
本文摘抄自《Python深度学习》(弗朗索瓦·肖莱)
因为作者刚刚接触深度学习，对于这方面知识的理解较不深入，希望随着学习的深入能有更多自己的理解。
如有错误，请读者及时告知，谢谢
