【人工智能学习笔记】初识人工智能_青岛大学人工智能课笔记

---

前言

本文是我学习人工智能课程的学习笔记，主要供自己以后温故知新，在此梳理一遍也算是二次学习。如对您有所帮助，不甚荣幸。初学人工智能，若所言有误，十分欢迎指正。如有侵权，请联系作者删除。

---

一、人工智能的定义

人工智能（AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

二、人工智能的应用

人工智能已经逐步渗透到生产生活中的方方面面，无论是医疗、教育、交通、物流，还是传统生产制造、金融、农业甚至是军事、游戏，人工智能的身影无处不在，并发挥着越来越重要的作用。

人工智能的四个主要组成部分是：

• 专家系统：作为专家处理正在审查的情况，并产生预期或预期的绩效。
• 启发式问题解决：包括评估小范围的解决方案，并可能涉及一些猜测，以找到接近最佳的解决方案。
• 自然语言处理：在自然语言中实现人机之间的交流。
• 计算机视觉：自动生成识别形状和功能的能力

工业中，运用的比较广的主要有以下方面：

1、计算机视觉技术

• 安防：人脸闸机、小区监控
• 金融：刷脸支付、柜台的自动票据识别
• 医疗：医疗影像诊断
• 工业生产：产品缺陷自动检测
• 交通：车牌识别、道路违章抓拍
• more···

2、自然语言处理

• 机器翻译：消除语言的屏障
• 信息提取：关键信息提取
• 语言生成：自动摘要
• 文本分类：归类管理
• 智能问答：-
• 情感分析：识别文本表达态度

3、其他具体应用举例

智能搜索、智能推荐、翻译机、语音助手；
智能制造：元器件识别、数数、缺陷检测
智慧城市：行人识别、刷脸支付：
交通：违章行为识别、牌照识别；
物流：拍照识别订单数据；
智慧农业：农产品识别、成熟度识别；
智慧医疗：识别癌细胞所在位置、CT智能检测识别、视网膜检测；
智慧金融：发票图片信息识别、财报信息快速识别、数据分析；
新闻：语义分析；
机器阅读理解、图像人形分割；
强化学习方面：智能机器人、游戏中的AI
机械手臂、智能驾驶等等

三、AI算法工程师主要工作流程

总的来说就是：输入数据->特征提取->设计算法、建模->模型调优->预测

四、人工智能的基本概念

人工智能领域主要有以下几个概念：人工智能、机器学习、强化学习、有监督学习、无监督学习、深度学习、深度强化学习。

机器学习

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

机器学习按照学习方式可以分为：有监督学习、无监督学习、强化学习。

有监督学习 VS 无监督学习

有监督学习的工作流程：

无监督学习的工作流程：

强化学习

强化学习是机器学习领域之一，受到行为心理学的启发，主要关注智能体如何在环境中采取不同的行动，以最大限度地提高累积奖励。
强化学习主要由智能体（Agent）、环境（Environment）、状态（State）、动作（Action）、奖励（Reward）组成。智能体执行了某个动作后，环境将会转换到一个新的状态，对于该新的状态环境会给出奖励信号（正奖励或者负奖励）。随后，智能体根据新的状态和环境反馈的奖励，按照一定的策略执行新的动作。智能体通过强化学习，可以知道自己在什么状态下，应该采取什么样的动作使得自身获得最大奖励。由于智能体与环境的交互方式与人类与环境的交互方式类似，可以认为强化学习是一套通用的学习框架，可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法。

深度强化学习

顾名思义：就是用强化学习的基础上，丢给机器人一个神经网络。

深度学习VS机器学习

人工智能不同的发展阶段：

我们将机器学习中各种算法，以精确度和可解释性为轴绘图：

NN：神经网络；SVM：支持向量机；Boosting:提升方法；Bagging：引导聚集算法；Graphical model：概率图模型；Decision Tree：决策树；Naive Bayes：朴素贝叶斯；Logistic：逻辑回归；Lasso算法（英语：least absolute shrinkage and selection operator，又译最小绝对值收敛和选择算子、套索算法）；Linear Regression:线性回归；Classification:分类算法

深度学习相比于机器学习的优势：
1、是更端到端的学习方式
2、可以学习如何更好提取特征（神经网络）
3、可以解决更复杂的问题

五、机器学习任务的本质

这一节，主要讲有监督学习和无监督学习任务的本质。强化学习另外篇幅讨论。

回归 Regression

本质：拟合历史已有的数据，根据拟合出来的函数走势预测未来
目标：预测 -inf 到 +inf 之间具体的值，连续值
应用：股票预测、房价预测

分类 Classification

本质：找到分界，根据分界对新来的数据进行分类
目标：对新的数据预测出属于各个类别的概率，正确的类别概率越大越好
最后通过选择概率最大的类别为最终类别，类别号是离散值
应用：图像识别、情感分析、银行风控

聚类 Clustering

本质：根据样本和样本之间的相似度归堆
目标：将一批数据划分到多个组
应用：用户分组、异常检测、前景背景分离

降维 Dimensionality Reduction

本质：去掉冗余信息量或噪声
目标：将数据的维度减少
应用：数据的预处理、可视化、提高模型计算速度

看过《三体》的朋友们，来想象一下刘慈欣笔下，地球被二象箔击中后二象化的场景，基本就是上面这张图的效果~