精华内容
下载资源
问答
  • 人工智能发展历程

    万次阅读 2021-03-16 22:26:38
    一、人工智能的起源 1.1 图灵测试 测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。 多次测试(一般为5min之内),如果有超过30%的测试者不能确定被测试者是人...

    一、人工智能的起源

    1.1 图灵测试

    测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。

    多次测试(一般为5min之内),如果有超过30%的测试者不能确定被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能

    图灵测试

    1.2 达特茅斯会议

    1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,

    ​ 约翰·麦卡锡(John McCarthy)

    ​ 马文·闵斯基(Marvin Minsky,人工智能与认知学专家)

    ​ 克劳德·香农(Claude Shannon,信息论的创始人)

    ​ 艾伦·纽厄尔(Allen Newell,计算机科学家)

    ​ 赫伯特·西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家正聚在一起,讨论着一个完全不食人间烟火的主题:

    用机器来模仿人类学习以及其他方面的智能。

    会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:

    ​ 人工智能

    因此,1956年也就成为了人工智能元年。

     

    2 发展历程

    人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程,学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段:

    • 第一是起步发展期:1956年—20世纪60年代初。

      人工智能概念提出后,相继取得了一批令人瞩目的研究成果,如机器定理证明、跳棋程序等,掀起人工智能发展的第一个高潮。

    • 第二是反思发展期:20世纪60年代—70年代初。

      人工智能发展初期的突破性进展大大提升了人们对人工智能的期望,人们开始尝试更具挑战性的任务,并提出了一些不切实际的研发目标。然而,接二连三的失败和预期目标的落空(例如,无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等),使人工智能的发展走入低谷。

    • 第三是应用发展期:20世纪70年代初—80年代中。

      20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题,实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功,推动人工智能走入应用发展的新高潮。

    • 第四是低迷发展期:20世纪80年代中—90年代中。

      随着人工智能的应用规模不断扩大,专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

    • 第五是稳步发展期:20世纪90年代中—2010年。

      由于网络技术特别是互联网技术的发展,加速了人工智能的创新研究,促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫,2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。

    • 第六是蓬勃发展期:2011年至今。

      随着大数据、云计算、互联网、物联网等信息技术的发展,泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展,大幅跨越了科学与应用之间的“技术鸿沟”,诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破,迎来爆发式增长的新高潮。

    发展历程

     

    展开全文
  • 1.2人工智能发展历程 学习目标 了解人工智能发展历程 1人工智能的起源 1.1图灵测试 测试者与被测试者(一个人和一台机器)喘开的情况下,遍过一些装置(如键盘)向被测试者随意提问。 多次测试(一般为5min之内...

    1.2人工智能发展历程

    学习目标

    • 了解人工智能阶发展历程

    1人工智能的起源

    1.1图灵测试

    测试者与被测试者(一个人和一台机器)喘开的情况下,遍过一些装置(如键盘)向被测试者随意提问。
    多次测试(一般为5min之内),如果有超过30%的测试者不能确定被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能。
    在这里插入图片描述

    1.2达特茅斯会议

    1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,
    约翰·麦卡锡(John McCarthy)
    马文·闵斯基(Marvin Minsky,人工智能与认知学专家)
    克劳德·香农(Claude Shannon,信息论的创始人)
    艾伦·纽厄尔(Allen Newell,计算机科学家)
    赫伯特·西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家正聚在一起,讨论着一个完全不食人间烟火的主题:

    • 用机器来模仿人类学习以及其他方面的智能

    会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:

    人工智能

    因此,1956年也就成为了人工智能元年。

    2 发展历程

    人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程,学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段:

    ·第一是起步发展期:1956年-20世纪60年代初。

    人工智能概念提出后,相继取得了一批令人瞩目的研究成果,如机器定理证明、跳棋程序等,掀起人工智能发展的第一个高潮。

    ·第二是反思发展期:20世纪60年代一70年代初。

    人工智能发展初期的突破性进展大大提升了人们对人工智能的期望,人们开始尝试更具挑战性的任务,并提出了一些不切实际的研发目标。然而,接二连三的失败和预期目标的落空(例如,无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等),使人工智能的发展走入低谷。

    ·第三是应用发展期:20世纪70年代初一80年代中。

    20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题,实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功,推动人工智能走入应用发展的新高潮。

    ·第四是低迷发展期:20世纪80年代中一90年代中。

    随着人工智能的应用规模不断扩大,专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

    ·第五是稳步发展期:20世纪90年代中一2010年。

    由于网络技术特别是互联网技术的发展,加速了人工智能的创新研究,促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫,2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。

    ·第六是蓬勃发展期:2011年至今。

    随着大数据、云计算、互联网、物联网等信息技术的发展,泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展,大幅跨越了科学与应用之间的“技术鸿沟”,诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破,迎来爆发式增长的新高潮。
    在这里插入图片描述

    3 小结

    • 人工智能的起源【了解】

       图灵测试
       达特茅斯会议
      
    • 人工智能的发展经历了六个阶段【了解】

       起步发展期
       反思发展期
       应用发展期
       低迷发展期
       稳步发展期
       蓬勃发展期
      

    点个赞吧!!!你的鼓励是对我码字的认可😀😀😀关注一下也不错哦!!
    👇👇👇

    展开全文
  • 人工智能发展历程

    万次阅读 多人点赞 2018-06-02 13:38:08
     为推动我国人工智能规模化应用,全面提升产业发展智能化水平,2017年7月20日,国务院印发了《新一代人工智能发展规划》,并将在制造、金融、农业、物流、商务、家居等重点行业和领域开展人工智能应用试点示范工作...

    目录

    .  政策

    . 主要发展阶段

    . 60年历程关键事件

    一.  政策

           为推动我国人工智能规模化应用,全面提升产业发展智能化水平,2017年7月20日,国务院印发了《新一代人工智能发展规划》,并将在制造、金融、农业、物流、商务、家居等重点行业和领域开展人工智能应用试点示范工作。就金融行业而言,《规划》指出,要在智能金融方面,建立金融大数据系统,提升金融多媒体数据处理与理解能力;创新智能金融产品和服务,发展金融新业态;鼓励金融行业应用智能客服、智能监控等技术和装备;建立金融风险智能预警与防控系统。

    二. 主要发展阶段

    人工智能的起源:人工智能在五六十年代时正式提出,1950年,一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起,建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是,同样是在1950年,被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想:如果一台机器能够与人类开展对话而不能被辨别出机器身份,那么这台机器就具有智能。而就在这一年,图灵还大胆预言了真正具备智能机器的可行性。1956年,在由达特茅斯学院举办的一次会议上,计算机专家约翰·麦卡锡提出了“人工智能”一词。后来,这被人们看做是人工智能正式诞生的标志。就在这次会议后不久,麦卡锡从达特茅斯搬到了MIT。同年,明斯基也搬到了这里,之后两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。值得追的是,茅斯会议正式确立了AI这一术语,并且开始从学术角度对AI展开了严肃而精专的研究。在那之后不久,最早的一批人工智能学者和技术开始涌现。达特茅斯会议被广泛认为是人工智能诞生的标志,从此人工智能走上了快速发展的道路。 
    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。 
    因此,人工智能项目停滞不前,但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此,人工智能遭遇了长达6年的科研深渊。 
    **人工智能的崛起:**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:可怜的是,命运的车轮再一次碾过人工智能,让其回到原点。仅仅在维持了7年之后,这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时,苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此,专家系统风光不再。 
    人工智能再次崛起:上世纪九十年代中期开始,随着AI技术尤其是神经网络技术的逐步发展,以及人们对AI开始抱有客观理性的认知,人工智能技术开始进入平稳发展时期。1997年5月11日,IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫,又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。 
    2006年,Hinton在神经网络的深度学习领域取得突破,人类又一次看到机器赶超人类的希望,也是标志性的技术进步。 
    【注】Geoffrey Hinton的论文《A fast learning algorithm for deep belief nets》链接地址 
    在最近三年引爆了一场商业革命。谷歌、微软、百度等互联网巨头,还有众多的初创科技公司,纷纷加入人工智能产品的战场,掀起又一轮的智能化狂潮,而且随着技术的日趋成熟和大众的广泛接受,这一次狂潮也许会架起一座现代文明与未来文明的桥梁。 

    三. 60年历程关键事件

            时至今日,人工智能发展日新月异,此刻AI已经走出实验室,离开棋盘,已通过智能客服、智能医生、智能家电等服务场景在诸多行业进行深入而广泛的应用。可以说,AI正在全面进入我们的日常生活,属于未来的力量正席卷而来。让我们来回顾下人工智能走过的曲折发展的60年历程中的一些关键事件:

          1946年,全球第一台通用计算机ENIAC诞生。它最初是为美军作战研制,每秒能完成5000次加法,400次乘法等运算。ENIAC为人工智能的研究提供了物质基础。

           1950年,艾伦·图灵提出“图灵测试”。如果电脑能在5分钟内回答由人类测试者提出的一些列问题,且其超过30%的回答让测试者误认为是人类所答,则通过测试。这边论文语言了创造出具有真正智能的机器的可能性。

           1956年,“人工智能”概念首次提出。在美国达特茅斯大学举行的一场为其两个月的讨论会上,“人工智能”概念首次被提出。

           1959年,首台工业机器人诞生。美国发明家乔治·德沃尔与约瑟夫·英格伯格发明了首台工业机器人,该机器人借助计算机读取示教存储程序和信息,发出指令控制一台多自由度的机械。它对外界环境没有感知。

           1964年,首台聊天机器人诞生。美国麻省理工学院AI实验室的约瑟夫·魏岑鲍姆教授开发了ELIZA聊天机器人,实现了计算机与人通过文本来交流。这是人工智能研究的一个重要方面。不过,它只是用符合语法的方式将问题复述一遍。

           1965年,专家系统首次亮相。美国科学家爱德华·费根鲍姆等研制出化学分析专家系统程序DENDRAL。它能够分析实验数据来判断未知化合物的分子结构。

           1968年,首台人工智能机器人诞生。美国斯坦福研究所(SRI)研发的机器人Shakey,能够自主感知、分析环境、规划行为并执行任务,可以柑橘人的指令发现并抓取积木。这种机器人拥有类似人的感觉,如触觉、听觉等。

           1970年,能够分析语义、理解语言的系统诞生。美国斯坦福大学计算机教授T·维诺格拉德开发的人机对话系统SHRDLU,能分析指令,比如理解语义、解释不明确的句子、并通过虚拟方块操作来完成任务。由于它能够正确理解语言,被视为人工智能研究的一次巨大成功。

           1976年,专家系统广泛使用。美国斯坦福大学肖特里夫等人发布的医疗咨询系统MYCIN,可用于对传染性血液病患诊断。这一时期还陆续研制出了用于生产制造、财务会计、金融等个领域的专家系统。

           1980年,专家系统商业化。美国卡耐基·梅隆大学为DEC公司制造出XCON专家系统,帮助DEC公司每年节约4000万美元左右的费用,特别是在决策方面能提供有价值的内容。

           1981年,第五代计算机项目研发。日本率先拨款支持,目标是制造出能够与人对话、翻译语言、解释图像,并能像人一样推理的机器。随后,英美等国也开始为AI和信息技术领域的研究提供大量资金。

           1984年,大百科全书(Cyc)项目。Cyc项目试图将人类拥有的所有一般性知识都输入计算机,建立一个巨型数据库,并在此基础上实现知识推理,它的目标是让人工智能的应用能够以类似人类推理的方式工作,成为人工智能领域的一个全新研发方向。

           1997年,“深蓝”战胜国际象棋世界冠军。IBM公司的国际象棋电脑深蓝DeepBlue战胜了国际象棋世界冠军卡斯帕罗夫。它的运算速度为每秒2亿步棋,并存有70万份大师对战的棋局数据,可搜寻并估计随后的12步棋。

           2011年,Watson参加智力问答节目。 IBM开发的人工智能程序“沃森”(Watson)参加了一档智力问答节目并战胜了两位人类冠军。沃森存储了2亿页数据,能够将于问题相关的关键词从看似相关的答案中抽取出来。这一人工智能程序已被IBM广泛应用于医疗诊断领域。

          2016~2017年,AlphaGo战胜围棋冠军。AlphaGo是由Google DeepMind开发的人工智能围棋程序,具有自我学习能力。它能够搜集大量围棋对弈数据和名人棋谱,学习并模仿人类下棋。DeepMind已进军医疗保健等领域。

          2017年,深度学习大热。AlphaGoZero(第四代AlphaGo)在无任何数据输入的情况下,开始自学围棋3天后便以100:0横扫了第二版本的“旧狗”,学习40天后又战胜了在人类高手看来不可企及的第三个版本“大师”。

    è¿éåå¾çæè¿°

            

     

    展开全文
  • 1.1 人工智能概述 1 人工智能应用场景 2 人工智能小案例 案例一: 参考链接:https://quickdraw.withgoogle.com 案例二: 参考链接:...3 人工智能发展必备三要素: 数据 算...

    日萌社

    人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)


    1.1 人工智能概述

    1 人工智能应用场景

    2 人工智能小案例

    案例一:

    参考链接:https://quickdraw.withgoogle.com

    案例二:

    参考链接:https://pjreddie.com/darknet/yolo/

    案例三:

    查看更多:https://deepdreamgenerator.com/

    3 人工智能发展必备三要素:

    • 数据
    • 算法
    • 计算力
      • CPU,GPU,TPU

    • 计算力之CPU、GPU对比:

      • CPU主要适合I\O密集型的任务

      • GPU主要适合计算密集型任务

    • 提问:什么类型的程序适合在GPU上运行?

    (1)计算密集型的程序。

    所谓计算密集型(Compute-intensive)的程序,就是其大部分运行时间花在了寄存器运算上,寄存器的速度和处理器的速度相当,从寄存器读写数据几乎没有延时。可以做一下对比,读内存的延迟大概是几百个时钟周期;读硬盘的速度就不说了,即便是SSD, 也实在是太慢了。  

    (2)易于并行的程序。

    GPU其实是一种SIMD(Single Instruction Multiple Data)架构, 他有成百上千个核,每一个核在同一时间最好能做同样的事情。

    CPU和GPU的区别:

    http://www.sohu.com/a/201309334_468740

    Google TPU 介绍:

    https://buzzorange.com/techorange/2017/09/27/what-intel-google-nvidia-microsoft-do-for-ai-chips/

    4 人工智能、机器学习和深度学习

    • 人工智能和机器学习,深度学习的关系
      • 机器学习是人工智能的一个实现途径
      • 深度学习是机器学习的一个方法发展而来

    4 小结

    • 人工智能应用场景【了解】
      • 网络安全、电子商务、计算模拟、社交网络 … ...
    • 人工智能必备三要素【知道】
      • 数据、算法、计算力
    • 人工智能和机器学习,深度学习的关系【知道】
      • 机器学习是人工智能的一个实现途径
      • 深度学习是机器学习的一个方法发展而来

    1.2 人工智能发展历程

    1 人工智能的起源

    1.1 图灵测试

    测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。

    多次测试(一般为5min之内),如果有超过30%的测试者不能确定被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能

    1.2 达特茅斯会议

    1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,

    ​ 约翰·麦卡锡(John McCarthy)

    ​ 马文·闵斯基(Marvin Minsky,人工智能与认知学专家)

    ​ 克劳德·香农(Claude Shannon,信息论的创始人)

    ​ 艾伦·纽厄尔(Allen Newell,计算机科学家)

    ​ 赫伯特·西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家正聚在一起,讨论着一个完全不食人间烟火的主题:

    用机器来模仿人类学习以及其他方面的智能。

    会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:

    ​ 人工智能

    因此,1956年也就成为了人工智能元年。

    2 发展历程

    人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程,学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段:

    • 第一是起步发展期:1956年—20世纪60年代初。

      人工智能概念提出后,相继取得了一批令人瞩目的研究成果,如机器定理证明、跳棋程序等,掀起人工智能发展的第一个高潮。

    • 第二是反思发展期:20世纪60年代—70年代初。

      人工智能发展初期的突破性进展大大提升了人们对人工智能的期望,人们开始尝试更具挑战性的任务,并提出了一些不切实际的研发目标。然而,接二连三的失败和预期目标的落空(例如,无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等),使人工智能的发展走入低谷。

    • 第三是应用发展期:20世纪70年代初—80年代中。

      20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题,实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功,推动人工智能走入应用发展的新高潮。

    • 第四是低迷发展期:20世纪80年代中—90年代中。

      随着人工智能的应用规模不断扩大,专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

    • 第五是稳步发展期:20世纪90年代中—2010年。

      由于网络技术特别是互联网技术的发展,加速了人工智能的创新研究,促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫,2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。

    • 第六是蓬勃发展期:2011年至今。

      随着大数据、云计算、互联网、物联网等信息技术的发展,泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展,大幅跨越了科学与应用之间的“技术鸿沟”,诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破,迎来爆发式增长的新高潮。

    3 小结

    • 人工智能的起源【了解】
      • 图灵测试
      • 达特茅斯会议
    • 人工智能的发展经历了六个阶段【了解】
      • 起步发展期
      • 反思发展期
      • 应用发展期
      • 低迷发展期
      • 稳步发展期
      • 蓬勃发展期

    1.3 人工智能主要分支

    1 主要分支介绍

    通讯、感知与行动是现代人工智能的三个关键能力,在这里我们将根据这些能力/应用对这三个技术领域进行介绍:

    • 计算机视觉(CV)、
    • 自然语言处理(NLP)
      • 在 NLP 领域中,将覆盖文本挖掘/分类、机器翻译和语音识别。
    • 机器人

    1.1 分支一:计算机视觉

    计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。物体检测和人脸识别是其比较成功的研究领域。

    当前阶段:

    计算机视觉现已有很多应用,这表明了这类技术的成就,也让我们将其归入到应用阶段。随着深度学习的发展,机器甚至能在特定的案例中实现超越人类的表现。但是,这项技术离社会影响阶段还有一定距离,那要等到机器能在所有场景中都达到人类的同等水平才行(感知其环境的所有相关方面)。

    发展历史:

    1.2 分支二:语音识别

    语音识别是指识别语音(说出的语言)并将其转换成对应文本的技术。相反的任务(文本转语音/TTS)也是这一领域内一个类似的研究主题。

    当前阶段:

    语音识别已经处于应用阶段很长时间了。最近几年,随着大数据和深度学习技术的发展,语音识别进展颇丰,现在已经非常接近社会影响阶段了。

    语音识别领域仍然面临着声纹识别「鸡尾酒会效应」等一些特殊情况的难题。

    现代语音识别系统严重依赖于云,在离线时可能就无法取得理想的工作效果。

    发展历史:

    百度语音识别:

    • 距离小于1米,中文字准率97%+
    • 支持耳语、长语音、中英文混合及方言

    1.3 分支三:文本挖掘/分类

    这里的文本挖掘主要是指文本分类,该技术可用于理解、组织和分类结构化或非结构化文本文档。其涵盖的主要任务有句法分析、情绪分析和垃圾信息检测。

    当前阶段:

    我们将这项技术归类到应用阶段,因为现在有很多应用都已经集成了基于文本挖掘的情绪分析或垃圾信息检测技术。文本挖掘技术也在智能投顾的开发中有所应用,并且提升了用户体验。

    文本挖掘和分类领域的一个瓶颈出现在歧义和有偏差的数据上。

    发展历史:

    1.4 分支四:机器翻译

    机器翻译(MT)是利用机器的力量自动将一种自然语言(源语言)的文本翻译成另一种语言(目标语言)。

    当前阶段:

    机器翻译是一个见证了大量发展历程的应用领域。该领域最近由于神经机器翻译而取得了非常显著的进展,但仍然没有全面达到专业译者的水平;但是,我们相信在大数据、云计算和深度学习技术的帮助下,机器翻译很快就将进入社会影响阶段。

    在某些情况下,俚语和行话等内容的翻译会比较困难(受限词表问题)。

    专业领域的机器翻译(比如医疗领域)表现通常不好

    发展历史:

    1.5 分支五:机器人

    机器人学(Robotics)研究的是机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理。

    机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。

    当前阶段:

    自上世纪「Robot」一词诞生以来,人们已经为工业制造业设计了很多机器人。工业机器人是增长最快的应用领域,它们在 20 世纪 80 年代将这一领域带入了应用阶段。在安川电机、Fanuc、ABB、库卡等公司的努力下,我们认为进入 21 世纪之后,机器人领域就已经进入了社会影响阶段,此时各种工业机器人已经主宰了装配生产线。此外,软体机器人在很多领域也有广泛的应用,比如在医疗行业协助手术或在金融行业自动执行承销过程。

    但是,法律法规和「机器人威胁论」可能会妨碍机器人领域的发展。还有设计和制造机器人需要相对较高的投资

    发展历史

    总的来说,人工智能领域的研究前沿正逐渐从搜索、知识和推理领域转向机器学习、深度学习、计算机视觉和机器人领域。

    大多数早期技术至少已经处于应用阶段了,而且其中一些已经显现出了社会影响力。一些新开发的技术可能仍处于工程甚至研究阶段,但是我们可以看到不同阶段之间转移的速度变得越来越快。

    2 小结

    • 人工智能主要分支【了解】
      • 计算机视觉
      • 语音识别
      • 文本挖掘/分类
      • 机器翻译
      • 机器人

    1.4 机器学习工作流程

    1 什么是机器学习

    机器学习是从数据自动分析获得模型,并利用模型对未知数据进行预测。

    2 机器学习工作流程

    • 机器学习工作流程总结
      • 1.获取数据
      • 2.数据基本处理
      • 3.特征工程
      • 4.机器学习(模型训练)
      • 5.模型评估
        • 结果达到要求,上线服务
        • 没有达到要求,重新上面步骤

    2.1 获取到的数据集介绍

    • 数据简介

      在数据集中一般:

      • 一行数据我们称为一个样本
      • 一列数据我们成为一个特征
      • 有些数据有目标值(标签值),有些数据没有目标值(如上表中,电影类型就是这个数据集的目标值)
    • 数据类型构成:

      • 数据类型一:特征值+目标值(目标值是连续的和离散的)
      • 数据类型二:只有特征值,没有目标值
    • 数据分割:

      • 机器学习一般的数据集会划分为两个部分:
        • 训练数据:用于训练,构建模型
        • 测试数据:在模型检验时使用,用于评估模型是否有效
      • 划分比例:
        • 训练集:70% 80% 75%
        • 测试集:30% 20% 25%

    2.2 数据基本处理

    ​ 即对数据进行缺失值、去除异常值等处理

    2.3 特征工程

    2.3.1什么是特征工程

    特征工程是使用专业背景知识和技巧处理数据使得特征能在机器学习算法上发挥更好的作用的过程

    • 意义:会直接影响机器学习的效果

    2.3.2 为什么需要特征工程(Feature Engineering)

    机器学习领域的大神Andrew Ng(吴恩达)老师说“Coming up with features is difficult, time-consuming, requires expert knowledge. “Applied machine learning” is basically feature engineering. ”

    注:业界广泛流传:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。

    2.3.3 特征工程包含内容

    • 特征提取
    • 特征预处理
    • 特征降维

    2.3.4 各概念具体解释

    • 特征提取

      • 将任意数据(如文本或图像)转换为可用于机器学习的数字特征

    2.4 机器学习

    选择合适的算法对模型进行训练(具体内容见1.5)

    2.5 模型评估

    对训练好的模型进行评估(具体内容见1.6)

    3 小结

    • 机器学习定义【掌握】
      • 机器学习是从数据自动分析获得模型,并利用模型对未知数据进行预测
    • 机器学习工作流程总结【掌握】
      • 1.获取数据
      • 2.数据基本处理
      • 3.特征工程
      • 4.机器学习(模型训练)
      • 5.模型评估
        • 结果达到要求,上线服务
        • 没有达到要求,重新上面步骤
    • 获取到的数据集介绍【掌握】
      • 数据集中一行数据一般称为一个样本,一列数据一般称为一个特征。
      • 数据集的构成:
        • 由特征值+目标值(部分数据集没有)构成
      • 为了模型的训练和测试,把数据集分为:
        • 训练数据(70%-80%)和测试数据(20%-30%)
    • 特征工程包含内容【了解】
      • 特征提取
      • 特征预处理
      • 特征降维

    完整机器学习项目的流程(拓展阅读)

    1 抽象成数学问题

    明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情,胡乱尝试时间成本是非常高的。

    这里的抽象成数学问题,指的明确我们可以获得什么样的数据,抽象出的问题,是一个分类还是回归或者是聚类的问题。

    2 获取数据

    数据决定了机器学习结果的上限,而算法只是尽可能逼近这个上限。

    数据要有代表性,否则必然会过拟合。

    而且对于分类问题,数据偏斜不能过于严重,不同类别的数据数量不要有数量级的差距。

    而且还要对数据的量级有一个评估,多少个样本,多少个特征,可以估算出其对内存的消耗程度,判断训练过程中内存是否能够放得下。如果放不下就得考虑改进算法或者使用一些降维的技巧了。如果数据量实在太大,那就要考虑分布式了。

    3 特征预处理与特征选择

    良好的数据要能够提取出良好的特征才能真正发挥作用。

    特征预处理、数据清洗是很关键的步骤,往往能够使得算法的效果和性能得到显著提高。归一化、离散化、因子化、缺失值处理、去除共线性等,数据挖掘过程中很多时间就花在它们上面。这些工作简单可复制,收益稳定可预期,是机器学习的基础必备步骤。

    筛选出显著特征、摒弃非显著特征,需要机器学习工程师反复理解业务。这对很多结果有决定性的影响。特征选择好了,非常简单的算法也能得出良好、稳定的结果。这需要运用特征有效性分析的相关技术,如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法。

    4 训练模型与调优

    直到这一步才用到我们上面说的算法进行训练。现在很多算法都能够封装成黑盒供人使用。但是真正考验水平的是调整这些算法的(超)参数,使得结果变得更加优良。这需要我们对算法的原理有深入的理解。理解越深入,就越能发现问题的症结,提出良好的调优方案。

    5 模型诊断

    如何确定模型调优的方向与思路呢?这就需要对模型进行诊断的技术。

    过拟合、欠拟合 判断是模型诊断中至关重要的一步。常见的方法如交叉验证,绘制学习曲线等。过拟合的基本调优思路是增加数据量,降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量,增加模型复杂度。

    误差分析 也是机器学习至关重要的步骤。通过观察误差样本全面分析产生误差的原因:是参数的问题还是算法选择的问题,是特征的问题还是数据本身的问题……

    诊断后的模型需要进行调优,调优后的新模型需要重新进行诊断,这是一个反复迭代不断逼近的过程,需要不断地尝试, 进而达到最优状态。

    6 模型融合

    一般来说,模型融合后都能使得效果有一定提升。而且效果很好。

    工程上,主要提升算法准确度的方法是分别在模型的前端(特征清洗和预处理,不同的采样模式)与后端(模型融合)上下功夫。因为他们比较标准可复制,效果比较稳定。而直接调参的工作不会很多,毕竟大量数据训练起来太慢了,而且效果难以保证。

    7 上线运行

    这一部分内容主要跟工程实现的相关性比较大。工程上是结果导向,模型在线上运行的效果直接决定模型的成败。 不单纯包括其准确程度、误差等情况,还包括其运行的速度(时间复杂度)、资源消耗程度(空间复杂度)、稳定性是否可接受。

    这些工作流程主要是工程实践上总结出的一些经验。并不是每个项目都包含完整的一个流程。这里的部分只是一个指导性的说明,只有大家自己多实践,多积累项目经验,才会有自己更深刻的认识。


    1.5 机器学习算法分类

    根据数据集组成不同,可以把机器学习算法分为:

    • 监督学习

    • 无监督学习

    • 半监督学习
    • 强化学习

    1 监督学习

    • 定义:

      • 输入数据是由输入特征值和目标值所组成。
        • 函数的输出可以是一个连续的值(称为回归),
        • 或是输出是有限个离散值(称作分类)。

    1.1 回归问题

    例如:预测房价,根据样本集拟合出一条连续曲线。

    1.2 分类问题

    例如:根据肿瘤特征判断良性还是恶性,得到的是结果是“良性”或者“恶性”,是离散的。

    2 无监督学习

    • 定义:

      • 输入数据是由输入特征值组成,没有目标值

        • 输入数据没有被标记,也没有确定的结果。样本数据类别未知;
        • 需要根据样本间的相似性对样本集进行类别划分。

      举例:

    3 半监督学习

    • 定义:
      • 训练集同时包含有标记样本数据和未标记样本数据。

    举例:

    • 监督学习训练方式:

    4 强化学习

    • 定义:
      • 实质是make decisions 问题,即自动进行决策,并且可以做连续决策。

    举例:

    小孩想要走路,但在这之前,他需要先站起来,站起来之后还要保持平衡,接下来还要先迈出一条腿,是左腿还是右腿,迈出一步后还要迈出下一步。

    小孩就是 agent,他试图通过采取行动(即行走)来操纵环境(行走的表面),并且从一个状态转变到另一个状态(即他走的每一步),当他完成任务的子任务(即走了几步)时,孩子得到奖励(给巧克力吃),并且当他不能走路时,就不会给巧克力。

    主要包含五个元素:agent, action, reward, environment, observation;

    强化学习的目标就是获得最多的累计奖励

    监督学习和强化学习的对比

    拓展阅读:Alphago进化史 漫画告诉你Zero为什么这么牛:

    http://sports.sina.com.cn/chess/weiqi/2017-10-21/doc-ifymyyxw4023875.shtml


    独立同分布IID(independent and identically distributed)

    1.独立同分布(i.i.d.)

    在概率统计理论中,如果变量序列或者其他随机变量有相同的概率分布,并且互相独立,那么这些随机变量是独立同分布。

    在西瓜书中解释是:输入空间中的所有样本服从一个隐含未知的分布,训练数据所有样本都是独立地从这个分布上采样而得。

    2.简单解释 — 独立、同分布、独立同分布

    (1)独立:每次抽样之间没有关系,不会相互影响

    举例:给一个骰子,每次抛骰子抛到几就是几,这是独立;如果我要抛骰子两次之和大于8,那么第一次和第二次抛就不独立,因为第二次抛的结果和第一次相关。

    (2)同分布:每次抽样,样本服从同一个分布

    举例:给一个骰子,每次抛骰子得到任意点数的概率都是六分之一,这个就是同分布

    (3)独立同分布:i.i.d.,每次抽样之间独立而且同分布

    3.机器学习领域的重要假设

    IID独立同分布即假设训练数据和测试数据是满足相同分布的,它是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。

    4.目前发展

    机器学习并不总要求独立同分布,在不少问题中要求样本数据采样自同一个分布是因为希望用训练数据集得到的模型可以合理的用于测试数据集,使用独立同分布假设能够解释得通。

    目前一些机器学习内容已经不再囿于独立同分布假设下,一些问题会假设样本没有同分布


    1.6 模型评估

    模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。

    按照数据集的目标值不同,可以把模型评估分为分类模型评估和回归模型评估。

    1 分类模型评估

    • 准确率

      • 预测正确的数占样本总数的比例。
    • 其他评价指标:精确率、召回率、F1-score、AUC指标等

    2 回归模型评估

    均方根误差(Root Mean Squared Error,RMSE)

    • RMSE是一个衡量回归模型误差率的常用公式。 不过,它仅能比较误差是相同单位的模型。

    举例:

    假设上面的房价预测,只有五个样本,对应的
    真实值为:100,120,125,230,400
    预测值为:105,119,120,230,410
    

    那么使用均方根误差求解得:

    其他评价指标:相对平方误差(Relative Squared Error,RSE)、平均绝对误差(Mean Absolute Error,MAE)、相对绝对误差(Relative Absolute Error,RAE)

    3 拟合

    模型评估用于评价训练好的的模型的表现效果,其表现效果大致可以分为两类:过拟合、欠拟合。

    在训练过程中,你可能会遇到如下问题:

    训练数据训练的很好啊,误差也不大,为什么在测试集上面有问题呢?

    当算法在某个数据集当中出现这种情况,可能就出现了拟合问题。

    3.1 欠拟合

    因为机器学习到的天鹅特征太少了,导致区分标准太粗糙,不能准确识别出天鹅。

    欠拟合(under-fitting)模型学习的太过粗糙,连训练集中的样本数据特征关系都没有学出来

    3.2 过拟合

    机器已经基本能区别天鹅和其他动物了。然后,很不巧已有的天鹅图片全是白天鹅的,于是机器经过学习后,会认为天鹅的羽毛都是白的,以后看到羽毛是黑的天鹅就会认为那不是天鹅。

    过拟合(over-fitting):所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越,导致在测试数据集中表现不佳

    • 上问题解答:
      • 训练数据训练的很好啊,误差也不大,为什么在测试集上面有问题呢?

    4 小结

    • 分类模型评估【了解】
      • 准确率
    • 回归模型评估【了解】
      • RMSE -- 均方根误差
    • 拟合【知道】
      • 举例 -- 判断是否是人
      • 欠拟合
        • 学习到的东西太少
        • 模型学习的太过粗糙
      • 过拟合
        • 学习到的东西太多
        • 学习到的特征多,不好泛化

    1.8 深度学习简介

    1 深度学习 —— 神经网络简介

    深度学习(Deep Learning)(也称为深度结构学习【Deep Structured Learning】、层次学习【Hierarchical Learning】或者是深度机器学习【Deep Machine Learning】)是一类算法集合,是机器学习的一个分支。

    深度学习方法近年来,在会话识别、图像识别和对象侦测等领域表现出了惊人的准确性。

    但是,“深度学习”这个词语很古老,它在1986年由Dechter在机器学习领域提出,然后在2000年有Aizenberg等人引入到人工神经网络中。而现在,由于Alex Krizhevsky在2012年使用卷积网络结构赢得了ImageNet比赛之后受到大家的瞩目。

    卷积网络之父:Yann LeCun

    深度学习演示

    2 深度学习各层负责内容

    神经网络各层负责内容:

    1层:负责识别颜色及简单纹理

    2层:一些神经元可以识别更加细化的纹理,布纹,刻纹,叶纹等

    3层:一些神经元负责感受黑夜里的黄色烛光,高光,萤火,鸡蛋黄色等。

    4层:一些神经元识别萌狗的脸,宠物形貌,圆柱体事物,七星瓢虫等的存在。

    5层:一些神经元负责识别花,黑眼圈动物,鸟,键盘,原型屋顶等。

    4 小结

    • 深度学习的发展源头--神经网络【了解】
    • 多层神经网络,在最初几层是识别简单内容,后面几层是识别一些复杂内容。【了解】
    展开全文
  • 人工智能发展史英文版ppt
  • 人工智能发展历程.docx
  • 智慧IT 人工智能发展历程及行业应用 技术创新变革未来 P A G E 43 THANKS
  • 1、AI发展历程 人工智能(ArtificialIntelligence)指由人类制造出来的机器所展现出来的智能,试图通过计算机来模拟人的思维过程和行为。目前这一领域主要包括计算机视觉、自然语言处理、跨媒体分析推理、智适应...
  • 人工智能( Artificial Intelligence )英文缩写为AI,所谓人工智能是 指在理解智能的基础上,用人工方 法所实现的智能 Have u ever imagine this kind of life? 机器们成为我们日常生活的帮手,机器人伴侣,等等 养一个...
  • AI发展历程

    2020-07-11 20:01:57
  • 来自法国Tenth research centre of Sciences Po的研究人员通过分析了 106278篇联结主义学派的论文和65522篇符号主义学派的论,分析了自上世纪30年代以来的两个学派的发展历程。 网站论文 法语 这个图显示了两个...
  • 人工智能的应用与发展历程

    千次阅读 2019-06-03 13:35:52
    人工智能(AI)这一术语是指执行在人类决策领域内考虑的任务的计算系统。这些软件驱动的系统和智能代理包含*数据分析和大数据应用程序。人工智能系统利用这个知识库来制定决策,并开展近似认知功能的行动,其中包括...
  • 人工智能发展历程 王鑫涛 16151228 摘要人工智能的发展人工智能的应用人工智能的未来 关键字人工智能阿尔法围棋AI 正文 近几年人工智能这个话题变得越来 热门尤其是 在今年三月份的一场举世瞩目的人机围棋大赛后...
  • 人工智能 什么是人工智能 所谓人工智能是指在理解智能的基础上用人工方法所实现的智能 人工智能 Have u ever imagine this kind of life?... 人工智能的现状是什么 人工智能发展历程 图灵 人工智能之父
  • 人工智能发展历史概述

    万次阅读 多人点赞 2019-07-15 16:16:31
    人工智能发展道路上的大事记 ----------------详细版 从20世纪50年代开始,许多...
  • 2015年3月,随着Google Deepmind开发的AlphaGo程序打败了韩国职业围棋高手李世石(Lee Se-dol),媒体在通稿中开始普遍使用“AI”“机器学习”和“深度学习”这样的字眼,“AI”也迅速成为人们茶余饭后的热门话题,...
  • 说起人工智能发展史,自其1956年被正式定义以来,已经度过了风风雨雨七十载。的确,长久以来人类对于人工智能的研究尚停留在实验室阶段,人类似乎依然未能摆脱关于人工智能的困惑:它究竟是服务人类未来的帮手,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 20,224
精华内容 8,089
关键字:

人工智能发展历程