[人工智能]初識

人工智能

摘抄自《深度學習之Pytorch》。

定義

人工智能（Artificial Intelligence），也稱機器智能，是指由人工製造出來的系統所表現的智能。所謂的智能，即值能夠觀察周圍環境並據此做出行動已達到目的。

分類

人工智能的概念很寬泛，如今根據人工智能的實例將它分爲三大類：

• 弱人工智能（Artificial Narrow Intelligence，ANI）

弱人工智能是擅長單個方面的人工智能，如AlphaGo。

• 強人工智能（Artificial General Intelligence，AGI）

達到類人級別的人工智能。強人工智能是指在各方面都能和人類比肩的人工智能，人類能幹的腦力活，它都能幹。創造強人工智能比創造弱人工智能可貴多，目前還作不到。 Linda Gottfredson教授把智能定義爲「一種寬泛的心理能力，可以進行思考、計劃、解決問題、抽象思惟、理解複雜理念、快速學習和從經驗中學習等操做。」強人工智能在進行這些操做時應該和人類同樣駕輕就熟。

• 超人工智能（Artificial Super Intelligence，ASI）

牛津哲學家、知名人工智能思想及 Nick Bostrom把超級智能定義爲 「在幾乎全部領域都比最聰明的人類大腦都聰明不少，包括科學創新、通識和社交技能。」超人工智能能夠是各方面都比人類強一點，也能夠是各方面都比人類強萬億倍。

數據挖掘、機器學習和深度學習

數據挖掘

簡而言之，數據挖掘就是在大型的數據庫中發現有用的信息，並加以分析的過程，也就是人們所說的KDD（knowledge discovery in database）。
一個數據的處理過程，就是從輸入數據開始，對數據進行預處理，包括特徵選擇、規範化、下降維數、數據提高等，而後進行數據的分析和挖掘，再通過處理，例如模式識別、可視化等，最後造成可用信息的全過程。
因此說數據挖掘只是一種概念，即從數據中挖掘到有意義的信息，從大量的數據中尋找數據之間的特性。

機器學習

機器學習算是實現人工智能的一種途徑，它和數據挖掘有必定的類似性，也是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。不一樣於數據挖掘的從大數據之間找相互特性，機器學習更加註重算法的設計，讓計算機可以自動地從數據中「學習」規律，並利用規律對未知數據進行預測。由於學習算法涉及了大量的統計學理論，與統計推斷聯繫尤其緊密，因此也被稱爲統計學習方法。

分類

機器學習能夠分爲如下五個大類：

1. 監督學習： 從給定的訓練數據集中學習出一個函數，當新的數據到來時，能夠根據這個函數預測結果。監督學習的訓練集要求是輸入和輸出，也能夠說是特徵和目標。訓練集中的目標是由人標註的。常見的監督學習算法包括迴歸與分類。

2. 無監督學習： 無監督學習與監督學習相比，訓練集沒有人爲標註的結果，常見的無監督學習算法有聚類等。

3. 半監督學習： 介於監督學習與無監督學習之間的方法。

4. 遷移學習： 將已經訓練好的模型參數遷移到新的模型來幫助新模型訓練數據集。

5. 加強學習： 經過觀察周圍環境來學習。每一個動做都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來作出判斷。

機器學習算法

傳統的機器學習算法有如下幾種：線性迴歸模型、logistic迴歸模型、k-臨近算法、決策樹、隨機森林、支持向量機、人工神經網絡、EM算法、機率圖模型。

深度學習

深度學習的最初級版本是人工神經網絡，這是機器學習的一個分支，其試圖模擬人腦，經過更加複雜的結構自動提取數據特徵。

深度學習結構

隨着神經網絡的發展，目前比較流行的網絡結構分別有：深度神經網絡（DNN）、卷積神經網絡（CNN）、循環遞歸神經網絡（RNN）、生成對抗網絡（GAN）等等。