【机器学习课程】 第一章机器学习概述 1.人工智能

71次阅读

任何傻瓜都能知道,重点是要理解。—爱因斯坦

1. 人工智能

机器学习是实现人工智能的一种手段。

1.1 什么是人工智能

人工智能:人工智能(Aritificial Intelligence,AI)是一门融合了计算机科学、统计学、脑神经学和社会科学的前沿综合性学科,它研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。

人工智能的目标是研制出具有智能行为的计算机系统,希望计算机拥有像人一样的智力能力,可以替代人类实现识别、认知、分类和决策等多种功能。

图片
图 1 -1 人工智能学科

图片
图 1 -2 复旦赵卫东机器学习课程中的关系图

通过复旦赵卫东机器学习课程中的关系图,我们可以分析出各个概念范畴之间的关系。人工智能是目标,机器学习是一种实现手段,深度学习是机器学习中联结主义派系的一个方法。


【机器学习课程】第一章机器学习概述 1. 人工智能
图 1 -3 李宏毅机器学习课程中的关系图示

1.2 人工智能第一次浪潮:推理期


1956 年夏,达特茅斯会议标志着人工智能这一学科的诞生。当时美国达特茅斯大学数学助教、现任斯坦福大学教授麦卡锡和哈佛大学数学和神经学家、现任 MIT 教授明斯基、IBM 公司信息研究中心负责人洛切斯特、贝尔实验室信息部数学研究员香农共同发起,邀请普林斯顿大学莫尔和 IBM 公司塞缪尔、MIT 的塞尔夫里奇和索罗莫夫以及兰德公司和卡内基-梅隆大学的纽厄尔、西蒙等 10 名年轻学者在达特莫斯大学召开了两个月的学术研讨会,讨论机器智能问题。

图片
图 1 -4 John McCarthy (1927 – 2011):1971 年获图灵奖, 1985 年获 IJCAI 终身成就奖。人工智能之父。他提出了“人工智能”的概念,设计出函数型程序设计语言 Lisp,发展了递归的概念,提出常识推理和情境演算。


人工智能的第一次高峰:在 1956 年的这次会议之后,人工智能迎来了属于它的第一段 Happy Time。在这段长达十余年的时间里,计算机被广泛应用于数学和自然语言领域,用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时,有很多学者认为:“二十年内,机器将能完成人能做到的一切。”

人工智能第一次低谷:70 年代,人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足,不仅导致与美国国防高级研究计划署的合作计划失败,还让大家对人工智能的前景蒙上了一层阴影。与此同时,社会舆论的压力也开始慢慢压向人工智能这边, 导致很多研究经费被转移到了其他项目上。

在当时,人工智能面临的技术瓶颈主要是三个方面,第一, 计算机性能不足,导致早期很多程序无法在人工智能领域得到应用;第二,问题的复杂性,早期人工智能程序主要是解决特定的问题,因为特定的问题对象少,复杂性低,可一旦问题上升维度,程序立马就不堪重负了;第三,数据量严重缺失,在当时不可能找到足够大的数据库来支撑程序进行深度学习,这很容易导致机器无法读取足够量的数据进行智能化。

人工智能 " 推理期 " 的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人瞩目的成就。通过赋予机器逻辑推理能力使机器获得智能,当时的 AI 程序能够证明一些著名的数学定理,但由于机器缺乏知识,远不能实现真正的智能。

1.3 人工智能第二次浪潮:知识期


1970-1990 年代,人工智能的”知识工程“时代。这一时期,人们认为要让机器变得有智能,就应该设法让机器学习知识,于是专家系统得到了大量的开发。

1980 年,卡内基梅隆大学为数字设备公司设计了一套名为 XCON 的“专家系统”。这是一种,采用人工智能程序的系统,可以简单的理解为“知识库 + 推理机”的组合,XCON 是一套具有完整专业知识和经验的计算机智能系统。这套系统在 1986 年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后,衍生出了像 Symbolics、Lisp Machines 等和 IntelliCorp、Aion 等这样的硬件,软件公司。在这个时期,仅专家系统产业的价值就高达 5 亿美元。

人工智能第二次低谷:后来人们发现,把知识总结出来再灌输给计算机相当困难。举个例子来说,想要开发一个疾病诊断的人工智能系统,首先要找好多有经验的医生总结出疾病的规律和知识,随后让机器进行学习,但是在知识总结的阶段已经花费了大量的人工成本,机器只不过是一台执行知识库的自动化工具而已,无法达到真正意义上的智能水平进而取代人力工作。

1.4 人工智能第三次浪潮:机器学习时期


无论是“推理期”还是“知识期”,机器都是按照人类设定的规则和总结的知识运作,永远无法超越其创造者,其次人力成本太高。一些学者就想到,如果机器能够自我学习问题不就迎刃而解了吗!机器学习(Machine Learning)方法应运而生,人工智能进入“机器学习时期”。

“机器学习时期”的三个阶段:80 年代,连接主义较为流行,代表工作有感知机(Perceptron)和神经网络(Neural Network)。90 年代,统计学习方法开始占据主流舞台,代表性方法有支持向量机(Support Vector Machine),进入 21 世纪,深度神经网络被提出,连接主义卷土重来,随着数据量和计算能力的不断提升,以深度学习(Deep Learning)为基础的诸多 AI 应用逐渐成熟。

人工智能技术发展被引爆:随着各种机器学习算法的提出和应用,特别是深度学习技术的发展,人们希望机器能够通过大量数据分析,从而自动学习出知识并实现智能化水平。这一时期,随着计算机硬件水平的提升,大数据分析技术的发展,机器采集、存储、处理数据的水平有了大幅提高。特别是深度学习技术对知识的理解比之前浅层学习有了很大的进步,Alpha Go 和中韩围棋高手过招大幅领先就是目前人工智能的高水平代表之一。

图片
图 1 -5 人工智能的三个时期

1.5 人工智能研究领域


人工智能的研究领域主要有 5 层,最底层是基础设施建设,包括数据和计算能力两部分,数据越大人工智能的能力越强。往上一层是算法,比如机器学习、深度学习等算法。再上一层是主要的技术方向,如计算机视觉、语音工程、NLP 等。第二层是各个技术方向中的技术。最上层为人工智能的应用领域。

图片
图 1 -6 人工智能的研究领域

1.6 人工智能应用场景


计算机视觉 :车牌识别、人脸识别、无人车等
语音工程 :2010 年后,深度学习的广泛应用使语音识别的准确率大幅提升,像 Siri、Voice Search 和 Echo 等,可以实现不同语言间的 交流,从语音中说一段话,随之将其翻译为另一种文字;再如智能助手,你可以对手机说一段话,它能帮助你完成一些任务。
自然语言处理 :问答系统、机器翻译、对话系统等。
决策系统 :决策系统的发展是随着棋类问题的解决而不断提升,从 80 年代西洋跳棋开始,到 90 年代的国际象棋对弈,再到 AlphaGo,机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。
大数据应用:分析客户的喜好进行个性推荐,精准营销;分析各个股票的行情,进行量化交易。

原文链接:https://www.bilibili.com/read/cv18274251/

正文完
 
不知道
版权声明:本站原创文章,由 不知道 2023-08-15发表,共计2865字。
转载说明:声明:本站内容均来自互联网,归原创作者所有,如有侵权必删除。 本站文章皆由CC-4.0协议发布,如无来源则为原创,转载请注明出处。