人工智能_人工智能畅想作业ps教程 - CSDN
人工智能 订阅
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能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。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。 [1]  2017年12月,人工智能入选“2017年度中国媒体十大流行语”。 [2] 展开全文
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能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。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。 [1]  2017年12月,人工智能入选“2017年度中国媒体十大流行语”。 [2]
信息
中文名
人工智能
名称来源
雨果·德·加里斯 的著作
外文名
ARTIFICIAL INTELLIGENCE
提出时间
1956年
简    称
AI
提出地点
DARTMOUTH学会
人工智能定义详解
人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议性也不大。有时我们会要考虑什么是人力所能及制造的,或者人自身的智能程度有没有高到可以创造人工智能的地步,等等。但总的来说,“人工系统”就是通常意义下的人工系统。关于什么是“智能”,就问题多多了。这涉及到其它诸如意识(CONSCIOUSNESS)、自我(SELF)、思维(MIND)(包括无意识的思维(UNCONSCIOUS_MIND))等等问题。人唯一了解的智能是人本身的智能,这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限,对构成人的智能的必要元素也了解有限,所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能在计算机领域内,得到了愈加广泛的重视。并在机器人,经济政治决策,控制系统,仿真系统中得到应用。尼尔逊教授对人工智能下了这样一个定义:“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为:“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律,构造具有一定智能的人工系统,研究如何让计算机去完成以往需要人的智力才能胜任的工作,也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支,二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)。也被认为是二十一世纪三大尖端技术(基因工程、纳米科学、人工智能)之一。这是因为近三十年来它获得了迅速的发展,在很多学科领域都获得了广泛应用,并取得了丰硕的成果,人工智能已逐步成为一个独立的分支,无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科,其范围已远远超出了计算机科学的范畴,人工智能与思维科学的关系是实践和理论的关系,人工智能是处于思维科学的技术应用层次,是它的一个应用分支。从思维观点看,人工智能不仅限于逻辑思维,要考虑形象思维、灵感思维才能促进人工智能的突破性的发展,数学常被认为是多种学科的基础科学,数学也进入语言、思维领域,人工智能学科也必须借用数学工具,数学不仅在标准逻辑、模糊数学等范围发挥作用,数学进入人工智能学科,它们将互相促进而更快地发展。 [3] 
收起全文
  • 悦动智能 | 微信公众号ID:aibbtcom现如今,人工智能已经被炒的非常火热,似乎不管是不是科技圈的人士,都要在嘴边聊上几句人工智能,以显示自己多么与时俱进。人工智能的定义是让机器实现原来只有人类才能完成的...

    悦动智能 | 微信公众号ID:aibbtcom

    现如今,人工智能已经被炒的非常火热,似乎不管是不是科技圈的人士,都要在嘴边聊上几句人工智能,以显示自己多么与时俱进。

    人工智能的定义是让机器实现原来只有人类才能完成的任务,其核心是算法。

    例如下图所示就是让机器模拟人各种能力的人工智能领域示意图:

    什么是人工智能?终于说明白了

    当然一方面人工智能的确是未来的方向,而另一方面则是因为人工智能有可能是科技圈中的下一个黑天鹅。说不定什么时候,一只独角兽就会从中诞生。

     

    什么是人工智能?终于说明白了

     

    但在此之前,一定要正确的认清什么才是真正的人工智能。

     

    伪人工智能横行

    现在大多数人工智能都属于伪人工智能。为什么这么说,可以从以下两个方面来解释。

     

    第一,人工智能不是一下就能做出来的,需要时间以及实验的积累。

     

    而做出人工智能的这些人才也是一样,他们需要切实的接触到真正的人工智能当中,不过这样的人才在全世界也就寥寥几百个。

     

    但是好像在一瞬间,在中国就有几万个人工智能方面的人才被选拔了出来,可想而知这样的人才是真正的人工智能专家吗?

     

    这些人才往往被大公司冠以年薪30万或50万疯抢,虽然里面的确有很多优秀的人才,但是这样未免显得太过着急。从人才培养角度来看,人工智能领域还存在着大量的泡沫

     

    什么是人工智能?终于说明白了

     

    第二,许多项目只不过是换了个‘马甲’。

     

    许多创业公司喜欢为自己的项目贴上一个标签,这样的话不但可以吸引眼球,更能得到投资人的青睐。

     

    虽然不能说这种做法是错误的,但这显然也不是真正的人工智能,甚至会误导其他人对于人工智能的认知。

     

    比如许多项目在贴上人工智能标签之前非常简单,只是一些如同机器人学习,或者算法研究之类的项目,如今摇身一变全都成为了人工智能。

     

     

    什么才是真正的人工智能?

    我们既不是专家,也不是专门研究这种领域的学者,有没有简单的方法直接辨别什么是人工智能,什么是伪人工智能?

     

    答案是有的。

     

    举一个简单的例子,之前人们也尝试教计算机下国际象棋。计算机经过学习之后,与人们依然互有胜负,在最终完全战胜人类的时候,时间已经过去了10年。

     

    谷歌的AlphaGo,从什么都不会到围棋中不可战胜的存在只用了短短一年的时间。

     

    由此可以看出,真正的人工智能体现在其卓越的学习能力。

     

    什么是人工智能?终于说明白了

     

    如果你隔一段时间,大概3个月左右去看一个算法的进步,比如面部识别,如语音识别,如果该算法进步只是代数级,没有达到指数级,那么这种算法可能更多的是机器学习,还未达到人工智能水平。

     

    既然已经辨别了什么是真正的人工智能,那么对于人工智能而言,什么才是最重要的。

     

    可能有些人会说算法,有些人会说设备,有些人会说编程技术。虽然它们也是构成人工智能中重要的一环,但是这些都不是最重要的。

     

    对于真正的人工智能而言,最重要的永远是大数据,只有拥有完整的数据,人工智能才能真正的发展起来。就像是一把宝刀,需要有一块好的磨刀石才能让它更加锐利,而大数据恰好就是这块最好的磨刀石。

     

    就像是谷歌的AlphaGo,有人说为什么AlphaGo不去下象棋,而是只在围棋领域中称雄呢。

     

    AlphaGo的专家则表示,不是他们不想这么做,而是无法这么做。因为在围棋中,日本人一直以来有保存棋谱的习惯,在每个棋谱上都标注了什么是第1手,什么是第100手,这样很容易被AlphaGo学习。

     

    但是对于象棋来说,自古以来大多数都是残局。虽说残局也很精彩,但是对于AlphaGo来说,它不知道残局形成的原因,对之前的步骤一无所知,这样就会对它的认知造成障碍。

     

    这也说明,完整的数据对于人工智能多么重要。任何抛开数据谈人工智能的,全都是耍流氓。

     

    人工智能中的独角兽

    目前,中国的大部分数据全都被BAT所掌握着,国外则是Facebook、Google、亚马逊之类的企业。对于创业者而言,想要打破数据的垄断具有相当大的挑战,但也不是没有机会。

     

    比如说医疗数据,BAT就还没有形成垄断金融方面数据,更多的掌握在金融公司手中,这些互联网企业也没有。

     

    在这两个领域,不管你的技术水平如何,至少在数据方面是在同一起跑线上,这对于创业者或后进入的公司是一个难得机遇。同时,下一个巨头也有可能在这两个领域诞生。

     

    什么是人工智能?终于说明白了

     

    就拿医疗来说,国外已经有许多家企业与医院达成协作,直接读取医院中的病例以及X光片或者CT片。

     

    医生一天看10张并且分析出症状都已经是非常有经验了,而人工智能,则可以在1个小时内看10万张,效率不可同日而语。

     

    对于医生而言,诊断病因需要基于自己的经验积累。但是对于人工智能来说这就太简单了,通过图像和最终诊断结果的闭环学习,人工智能很快就能对X光片或CT片进行病因分析。当然这一过程需要不断完善,才能提升正确性及智能化。

     

    在国外由于隐私保护非常严密,很多数据无法开放,因此无法做到大量数据录入。

     

    但是由于如今中国民众对于隐私保护还没有那么严格,因此中国企业还是有机会在这个领域中实现超越的。

     

    只要有了大数据,特定领域超越BAT也不是不可能的。

     

    所以说,数据才是人工智能中最重要的一环。

    原文地址:http://www.aibbt.com/a/29255.html

    展开全文
  • 人工智能简介

    2018-05-02 22:22:20
    人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 首先看一下智能是什么? 智能,是智力和能力的总称,中国...

    0. 前言

    人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

    首先看一下智能是什么?

    智能,是智力和能力的总称,中国古代思想家一般把智与能看做是两个相对独立的概念。
    其中,“智”指进行认识活动的某些心理特点,“能”则指进行实际活动的某些心理特点。

    1.人工智能难题(Fundamental conundrums of Artificial Intelligence)

    • Intelligent agents have limited resource
      所有的智能都只有很少的计算资源,很低的处理速度和很少的内存等等,但有趣的是AI问题很难通过计算来解决,那么如何才能让AI智能体在许多有趣的问题中,为我们提供近乎实时的性能?

    • Computation is local, but problems have global constrains
      所有的计算都是局部的,但大多数AI问题都具有全局约束。那么,如何才能让仅使用局部计算来解决全局问题

    • Logic is deductive,but many problems are not
      逻辑计算基本上是演绎逻辑,但许多AI问题本质上是溯因性或归纳性的,如何才能让AI智能解决溯因性或归纳性问题?

    • The world is dynamic ,but knowledge is limited
      世界是动态变化的,,知识是有限的,但AI智能必须始终从它已知的东西开始,那么如何才能让AI智能解决新的问题

    • Problem solving, reasoning , and learning are comlex,but explanation and justification add to the complexity
      解决问题,推理和学习是复杂的,但解释和证明会增加复杂性

    2. 人工智能问题的特点

    • knowledge often arrives incrementtally
      在许多AI问题中,数据是陆续出现的,而不是一开始就出现所有数据
    • problem often exhibit recurring pattern
      问题常常会重复出现,同类问题会一再出现
    • problem have multiple levels of granularity
      问题在许多不同的抽象层面出现
    • Many problems are conputationally intractable
      许多引人关注的AI问题难以通过计算来解决
    • The world is dynamic, but knowledge of the world is static
      外界是动态的,他不断变化,但有关外界的知识是相对不变的
    • the world is open ended, but knowledge of the world is relatively limited
      外界是开放的,但有关外界的知识是有限的

    3.人工智能与不确定性

    AI as the technique of uncertainty management in computer software

    AI = what to do when you don’t know what to do

    Reasons for uncertainty :
    * sensor limit: your sensor are unable to tell me what exactly is the case outside the AI system
    * Adversaries : make it hard for you to understand what is the case
    * stochastic environments every time you roll the dice
    * laziness : your computer program is just too lazy to do it
    * ignorance

    AI is the discipline that deals with uncertainly and manages it decision making

    designing program that can deal with uncertain input

    4. 什么是基于知识(认知)的人工智能

    这里写图片描述

    在图中,输入表示为对外界的感知这种形式,而输出表示为在外界的行动这种形式,主体可能有大量的过程将感知映射到行动(类似函数映射f(x):x–>y),我们将重点研究Deliberation(我不知道该把它翻译成什么合适)

    5. 基于知识(认知):人工智能的四大学派

    这里写图片描述

    thinking和acting对应了前言中的这段话:“ “智”指进行认识活动的某些心理特点,“能”则指进行实际活动的某些心理特点。”,为了区分不同的AI学派,还有第二维度。optimally:最佳的AI主体,like humans : 像人一样行动和思考的AI主体

    来看一些例子

    这里写图片描述

    展开全文
  • 计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术,它们均会成为独立的子产业。  计算机视觉    计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。...
    计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术,它们均会成为独立的子产业。
    

      计算机视觉
     
      计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列,来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理,分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。
     
      计算机视觉有着广泛的应用,其中包括:医疗成像分析被用来提高疾病预测、诊断和治疗;人脸识别被Facebook用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。
     
      机器视觉作为相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的问题”,是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大,某些计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。
     
      机器学习
     
      机器学习指的是计算机系统无须遵照显式的程序指令,而只依靠数据来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被发现便可用于预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多,预测就会越准确。
     
      机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管理、石油和天然气勘探,以及公共卫生等。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。
     

      现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在2011~2014年这段时间内就已吸引了近10亿美元的风险投资。谷歌也在2014年斥资4亿美元收购Deepmind这家研究机器学习技术的公司。

    自然语言处理
     
      自然语言处理是指计算机拥有的人类般的文本处理的能力。比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本。例如,自动识别一份文档中所有被提及的人与地点;识别文档的核心议题;在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅针对简单的文本匹配与模式就能进行操作。
     
      自然语言处理像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来,比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。
     
      因为语境对于理解“timeflies”(时光飞逝)和“fruitflies”(果蝇)的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈,自动发现民事诉讼或政府调查中的某些含义,自动书写诸如企业营收和体育运动的公式化范文,等等。

      机器人
     
      将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、制动器以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工作,能在各种未知环境中灵活处理不同的任务。例如,无人机、可以在车间为人类分担工作的“cobots”等。
     
      语音识别
     
      语音识别主要是关注自动且准确地转录人类的语音技术。该技术必须面对一些与自然语言处理类似的问题,在不同口音的处理、背景噪声、区分同音异形/异义词(“buy”和“by”听起来是一样的)方面存在一些困难,同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术,再辅以其他技术,比如描述声音和其出现在特定序列与语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino抯Pizza,最近推出了一个允许用户通过语音下单的移动APP。
     
      上述5项技术的产业化,是人工智能产业化的要素。人工智能将是一个万亿级的市场,甚至是10万亿级的市场,将会为我们带来一些全新且容量巨大的子产业,比如机器人、智能传感器、可穿戴设备等,其中最令人期待的是机器人子产业。
     
      机器人应用的分法有很多种,从应用层面可以粗略地分为以下几个类别。第一个类别是工业级机器人,像富士康这种公司已经运用得很好了,因为劳工成本越来越高,用工风险越来越高,而机器人则可以解决这些问题。第二个类别是监护级机器人,它可以在家里和医院里作为病人、老人或孩子的护理,帮助他们做一定复杂程度的事情。中国对监护级机器人需求其实更迫切一些,因为中国人口红利在下降,同时老龄化又不断地上升,这两个矛盾,机器人都可以帮助解决。因此,这个领域的需求在民用市场占比很大。第三个类别就是探险级机器人,用来采矿或者探险等,大大避免了人所要经历的危险。此外还有用来打仗的军事机器人等。
     
      网络媒体Business Insider预测,机器人将在许多岗位上取替人类:电话营销员、校对员、手工裁缝师、数学家、保险核保人、钟表修理师、货运代理商、报税员、图像处理人员、银行开户员、图书馆员、打字员等。因为它们的价格竞争力惊人。麦肯锡全球研究院的研究表明,当中国制造业工资每年增长10%~20%时,全球机器人的价格每年下调10%,一台最便宜的低阶机器人只需花费美国人年平均工资的一半。国际研究机构顾能预测:2020年机器人将导致全球新一波失业潮。
     
      同时,人工智能技术的发展还将让许多旧产业获得改头换面式的新生,其中最典型的是汽车产业。汽车产业已存在上百年了,其间的变革也是非常大的,但驾驶汽车的始终是人,可最近几年,随着谷歌等公司的大力投入,机器或者说某种自动化的系统已经有望取代人来驾驶汽车,从而形成一个市场容量巨大的新产业,即无人驾驶汽车产业。这个产业的规模也将是万亿级甚至是10万亿级的。而且,这个产业还将与新能源产业叠加、融合在一起,形成“车联网+能联网+互联网+电动汽车”的复合产业——未来,我们会把插电式汽车和氢燃料汽车作为发电厂使用,从而使新能源汽车成为电网的一部分,成为新能源的供给者,与现在一些装有太阳能发电系统的房屋是太阳能的供给者一样。
     
      毫无疑问,与互联网一样,智能技术会向几乎所有旧产业渗透。华泰证券在一份人工智能产业的研究报告中提及了九大行业:生活服务O2O、医疗、零售业、金融业、数字营销业、农业、工业、商业和在线教育。实际上,将获得新生的旧产业还有许多,如军事、传媒、家居、医疗健康业、生命科学、能源、公共部门……甚至包括受VR/AR(虚拟现实与增强现实)技术发展影响而产生的虚拟产业。

    展开全文
  • 概要:想自学人工智能,到底看什么书?现在关于AI的图书成千上万,那些才是最好的? 想自学人工智能,到底看什么书?现在关于AI的图书成千上万,那些才是最好的?智能菌花了一周的时间,给大家挑选出42本最值得...

    640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

    来源: 产业智能官

    概要:想自学人工智能,到底看什么书?现在关于AI的图书成千上万,那些才是最好的?


    想自学人工智能,到底看什么书?现在关于AI的图书成千上万,那些才是最好的?智能菌花了一周的时间,给大家挑选出42本最值得读的AI书籍,分为四类:简单科普类、深度科普类、技术学习类、机器人类和AI哲学类,希望对大家有帮助。


    640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg

    0?wx_fmt=jpeg




    未来智能实验室是世界第一个AI智商评测与趋势研究机构,由人工智能学家和科学院相关机构共同创建,基于“标准智能系统”、“AI智商测试量表”、“智能系统7个等级划分”、“互联网(城市)云脑架构”等研究成果,致力于评测智能系统智商发展水平,研究智能系统未来发展趋势。详细介绍请点击这里


      欢迎访问未来智能实验室的官方网站:FutureAILab.org; 未来智能实验室微信公众号:未来智能实验室,FutureAILab


    640?wx_fmt=jpeg

    扫描二维码,关注未来智能实验室(FutureAILab)





    展开全文
  • 一套完整的数学基础课合集,解决与人工智能相关的所有...AI人工智能之数学基础视频培训课程概况:讲解人工智能、机器学习和深度学习过程中用到的数学知识。包括线性代数、微积分、信息论等等人工智能相关的数学知识。
  • PPT丨清华大学孙富春教授177页PPT讲解人工智能技术与产业发展亲测好用,挺不错的资源,大家快来下载吧!挺有用的!需要的话可以来下载哦!
  • 谭铁牛在2018年院士大会上的演讲 ,人工智能是天使还是魔鬼.pptx
  • 深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及...
  • 李开复人工智能演讲

    2020-07-21 09:59:00
    李开复人工智能演讲,内容来自网络请大家自行辨别。可能是老的和新的混在一起的,仅供大家学习参考
  • 百度人工智能的ppt

    2020-07-30 23:32:07
    百度介绍人工智能基本内容的ppt,包含了当前人工智能主要发展内容,百度人工智能的研究情况 ,适合用来了解当前人工智能的发展概况
  • 第一部分:人工智能和测试的介绍 第二部分:人工智能系统的特性和验收标准 第三部分:机器学习的性能指标和基准 第四部分:测试机器学习工作流程 第五部分:人工智能系统测试简介 第六部分:人工智能系统的黑盒测试 ...

    主要内容是
    第一部分:人工智能和测试的介绍
    第二部分:人工智能系统的特性和验收标准
    第三部分:机器学习
    第四部分:机器学习的性能指标和基准
    第五部分:人工智能系统测试简介
    第六部分:人工智能系统的黑盒测试
    第七部分:人工智能系统的白盒测试
    第八部分:测试人工智能的测试环境
    第九部分:使用人工智能进行测试

    三、机器学习

    3.1 机器学习介绍

    机器学习(ML)是AI的一种形式,其中基于AI的系统从提供的训练数据中学习其行为,而不是对其进行显式编程。 ML的结果称为模型,由AI开发框架使用选定的算法和训练数据创建。该模型反映了输入和输出之间的学习关系。 ML的示例用途包括图像分类,玩游戏(例如围棋),语音识别,安全系统(恶意软件检测),飞机防撞系统和自动驾驶汽车。

    机器学习(ML)有三种基本方法。
    使用监督的ML,该算法会根据一组标记数据的训练来创建模型。
    监督ML的一个示例是,所提供的数据被标记为猫和狗的图片,并且所创建的模型有望在将来正确识别它看到的猫和狗。
    监督学习解决了两种形式的问题:分类问题和回归问题。
    分类是模型将输入分为不同类别的地方,例如“是-此模块容易出错”和“否-此模块不容易出错”。
    回归是模型提供值的地方,例如“模块中的错误预期数量为12”。
    由于机器学习是概率性的,因此我们也可以衡量这些分类和回归正确的可能性。

    对于无监督的ML,训练集中的数据不会被标记,因此算法会得出数据本身的模式。
    无监督ML的一个示例是,所提供的数据是有关客户的,并且系统用于查找特定的客户分组,可以按特定的方式进行销售。由于不必标记训练数据,因此比无监督ML的训练数据更容易(更便宜)地获取数据。

    通过强化学习,为系统定义了奖励函数,当系统接近所需的行为时,它将返回更高的结果。利用奖励功能的反馈,系统学会改善其行为。强化学习的一个例子是使用奖励功能找到最短路径的路径规划系统。

    3.2 机器学习工作流

    在这里插入图片描述
    1,了解目标
    2,选择框架
    3,建模
    4,原始数据
    5,数据预处理
    6,训练模型
    7,模型评价
    使用验证数据,根据性能指标对经过训练的模型进行评估-然后将结果用于改进(调整)模型。通常需要对评估结果进行可视化,并且不同的ML框架支持不同的可视化选项。在实践中,通常会创建和训练几个模型,并根据评估和调整的结果选择最佳模型。
    8,模型参数调整
    9,模型测试
    一旦对模型进行了训练,评估,调整和选择,就应该针对测试数据集进行测试,以确保符合商定的性能标准。该测试数据应完全独立于工作流中使用过的训练和验证数据。
    10,模型部署
    11,模型使用
    12,模型监控和微调
    在使用模型时,存在其状况可能演变的风险,并且该模型可能会“偏离”其预期性能。
    为确保识别和管理任何漂移,应根据其接受标准定期评估运营模型。
    可能认为有必要更新模型以解决漂移问题,或者可以决定对新数据进行重新训练将导致更准确或更健壮的模型,在这种情况下,可以使用新的训练数据重新建模。
    可以使用A / B测试形式将新模型与现有模型进行比较。

    3.3 机器学习训练和测试数据

    在执行监督式ML时,将使用两个单独的数据集(训练数据集和测试集)来防止过度拟合
    测试集有时称为保持集。为了支持模型的迭代评估和调整,将训练数据集分为两部分-用于训练的数据和用于评估的验证数据。但是,这可能意味着现在没有足够的数据来进行训练。
    解决此问题的一种方法称为交叉验证,其中训练数据集被分为n个相等的部分,称为折叠。然后对模型进行训练和评估在每种情况下,将不同的折叠用作验证集,并将其余的折叠用作训练集。这样,可以改善训练,并且仍然可以执行评估和调整。

    详细可以查看《机器学习》周志华 中的描述

    3.4 机器学习中的过拟合和欠拟合

    3.4.1 过拟合

    当模型从无关紧要的信息中学习不正确的关系时,就会发生过度拟合,例如无关紧要的细节,随机波动和训练数据中的噪声(即训练数据中包含太多特征)。
    实际上,就好像该模型已经存储了训练数据,并且在实际使用中,该模型可以很好地用于与训练数据非常相似的数据,但是很难归纳和处理新数据。
    识别过度拟合的一种方法是确保使用独立于测试数据的独立测试集。

    3.4.2 欠拟合

    当模型无法从训练数据中识别输入和输出之间的关系时,就会发生拟合不足。
    拟合不足通常发生在训练数据不足以提供足够的信息来推导输入和输出之间正确关系的情况下(即训练数据中包含的特征不足),但也可能在选择的算法不适合数据时发生。
    创建用于处理非线性数据的线性模型)。
    这通常会导致做出许多错误预测的简化模型。

    3.5 训练数据中的偏差和公平

    偏差在第二部分中有介绍。
    如果训练数据包括固有偏差,则导出的模型可能会包括那些相同的偏差。
    因此,必须注意确保不包括会导致结果模型不公平的数据特征。
    例如,除其他功能外,以下功能应被识别为可能引起不必要的偏差:
    •性别•性取向•年龄•种族•宗教•原籍国•教育背景•收入来源•家庭住址
    但是,仅从训练数据中删除上述特征并不一定能解决问题,因为很可能还有其他特征(可能结合使用)仍可能导致不公平的模式(例如,父母是否离婚会导致种族定型)。

    3.6 数据质量

    监督学习假定训练数据正确。但是,实际上,很少会在100%的时间内正确标记训练数据集。
    人类贴标人员可以犯一些简单的随机错误(例如,按下错误的按钮),而且还存在故意犯错误的可能性。标签并非总是简单地分为两类之一,更复杂的标签任务可能意味着正确的标签是有问题的。
    标记可以通过多种方式执行,每种方式均会对数据质量产生固有风险:
    Labelling by internal team
    • Outsourced labelling
    • Crowdsourced labelling
    • Synthetic data generation
    • AI-Based labelling
    • Hybrid approaches
    内部团队标记•外包标记•众包标记•综合数据生成•基于AI的标记•混合方法

    例如,如果输入传感器的质量低下或校准不当,则数据的质量可能很差-当传感器数据来自多个来源(例如,使用略有不同的测量方法的实验室)时,这通常是一个问题。
    数据丢失可以采用三种主要形式,每种形式对结果模型的影响不同。
    如果完全随机丢失数据,则鉴于模型的概率性质,其影响不大(除了由于缺少数据而降低准确性外)。
    如果错过了来自某个特定特征的数据(例如,来自女性的所有数据),那么这很可能会对生成的模型产生不利影响(除非该模型不用于对女性进行操作性预测)。
    更糟糕的是,第三种情况最难发现,因为缺少给定特征的一组特定数据值(例如,年龄在35至50岁之间的女性的数据)。
    由于数据收集的性质,此类问题通常在医学研究中发生。
    在这种情况下,模型可能会受到严重损害。

    3.7 机器学习算法/模型选择

    算法的选择,模型设置和超参数是一门科学还是一门艺术都存在争议。
    没有确定的方法可以纯粹从对问题情况的分析中选择最佳集合,在实践中这种选择几乎总是部分地通过反复试验来进行
    1)进行此选择所需的信息包括知道模型应提供的功能,学习算法和模型可使用的数据以及必须满足的非功能要求。
    在功能方面,模型通常将提供分类,值预测(回归),异常检测或根据数据确定结构(聚类)。
    知道有多少数据可用可以丢弃某些算法(例如,如果可用的数据较少,则可以忽略依赖大数据的算法)。
    如果数据被标记,则可以进行监督学习,否则需要另一种方法。
    预期模型将使用的功能数量也将指向某些算法的选择,以及用于聚类的预期类别的数量也将指向该算法。

    3.8 机器学习测试和质量验证

    3.8.1 机器学习工作流回顾
    3.8.2 验收标准

    接受标准(包括功能性要求和非功能性要求)都应记录在案,并证明可以在此应用程序上使用。该模型应包括性能指标。

    3.8.3 框架,算法/模型和参数选择

    应当选择并证明选择框架,算法,模型,设置和超参数的理由。

    3.8.4 模型更新

    无论何时更新部署的模型,都应重新测试以确保其继续满足接受标准,包括针对可能未记录的隐式需求进行测试,例如测试模型降级(例如,新模型的运行速度比先前模型慢
    )。在适当的情况下,应针对先前的模型执行A / B测试或背对背测试(back-to-back testing)。

    3.8.5 训练数据质量

    机器学习系统高度依赖于代表操作数据的训练数据,并且某些机器学习系统具有广泛的操作环境(例如自动驾驶汽车中使用的环境)。已知边界条件(边缘情况)会在所有类型的系统(AI和非AI)中引起故障,应将其包括在训练数据中。
    就数据集的大小和偏差,透明度和完整性等特征而言,训练数据的选择应形成文件,并由专家针对更关键的系统进行校准和确认。

    3.8.6 测试数据质量

    训练数据的标准同样适用于测试数据,但要注意的是,测试数据必须尽可能独立于训练数据。独立程度应形成文件并说明理由。测试数据应系统地选择和/或创建,并且还应包括负面测试(例如超出预期输入范围的输入)和对抗测试

    3.8.7 模型集成测试(系统测试)

    应该执行集成测试以确保ML模型正确地与它作为一部分的基于AI的系统的其余部分集成。
    例如,应该执行测试以检查是否将正确的图像文件传递给模型以进行对象识别,并且该文件具有模型期望的格式。
    还应该执行测试以检查模型的输出是否被系统的其余部分正确地解释和使用。

    3.8.8 对抗样本测试

    一个对抗性的例子是,对神经网络的输入所做的非常小的更改会在输出中产生意外的(错误的)大更改(即与未更改的输入完全不同的结果)。
    对抗性示例首先通过图像分类器注意到。
    通过简单地改变几个像素(人眼不可见),就可以说服神经网络将其图像分类更改为一个非常不同的对象(并具有高度的置信度)。
    但是请注意,对抗性示例不仅限于图像分类器,而且通常是神经网络的属性,因此适用于对神经网络的任何使用。
    对抗性例子通常是可以转移的。
    这意味着,导致一个神经网络发生故障的对抗示例通常会导致经过训练以执行相同任务的其他神经网络发生故障。
    请注意,这些其他神经网络可能已经使用不同的数据并基于不同的体系结构进行了训练,但是在相同的对抗性示例中,它们仍然易于失败。
    对抗性测试通常被称为进行对抗性攻击。
    通过执行这些攻击并在测试过程中识别漏洞,可以采取措施防止将来的失败,从而提高了神经网络的鲁棒性。
    可以在训练模型时进行攻击,然后在训练后的模型(神经网络)本身上进行攻击。
    训练期间的攻击可能包括破坏训练数据(例如修改标签),向训练集中添加不良数据(例如不需要的功能)以及破坏学习算法。
    对训练后的模型的攻击可以是白盒或黑盒,并且涉及确定对抗性示例,这些示例将迫使模型给出不良结果。
    对于白盒攻击,攻击者完全了解用于训练模型的算法以及所使用的设置和参数。
    攻击者使用此知识来生成对抗性示例,例如,通过对输入进行较小的扰动并监视导致模型发生较大变化的扰动。
    通过黑匣子攻击,攻击者无法访问模型的内部工作原理或知识,也无法了解其训练方法。
    在这种情况下,攻击者首先使用该模型确定其功能,然后构建提供相同功能的“重复”模型。然后,攻击者使用白盒方法来识别此重复模型的对抗示例。由于对抗性示例通常可以迁移,因此相同的对抗性示例通常也可以在(黑匣子)模型上使用。

    展开全文
  • 人工智能毫无疑问是2019年CES最热门话题之一,自1956年人工智能提出概念以来,人工智能发展几经波折,随着近年来人工智能学者和技术开始涌现,人工智能走上了快速发展的道路。 一年一度的全球电子行业标杆意义盛会...
  • 这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、...
  • 人工智能(ArtificialIntelligence),英文缩写为AI.它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。目前要实现会自我思考的高级人工智能还需要科学理论和工程上的...
  • 深度学习基础入门

    2019-07-05 10:16:32
    课程简介 本课程共分为三个部分:基础理论、深度神经网络基本结构以及网络优化与实践。本课程采用了理论结合实践的讲解方式,方便读者边学边练,理解巩固。在解释相关概念时,作者尽力使用简单、直观、可实现的公式...
  • 人工智能教程 - 前言

    2020-07-28 10:33:50
    总目录 各位乡亲父老们!人工智能,马上就要爆发了。一旦爆发,将会如黄河泛滥一发不可收拾。在当今,人工智能已经渗透到了网络搜索,广告...而且一旦控制不好,会真如马斯克所说的一样——人工智能会毁灭人类~
  • 精品收藏:GitHub人工智能AI开源项目 绝对精品!!!花了点时间,鄙人把这几年收藏的开源精品项目,整理一下,方面以后查找。其中涵盖了姿态检测,图像分割,图像分类,美学评价、人脸识别、多尺度训练,移动端的AI...
  • AI这个概念已经很火爆了,与之画上等号的是人工智能人工智能:由人类研发,具备人类部分能力,且具备自我学习能力的智能物质。人类研究人工智能技术目的就是让机器人像人一样工作,那人AI人工智能技术可以做什么呢...
  • AI(Artificial Intelligence,人工智能) .“人工智能”一词最初是在1956 年Dartmouth学会上提出的.从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展.人工智能是一门极富挑战性的科学,从事这项工作的...
  • 数学与AI人工智能

    2019-01-06 17:49:30
    AI人工智能在近两年发展可谓如火如荼,各地相继掀起人工智能投资热,大量资本也竞相注入该领域,在《中国人工智能发展报告2018》:中国AI论文产量世界第一。专利上,中国已经成为全球人工智能专利布局最多的国家,...
1 2 3 4 5 ... 20
收藏数 721,949
精华内容 288,779
关键字:

人工智能