人工智能的關鍵技術包括哪些

什么是人工智能

人類科技發(fā)展日新月異、突飛猛進，不斷涌現(xiàn)令人激動的新技術。當前，人工智能（Artificial Intelligent）當屬最熱門的技術之一。

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。它是一個構建能夠推理、學習和行動的計算機和機器的科學領域，這種推理、學習和行動通常需要人類智力，或者涉及超出人類分析能力的數(shù)據(jù)規(guī)模。

下圖中的人工智能、機器學習、深度學習、數(shù)據(jù)挖掘、模式識別等，這些非常相關的術語或知識我們經(jīng)常看到，也見到很多關于它們之間關系的文章和討論。一般來說，人工智能是一個很大的研究領域，是很多學科交叉形成的；機器學習是人工智能的一個分支，提供很多算法，深度學習又是機器學習的一個重要分支，它基于人工神經(jīng)網(wǎng)絡；而數(shù)據(jù)挖掘、模式識別是偏向算法應用的部分。它們之間相輔相成，另外也需要其他領域的知識支持。

人工智能的目標包括：推理、知識表示、自動規(guī)劃、機器學習、自然語言理解、計算機視覺、機器人學和強人工智能共八個方面。

? 知識表示和推理包括：命題演算和歸結、謂詞演算和歸結，可以進行一些公式或定理的推導。

? 自動規(guī)劃包括機器人的計劃、動作和學習，狀態(tài)空間搜索，敵對搜索，規(guī)劃等內(nèi)容。

? 機器學習這一研究領域是由AI的一個子目標發(fā)展而來，用來幫助機器和軟件進行自我學習來解決遇到的問題。

? 自然語言處理是另一個由AI的一個子目標發(fā)展而來的研究領域，用來幫助機器與真人進行溝通交流。

? 計算機視覺是由AI的目標而興起的一個領域，用來辨認和識別機器所能看到的物體。

? 機器人學也是脫胎于AI的目標，用來給一個機器賦予實際的形態(tài)以完成實際的動作。

? 強人工智能是人工智能研究的最主要目標之一，強人工智能也指通用人工智能（Artificial General Intelligence，AGI），或具備執(zhí)行一般智慧行為的能力。強人工智能通常把人工智能和意識、感性、知識和自覺等人類的特征互相連結。

人工智能的三要素：數(shù)據(jù)、算法、模型。

? 數(shù)據(jù)是基礎，基于數(shù)據(jù)發(fā)現(xiàn)數(shù)據(jù)的規(guī)律。

? 算法是關鍵，如何用數(shù)據(jù)去求解模型，變成可以運行的程序。

? 模型是核心，用何種模型解釋數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)規(guī)律。

人工智能之機器學習

機器學習是人工智能的一個重要分支，它通過計算的手段、學習經(jīng)驗（也可以說是利用經(jīng)驗）來改善系統(tǒng)的性能。它包括：有監(jiān)督學習、無監(jiān)督學習和強化學習。其中的算法有：回歸算法（最小二乘法、LR等），基于實例的算法（KNN、LVQ等），正則化方法（LASSO等），決策樹算法（CART、C4.5、RF等），貝葉斯方法（樸素貝葉斯、BBN等），基于核的算法（SVM、LDA等），聚類算法（K-Means、DBSCAN、EM等），關聯(lián)規(guī)則（Apriori、FP-Grouth），遺傳算法，人工神經(jīng)網(wǎng)絡（PNN、BP等），深度學習（RBN、DBN、CNN、DNN、LSTM、GAN等），降維方法（PCA、PLS等），集成方法（Boosting、Bagging、AdaBoost、RF、GBDT等）。

人工智能之深度學習

深度學習是機器學習的一個重要分支，它基于人工神經(jīng)網(wǎng)絡。深度學習的學習過程之所以是深度性的，是因為人工神經(jīng)網(wǎng)絡的結構由多個輸入、輸出和隱藏層構成。每個層包含的單元可將輸入數(shù)據(jù)轉換為信息，供下一層用于特定的預測任務。得益于這種結構，機器可以通過自身的數(shù)據(jù)處理進行學習。以兩層網(wǎng)絡為例，如下圖，其中a是“單元”的值，w表示“連線”權重，g是激活函數(shù)，一般為方便求導采用sigmoid函數(shù)。采用矩陣運算來簡化圖中公式：a(2) = g( a(1) * w(1) ), z = g( a(2) * w(2) )。設訓練樣本的真實值為y，預測值為z，定義損失函數(shù) loss = (z – y)2，所有參數(shù)w優(yōu)化的目標就是使對所有訓練數(shù)據(jù)的損失和盡可能的小，此時這個問題就被轉化為一個優(yōu)化問題，常用梯度下降算法求解。一般使用反向傳播算法，從后往前逐層計算梯度，并最終求解各參數(shù)矩陣。

編輯：黃飛

?