会思考的机器你造嘛——AI技术
目录
系列文章目录
前言
一、人工智能的划分
1.1 能力水平的划分：
1）弱人工智能（ANI）：
2）强人工智能（AGI）：
3）超人工智能（ASI）：
1.2 人工智能学派的划分
1）符号主义学派：
2）连接主义学派：
3）行为主义学派：
二、人工智能关键技术
2.1 机器学习和深度学习
2.2 知识图谱
2.3 自然语言处理
1）机器翻译
2）语义翻译
3）问答系统
2.4 人机交互
2.5 计算机视觉
2.6 生物特征识别
2.7 SLAM技术
2.8 VR/AR/MR技术
三、鸢尾花数据集实践人工智能
3.1 实验背景
3.2 实验数据
3.3 实验全部代码
3.4 结论
系列文章目录
第一章：会思考的机器你造嘛——AI技术
第二章：深度学习敲门砖——神经网络
前言
近年来，人工智能（Artificial Intelligence,AI）已经展现出了其无限的潜力及能力，根据IBM公司的定义：人工智能就是让机器能用人的方式去思考问题。它研究的目的是为了“模拟、延伸和扩展人的智能”，如图像识别就是模拟人在看图方面的智能；NLP（自然语言处理）就是模拟人在听话方面的智能。
一、人工智能的划分
1.1 能力水平的划分：
1）弱人工智能（ANI）：
弱人工智能（ANI）是指根据人类设计的某种算法一坨计算机进行基本逻辑推理和解决某种 特定问题的智能。虽然ANI的名称带着和“弱”，但就目前来说，“弱人工智能”代表了现在我们所应用的人工智能的主流，并在将来相当长的一段时间内都将引领汗液发展。如：人脸识别技术可以在密集的人群中一眼就发现目标任务；扫地机器人可以自动打扫房间的每个角落，并在电量不足时自行找到充电桩进行充电，等等~~
2）强人工智能（AGI）：
强人工智能（AGI）也叫做通用人工智能或完全人工智能，指的是可以胜任人类所有工作的人工智能，能够进行思考计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习，具备在存在不确定性因素是进行推理、使用策略、解决问题、指定决策的能力，使用自然语言进行交流沟通的能力及将上述能力整合以实现既定目标的能力；
3）超人工智能（ASI）：
超人工智能（ASI）是指随着科学急速的不断发展和协同工作，让计算机创造出一种在科学创新、通识和社交技能等方面都比人类大脑聪明很多的智能。超人工智能目前来说只是寄托着人类的美好的愿景但不一定能够达到的目标。
1.2 人工智能学派的划分
1）符号主义学派：
“符号主义”研究者认为人工智能源于数理逻辑。
基于大数据知识工程的知识图谱（Knowledge Graph）是符号主义学派人工智能代表性应用成果。大数据时代，由于拥有了前所未有的算力和数据，有着花样繁多的模型，大规模的众包平台及高质量的用户内容，这使得自动化知识获取、自动化的知识图谱构建成为可能。
2）连接主义学派：
“连接主义”研究者认为神经网络和神经网络建得联结机制和学习方法能够产生智能。
当前，人工智能领域所取得的的大量应用和突破性进展都是基于连接主义下的深度神经网络（DNN）并结合大数据和高性能计算技术而取得的。“连接主义”采用硬件模拟神经网络，使用多层网中的反向传播算法（BP），再加上对卷积神经网络（CNN）的研究，从模型到算法，从理论分析到工程实现，为基于神经网络的人工智能走向市场打下基础。
3）行为主义学派：
“行为主义”研究者认为人工智能源于控制论。
控制论把神经系统的工作原理与信息理论、控制理论、逻辑及计算机联系起来，模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，从而创造出智能控制以及智能机器人系统。
二、人工智能关键技术
2.1 机器学习和深度学习
“机器学习”是人工智能核心，是使计算机具有智能的根本途径。根据学习模式可以将机器学习分类为监督学习、无监督学习、强化学习等；而根据学习方法我们又可以将机器学习分为传统机器学习和深度学习。但是无论是机器学习还是深度学习，都是让机器学会思考的一种途径，也就是让机器思考如何完成模拟。在这个过程中他们会从海量的数据中去获取某种规律或认知，从而面对新的数据时也能作出合理的决策。
人工智能：能够感知、推理、行动和适应的程序；
机器学习：能够随着数据量的增加不断该井性能的算法；
深度学习：机器学习的一个子集：利用多层神经网络从大量数据中进行学习；
2.2 知识图谱
知识图谱本质上是结构化的语义知识库，是一种有结点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本的组成单位是“实体-关系-实体”三元组，以及实体及其相关“属性-值”对。不同实体之间通过关系相互连接，构成网状的知识结构。
2.3 自然语言处理
1）机器翻译
机器翻译技术是指利用计算机技术实现从一中自然语言到另一种自然语言的翻译过程。基于深度神经网络的机器翻译显现出了巨大潜力，而随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，及其翻译将会在多轮对话翻译及篇章翻译等领域取得更大的进展。
2）语义翻译
语义理解技术更注重于对上下文的理解及对答案精准程度的把控，随着MCTest数据集的发布，语义理解所受关注变多，也就迎来了快速发展，想过数据集和对应的神经网络模型层出不穷。语音理解急速将在智能客服、产品自动问答等相关领域发挥重要作用。进一步提高问答与对话系统的精度。
3）问答系统
问答系统分为开放领域的对话系统和特定领域打的问答系统，问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以像问答系统提交用自然语言表达的额问题，系统会返回关联性较高的答案。
2.4 人机交互
人机交互主要研究人和计算机之间的信息交互，主要包括人到计算机和计算机到人的量不服信息交互，是人工智能领域重要的外围技术。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。
2.5 计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像及图像序列的能力，随着近来深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可以分为计算成像学、图像理解、三维视觉、动态视觉和视视频编解码五大类。
2.6 生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。
从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行菜鸡，得到相应的特征进行存储。识别过程采用和注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取与存储的特征进行比对分析，完成识别。
从应用任务看，考生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库确定待识别人身份的过程，是一对多的问题。确认是指将待识别人信息与存储库中特定担任信息进行比对，确定身份的过程，是一对一的问题。
2.7 SLAM技术
同步定位与建图（SLAM）技术构图根据传感器不同又分为基于视觉的VSLAM和基于激光雷达的激光SLAM，分别对应视觉导航和激光导航。
视觉导航技术的优势在于成本较低，最基础的功能仅需要可以采集清晰环境图像信息的摄像头及处理信息的计算单元，打在训练完成的AI模型即可实现；
激光导航技术通过向各个方向更多点位测距，可以二维地建图或三维地建模，确定草地机器人自身的位置，同时还可以利用两点间的距离信息进行三角测距；
2.8 VR/AR/MR技术
虚拟现实（VR）、增强现实（AR）、混合显示（MR）等技术是以计算机为核心的新型视听技术。VR/AR/MR从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术及技术标准与评价体系5个方面。随着5G移动通信技术的普及应用，通过VR/AR/MR技术构建基于因东段的真实场景虚拟叠加、虚实环境对象无缝融合、全方位自然交互体验等将是未来人工智能应用领域的一个发展趋势。
三、鸢尾花数据集实践人工智能
3.1 实验背景
鸢尾花，测量数据：花瓣的长度和宽度，花萼的长度和宽度，所有测量结果都以厘米为单位。这一类花有三个品种：setosa,versicolor,virginnica。我们的目标是建立一个基础的机器学习的模型预测鸢尾花的品种。这是最基础的三分类问题，数据集中每朵鸢尾花叫做一个数据点，它的品种叫做它的标签。
3.2 实验数据
# 读取鸢尾花真实类别表，并规定label和种类名的映射字典
guess_iris_label = np.loadtxt('guess_iris\guess_iris\iris_label.csv', delimiter=',', dtype=np.int8)
iris_dict = {'0':'山鸢尾', '1':'变色鸢尾', '2':'维吉尼亚鸢尾'}
3.3 实验全部代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sb
from mpl_toolkits.mplot3d import Axes3D
# 读取鸢尾花真实类别表，并规定label和种类名的映射字典
guess_iris_label = np.loadtxt('guess_iris\guess_iris\iris_label.csv', delimiter=',', dtype=np.int8)
iris_dict = {'0':'山鸢尾', '1':'变色鸢尾', '2':'维吉尼亚鸢尾'}
# 随机抽一张鸢尾花图片
i = np.random.randint(6)
filename = 'guess_iris\guess_iris/{}.png'.format(i)
iris_img = cv2.imread(filename)
w, h, p = iris_img.shape
plt.figure(figsize=(8, 6/w*h), dpi=72)
plt.imshow(iris_img[:, :, [2,1,0]])
plt.show()
# 看看抽到的鸢尾花是哪一类
variety = iris_dict[str(guess_iris_label[i])]
print('The iris you choose is {}!'.format(variety))3.4 结论
通过我们随机抽取的一张鸢尾花照片，可以得出抽到的鸢尾花是哪一类，这是一种简单的学习，而且还不具备进一步学习总结能力的实验，期待接下来能不断学习进行更高一层次的实验~~
总结
以上就是今天要讲的内容，本文介绍了人工智能知识的一个简单的概述，通过概述来梳理加深我们对人工智能的了解，笔者对人工智能的研究还比较浅薄，若有错误，期望能给予改正，希望能和大家一起进步~~
欢迎大家留言一起讨论问题~~~