初识人工智能


前言

成为一名优秀的Android开发,需要一份完备的知识体系,在这里,让我们一起成长为自己所想的那样~。

AI(人工智能)的idea起源于20世纪50年代,在20世纪80年代时,ML(机器学习)开始变得流行起来,在大约2010年,DL(深度学习)在AI的推动下有了大的发展。下图是三者直接的关系图:

image

关于人工智能,我们所需要了解的

what(人工智能是什么?):

人工智能(英语:Artificial Intelligence, AI)亦称机器智能,
是指由人制造出来的机器所表现出来的智能。通常人工智能是指通过
普通计算机程序的手段实现的类人智能技术。

why(为什么要使用它(作用)?):

AI是一个制造智能机器的科学与工程,它的核心问题包括建构能够跟
人类似甚至超越的推理、知识、规划、学习、交流、感知、移动和操
作物体的能力等,以更好地实现某一领域的特定目标(例如搜索、逻
辑推演、创造力等等)。

how(学习AI该从哪方面着手?):

见下方。。

AI的应用领域

AI的应用领域很广泛,目前主要涉及到的领域如下:
智能控制
机器人学
自动化技术
语言和图像理解
遗传编程
涉及到的概念:
智能控制
what(它是什么?):

智能控制是针对控制对象及其环境、控制目标和任务的不确定性
和复杂性而提出的一种控制技术。

why(为什么要使用智能控制?):

能够减小或消除被控对象的被控制量的控制偏差。

how(有哪些人工智能控制方法?):

类神经网络,模糊逻辑,机器学习,进化计算和遗传算法等等。

机器人学
what(它是什么?):

是一项涵盖了机器人的设计、建造、运作、以及应用的跨领域科
技,就如同电脑系统之控制、感测回授、以及资讯处理。

自动化技术
what(它是什么?):

是一门综合性技术,它和控制论、信息论、系统工程、计算机技
术、电子学、液压气压技术、自动控制等都有着十分密切的关系,
而其中又以“控制理论”和“计算机技术”对自动化技术的影响最大。
一些过程已经被完全自动化。

语言和图像理解
what(它是什么?):

图像识别是对图像整体的语义内容进行类别判定,而语言识别是指
能够让计算机自动地识别语音中所携带信息的技术。

遗传编程
what(它是什么?):

是一种从生物演化过程得到灵感的自动化生成和选择计算机程序
来完成用户定义的任务的技术。

AI的主要研究范畴如下:
机器学习(Machine Learning)
自然语言处理(NLP: Natural Language Processing)
人工神经网络(Artificial Neural Network)
数据挖掘(Data Mining)
智能搜索(Intelligent Search)
遗传算法
涉及到的概念:
机器学习
what(他是什么?)

机器学习可简单概括为“用数据解决问题”,即:数据 + 学习算法 =模型(映射或函数)
机器学习是人工智能的一个分支,近30多年已发展为一门多领域交叉
学科,机器学习理论主要是设计和分析一些让计算机可以自动“学习”
的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规
律对未知数据进行预测的算法。

why(为什么要学习机器学习?)

就是因为机器学习算法的这种可预测性,能利用规律对未知数据进行
预测,从而会有比较广的应用范围,现如今,机器学习已广泛应用于
数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、
医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和
手写识别、战略游戏和机器人等领域。

how(如何开始机器学习?)

首先,我们需要了解机器学习分为哪几种。
监督学习:
从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据
这个函数预测结果。监督学习的训练集要求是包括输入和输出,也可以
说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法
包括回归分析和统计分类。
无监督学习:
与监督学习相比,训练集没有人为标注的结果。常见的无监督学习算法
有聚类。
半监督学习:
介于监督学习与无监督学习之间。
增强学习:
通过观察来学习做成如何的动作。每个动作都会对环境有所影响,学习
对象根据观察到的周围环境的反馈来做出判断。
选择了要学习的机器学习类别,具体的就是机器学习算法的学习了,此处
不再概述。

进行机器学习的七步曲:
搜集数据
准备数据
选择模型
训练模型
评估模型
参数微调
预测
自然语言处理
what(它是什么?)

自然语言处理是人工智能和语言学领域的分支学科,它分为两部分,
自然语言生成系统和自然语言理解系统。自然语言生成系统把计算机
数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序
更易于处理的形式。

why(为什么要使用自然语言处理?)

就是为了使计算机生成和理解自然语言。

how(自然语言的处理范畴?)

自然语言的处理范畴比较广,主要有文本朗读、语音合成、语音识别、
文本分类、信息检索、信息抽取、问答系统、机器翻译、自动摘要等等。

人工神经网络
what(它是什么?)

人工神经网络(英语:artificial neural network,缩写ANN),简称
神经网络(neural network,缩写NN)或类神经网络,在机器学习和认知
科学领域,是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)
的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。

why(为什么要使用人工神经网络?)

就是因为它对于函数进行估计或近似的这种能力,现在,已经被用于解决
各种各样的问题,例如机器视觉和语音识别。

how(如何使用人工神经网络?)

具体的学习请参照本文总结。

数据挖掘
what(它是什么?)

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支,它是
用人工智能、机器学习、统计学和数据库的交叉方法在相对较大型的数据
集中发现模式的计算过程。

why(为什么要使用数据挖掘?)

用于从大量数据中提取模式和知识。

how(如何进行数据挖掘?)

数据挖掘的方法类似于机器学习,包括监督式学习、非监督式学习、半监
督学习、增强学习。
监督式学习包括:分类、估计、预测。
非监督式学习包括:聚类,关联规则分析。

智能搜索
what(它是什么?)

智能搜索其实就是一些能提高搜索策略的搜索方式。比如:深度优先搜索、
迭代加深搜索(ID搜索)、启发式OR图搜索算法、AND-OR图启发式搜索、
约束满足搜索等等。

遗传算法
what(它是什么?)

遗传算法(英语:genetic algorithm (GA))是计算数学中用于解决最佳
化的搜索算法,是进化算法的一种。进化算法最初是借鉴了进化生物学中
的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等。

总结

关于AI,目前应用范围主要集中在机器学习、深度学习(用于学习机器学习的一种技术)、NLP、图像识别与处理这几个方面,请选择适合您的分支。

如果您对深度学习有兴趣,可以从吴恩达的深度学习课程开始。同样的,如果对机器学习有兴趣,可以从Google的机器学习速成课程吴恩达的机器学习课程Google Cloud AI Adventure 中文版教程写给大家看的机器学习书着手。

除此之外,这里还有一些关于AI的快速开发框架:最知名的如TensorFlow(使用数据流图形计算来扩展机器学习的框架)、caffe(一个快速开放的深度学习框架)、keras(对人类的深度学习框架)、
MXNet(MxNet是一个兼并效率和弹性的深度学习框架)、torch(torch是一个广泛支持机器学习算法的科学计算框架)、theano(theano是一个允许你去高效地定义、优化、评估涉及多维数组的数学表达的python库)。

最热门的TensorFlow入门推荐-Google的TensorFlow入门指南

赞赏

如果这个库对您有很大帮助,您愿意支持这个项目的进一步开发和这个项目的持续维护。你可以扫描下面的二维码,让我喝一杯咖啡或啤酒。非常感谢您的捐赠。谢谢!




Contanct Me

● 微信:

欢迎关注我的微信:bcce5360

● 微信群:

微信群如果不能扫码加入,麻烦大家想进微信群的朋友们,加我微信拉你进群。



● QQ群:

2千人QQ群,Awesome-Android学习交流群,QQ群号:959936182, 欢迎大家加入~

About me

很感谢您阅读这篇文章,希望您能将它分享给您的朋友或技术群,这对我意义重大。

希望我们能成为朋友,在 Github掘金上一起分享知识。

坚持原创技术分享,您的支持将鼓励我继续创作!