从 人工智能学派 视角来看 人工智能算法

前言

当今人工智能的算法纷繁复杂：神经网络、卷积神经网络CNN、遗传算法、进化策略、知识图谱、贝叶斯网络、支持向量机SVM、强化学习、生成对抗网络GAN，自编码器…

如果你把每个算法独立看待简直是眼花缭乱，头都是大的。这次我就带你理理这些算法，有些算法其实是可以归为一类，它们有着共同的本质，事情可以追溯到人工智能各大学派。

想听吗？跟我一起来

论述

人类是这个星球的统治者，是食物链的最顶端。归结原因我们说人类有着智慧、智能，这对其他生物而言望尘莫及，被迫被人类改造。

人类 智慧/智能 太诱人了，怎么这么厉害？为什么？科学家们纷纷去研究人类智慧，试图探求智慧的本质。有些学派就给出了它们研究出的答案。联结主义学派认为人类智能是大量简单神经元（计算单元）通过复杂网络相互连接和交互的结果。符号主义学派认为人类认知过程是对语言符号计算处理的过程，它将智慧定义为对符号按照一定规则计算、处理从而解决任务的能力，人类具备这种能力，以至于厉害非常。行为主义学派则将智能定义为具备面对外部环境做出适应性的行为能力。

各个学派的观点和理论在历史上不同时代被提出，学派之间发生过很多碰撞、争吵、发展甚至融合。它们渴望着人类的智慧，如果能把人类智慧实现出来那该有多好啊。没有办法，它们造不出来人，于是它们纷纷开始了去智能的模拟。它们用不同的手段纷纷实现了人类智能，真了不起。接下来我为大家介绍五个主流的学派，和它们实现手段的根本模式

联结主义

不是说联结主义认为人类智能是大量简单计算单元通过复杂网络相互连接和交互的结果吗？它们是这样想的，也是这样做的。怎么做？就是在计算机上通过大量计算单元相互连接和交互形成的网络结构来模拟人类智能。

它们达到模拟目标的根本模式是：

1.网络结构：先构建起个原始神经网络，它通常由一个输入层、多个隐藏层和一个输出层组成。
2.前向传播：（先开始的神经网络完全没有智能，需要不断训练、练习）。数据从神经网络输入层流入，经过隐藏层的处理，最后从输出层输出结果。生物神经元之间传递有激励作用和抑制作用，信息在隐藏层与隐藏层传递我们用激励函数模仿这种作用。
3.得到差距：损失函数是网络预测值与标准答案的差值，我们用此可以看到智能的差距。
4.误差反向传递：将这些误差信号反向传播到每层网络，更新网络结点中的权重值。于是神经网络预测又离正确答案更近了一点。
5.迭代学习：如此反复从前向传播和反向传递，迭代更新网络中的参数，直到神经网络性能达到满意的水平。

参照着联结主义手段的基本也是根本思想。我们可以把某些人工智能算法归类，代表方法/算法有：深度学习、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）

符号主义

符号主义对认知这样认为，虽然是一种狭隘的探索，但是凭借理论实现的手段却取得了一些成就。既然人类认知就完全是对符号的处理加工过程，机器当然可以胜任，机器完全可以有智慧。符号主义实现手段的核心是使用符号来表示知识（如果天上打雷，那么很可能会下雨。这是知识、也可以说是规则），然后用逻辑推理和规则来处理这些符号以产生新知识。

它通常涉及以下模式步骤：
1.知识表示：将知识编码为一组符号和规则。
2.知识处理：使用推理算法（如前向链推理或后向链推理）来操作这些符号和规则。
3.产生新知：最后推理出的结论，是产生的新知识。

代表方法：专家系统、决策树、知识图谱。

贝叶斯主义

贝叶斯主义将模型的参数看成未知的变量，而贝叶斯主义手段实际上就是解这个参数的过程。手段模式它通常涉及以下步骤：

1.先验信念：根据先前的知识和经验确定一个事件或假设的概率分布。
2.观测数据：收集新的数据或证据。
3.贝叶斯更新：使用贝叶斯定理来计算考虑新证据后事件或假设的概率。
4.决策或预测：使用最大化后验概率的方法求解参数、做出预测
5.迭代学习：随着更多数据的收集，重复进行贝叶斯更新，不断改进对事件或假设的概率估计。

代表方法：贝叶斯网络、隐马尔可夫模型（HMM）、条件随机场（CRF）、概率图模型。

行为主义

行为主义说拥有智能也就是能面对外部环境做出适应性的行为，它们也是模拟这样的智能的。

它有下面这些步骤：

1.感知环境：智能体感知“外部环境”的状态。
2.行为选择：根据当前环境状态和内部状态，选择一个或多个行为来执行。
3.执行行为：执行选定的行为。
4.环境反馈：智能体执行完行为后环境会给予它反馈。
5.行为调整：根据环境反馈，调整行为选择策略，以实现更优的适应性。

代表方法：强化学习、行为树。

演化主义

最后要介绍的学派是演化主义，它们认为智能是长达几亿年自然选择的结果，这不是对智能本质的探索，但是个绝好的达到智能的策略。怎么做？自然环境实际上就是对种群做筛选，让适应环境（这里是表现更好的算法）存活繁衍，不适者淘汰。这个逻辑启发了人们，于是有了演化主义。

它们运用这样手段实现：

1.初始群体：随机生成或设计一组候选算法（个体）。
2.适应度评估：评估每个个体在针对性环境的适应度，即它们在解决问题方面的表现。
3.群体筛选：淘汰掉表现差的算法，优质算法成为了新的优势种群，它们会被更多的“繁衍”。
4.迭代演化：反复这个群体迭代演化的过程。最后找出足够好的算法，它能很好解决问题。

代表方法：遗传算法、进化策略。

总结

本篇博文主要有两个目的，一是让大家了解各个学派实现手段的根本模式，二是组织归类看似零乱的算法。大家可以自己复述下

~ ~ ~ ~ ~

以上就是我本篇想讲的所有内容了，如果这篇文章对你有价值的话，还请点个赞，你的支持对我非常重要！

我是阿航，一位胆大包天、梦想成为大牛的学生~

我们下篇文章接着聊