2019-03-15

人工智能笔记1

（下思维导图哦~~~）

1.起源：

a.源于数学模型

数学模型是人们对各种自然现象长期观察，归纳，总结对某种事物形成的一种“认知”，将其模板化就是数学模型。

产生：可追溯到古埃及（三角学测量土地），甚至更早的时候。著名的还有 希腊—多行星运动图。

发展期：比较迅速的有17世纪左右，牛顿创立微积分，运动定律，就是一种对自然规律的抽象。后来引入函数抽象空间，对运动进行预测

量子力学的蓬勃发展使人们意识到运动具有不确定性

2.复杂系统（百度百科）

预测失效的原因：

（1）.randomness 系统随机性太强

（2）.chaos 混沌理论：如 蝴蝶效应

（3）.reflectivity 系统因素彼此影响

（4）.network effect 网络效应

（5）.history dependency 是无数个过去的总和

复杂系统是相对牛顿时代以来构成科学事业焦点的简单系统相比而言的，两者具有根本性的不同。简单系统通常具有少量个体对象，它们之间的相互作用比较弱，或者具有大量相近行为的个体，比如封闭的气体或遥远的星系，以至于我们能够应用简单的统计平均的方法来研究它们的行为。而复杂并不一定与系统的规模成正比，复杂系统要有一定的规模，但也不是越大越复杂。其关键在于个体之间的相互作用，如果系统规模适中，但是彼此相互作用很强，那么该系统也会体现出一定的复杂性。

根据以上的描述，我们可以得到复杂性科学中对复杂系统的描述性定义：复杂系统是具有中等数目，具有较强相互作用的系统。如下图所示：

(a)

(b)

(c)

说明：

a)简单系统，特点是元素数目特别少，因此可以用较少的变数来描述，这种系统可以用牛顿力学去加以解析。

b)无组织的“复杂”系统：其特征是元素和变量数很多，但其间的耦合是微弱的，或随机的，即只能用统计的方法去分析。热力学研究的对象一般就是这样的系统。

c)有组织的复杂系统：特征是元素数目很多，且它们之间存在着强烈的耦合作用。

值得指出的是，首先，这里给出的划分仅仅是一种定性的，很多概念具有一定的模棱两可性。例如，元素数目多少算少或者多？没有一定的准则。再例如，元素之间的相互作用多强才算强？所以，读者并没有必要局限在其字面的意思。其次，近年来统计物理作为一种强有力的分析手段与工具被广泛地应用到了复杂系统之中，并得到了一定的有意义的结论。因此，并不能否定统计和热力学方法在复杂系统研究中的作用。但是，可以肯定地是，对于复杂系统的研究与传统的平衡态而力学系统有着很大的差异。

3.AI的发展过程

（1）.图灵机:现代计算机鼻祖的爸爸（啥是图灵机？）

（2）.神经网络：刚出来的时候桀骜不驯， 难以控制；而且训练结果不唯一（解决方法：特征工程）

 人工神经网络（英语：Artificial Neural Network，ANN），简称神经网络（Neural Network，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。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的讲就是具备学习功能。现代神经网络是一种非线性统计性数据建模工具。神经网络的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题（也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力），这种方法比起正式的逻辑学推理演算更具有优势。和其他机器学习方法一样，神经网络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。这些问题都是很难被传统基于规则的编程所解决的。

（3）.发展：

  a.符号学派:由人来制定基本规则，由机器执行

  b.经典机器学习：经典的ML算法通常需要复杂的特性工程。

  c.  深度学习：使用深度学习时，不需要这样的特征工程，因为只需将数据直接传递给网络，通常就可以立即实现良好的性能。为了实现高性能，深度学习需要非常大的数据集。之前提到的预训练的网络在120万张图像上进行了训练。对于许多应用来说，这样大的数据集是不容易获得的，花费昂贵而且耗时。对于较小的数据集，经典的ML算法通常优于深度学习。（经典机器学习和深度学习比较）

另外万门大学许铁老师AI课程讲的还不错哦，还有中国大学mooc慕课北大的人工智能也很不错哦