AI的全称是“Artificial Intelligence” ,翻译过来是“人工智能”。
人工智能指的是利用计算机和机器来模拟人类思维解决问题和决策的能力。
简单地说,人工智能是一个结合了计算机科学和庞大数据集来解决问题的领域,其中数据、算法、算力是人工智能三要素。
人工智能还包括机器学习和深度学习的子领域,这两个领域经常与人工智能一起被提及。这些学科由AI算法组成,这些算法的目的就是构建基于输入数据进行预测或分类的专家系统。
弱人工智能也被称为狭义人工智能或人工狭义智能(Artificial Narrow Intelligence, ANI),是指经过训练并专注于执行特定任务的人工智能。
我们今天周围的大多数AI就是属于弱AI。
用“狭义(‘Narrow’ )”来描述这类AI可能更准确,因为它一点也不弱;它可以支持一些非常强大的应用,比如苹果的Siri、IBM Watson和百度的阿波罗(Apollo)自动驾驶,科大讯飞的语音识别等,这些都是很有代表性的AI产品。
强人工智能由人工通用智能(Artificial General Intelligence, AGI)和人工超级智能(Artificial Super Intelligence, ASI)组成。
人工通用智能(AGI),或通用人工智能,是人工智能的一种理论形式,即机器将拥有与人类相等的智能;它将具有自我意识,有能力解决问题、学习和规划未来。
人工超级智能(ASI)——也被称为超级智能,它将超越人脑的智能和能力。
虽然人工智能研究人员在墙人工智能领域进行着不懈的探索,不过强人工智能目前仍然完全是理论,还没有实际应用的例子。
目前ASI最好的例子可能来自科幻小说,比如《2001太空漫游》中的超级计算机助手HAL。
说到人工智能,深度学习和机器学习这两个词经常被提起,但是二者还是有细微差别的。
深度学习和机器学习都是人工智能的子领域,而深度学习实际上也是机器学习的子领域。关系如图:
深度学习实际上是由神经网络组成的。深度学习中的“深度”是指由超过三层(包括输入和输出)组成的神经网络,可以被认为是一种深度学习算法。
这通常用下面的图表来表示:
深度学习和机器学习的不同之处在于每种算法的学习方式。
深度学习将过程中的大部分特征提取部分自动化,消除了一些所需的手动干预,并支持使用更大的数据集。
可以把深度学习想象成“可伸缩的机器学习”。传统的“非深度”的机器学习更依赖于人类的干预来学习。
人类专家确定特征的层次结构,以了解数据输入之间的差异,通常需要更多结构化数据来学习。
“深度”机器学习可以利用标记数据集(也被称为监督学习),但它不一定需要标记数据集。它可以接收原始形式的非结构化数据(例如文本、图像),并且可以自动确定特征层次结构,从而区分不同类别的数据。与机器学习不同的是,它不需要人工干预来处理数据,这让我们能够以更有趣的方式来扩展机器学习。
人工智能系统已经在现实世界中有无数的应用。下面是一些最常见的例子:
“会思考的机器”的概念可以追溯到古希腊。但是自从电子计算出现以来(人工智能发展中的重要事件和里程碑包括以下几点:
“图灵测试”如图,让一个人坐在电脑前,跟另一边用键盘进行对话,如果这个人分不清跟自己对话的是一个人还是一个机器,那么这个对话机器就通过了图灵测试并具备人工智能。
机器学习涉及算法和模型的设计和开发,使计算机无需特定的编程就能进行学习。机器学习有很多应用,包括回归、分类、聚类、自然语言处理、音频和视频、计算机视觉等。不同的问题机器学习需要使用不同的算法训练一个或多个模型。
机器学习模型最重要的一个方面是识别特征,有助于创建优秀模型的特征,可以很好地处理潜在的数据。
机器学习模型都是关于为数据的输入数据转换找到合适的表示/特征,使其更适合手头的任务,例如分类任务,不同的分类任务的特征和参数就不一样。
在机器学习的情况下,数据科学家有责任从给定的数据集中手工制作一些有用的表示/特征。
在深度学习的情况下,可以基于底层算法自动学习特征表示。这也是深度学习之所以能迅速发展的原因之一,就是它可以完全自动化机器学习工作流中最关键的步骤:特征工程
提出新表示或特征(包括原始特征和衍生特征)的过程称为特征工程
机器学习是学习一个或多个数学函数/模型,使用数据来解决特定的任务。任何机器学习问题都可以用三个参数的函数表示。
机器学习问题= < T, P, E >
上式中,T代表任务,P代表业绩,E代表经验(过去的数据)。机器学习模型学习使用过去的数据来执行任务,并以表现(错误)来衡量。
机器学习模型使用可以表示为**原始特征(与数据相同)或派生特征(从数据派生)**的数据进行训练。
在机器学习模型中,特征就是自变量。在任何具体的机器学习问题中,需要学习的是这一系列的特征(自变量)、特征的系数、以及用于提出适当的函数或模型的参数(也称为超参数)。
我自己把它抽象成方程式:
y = Ax+b
y= Ax^2 + Bx^3+ C lnX 像这种复杂式子我们就很难计算出结果来。
而机器学习所做的,就是代入数据,算出结果,我们通过调节参数,而使代人变量后结果更符合我们的预期。
为了帮助理解特征,我们举几个例子。以下是一些可以被称为机器学习模型特征的例子:
好的特征的特点应该是:
当分析模型的特征时,根据第一原则进行推理会有很大帮助。在第一性原则思维中,我们将问题分解为各个组成部分,并努力找出最基本的原因或第一个原因。相对于代表真实世界问题的机器学习模型,这些首要原因可以成为模型的特征。例如,如果需要模拟学生在考试中取得好成绩或坏成绩的真实情况,我们可以运用第一性原则思考,并尝试得出与学生在考试中取得成绩相关的最基本原因,如以下:
大数据(Big Data)又称巨量数据,指的是传统数据处理应用软件不足以处理的大或复杂的数据集的术语。
大数据也可以定义为来自各种来源的大量 非结构化、半结构化或结构化数据组合而成,以至于传统的数据管理技术无法有效或高效地处理、存储和管理它。常规数据仓库不太合适,而Spark、Hadoop、NoSQL数据库和其他大数据平台和工具的出现填补这一空白,并使企业能够建立数据湖作为所有这些数据的存储库。
大数据(Big Data)的核心是利用数据的价值,它帮助企业更好地了解客户,做出更好的业务决策,改进业务流程,跟踪库存,监控竞争对手;
而机器学习可以跨大量数据提供认知能力,能够将大数据分析提升到一个新的水平。对于希望最大化其数据潜在价值的公司来说,就可以使用机器学习算法进行大数据分析。机器学习工具使用数据驱动的算法和统计模型来分析数据集,然后从已识别的模式中得出推论或基于它们进行预测。
所以机器学习是利用数据价值的关键技术。对于大数据而言,机器学习是不可或缺的。而对机器学习而言,越多的数据可能会提升模型的精确性。为什么说"可能",因为数据有可能是有用的数据,也有可能是垃圾数据,错误的数据就会对模型的训练产生干扰了。
同时,复杂的机器学习算法的计算时间也迫切需要分布式计算与内存计算这样的关键技术。因此,机器学习的兴盛也离不开大数据的帮助。 大数据与机器学习两者是互相促进,相依相存的关系。
深度学习试图模仿人脑,尽管它的能力远远不足以使系统能够以难以置信的准确性对数据进行聚类和预测。
深度学习是机器学习的一个子集,机器学习本质上是一个具有三层或更多层的神经网络。这些神经网络试图模拟人脑的行为,尽管与人脑从大量数据中“学习”的能力相去甚远。虽然只有一层的神经网络仍然可以进行近似预测,但额外的隐藏层可以帮助优化和细化精度。
深度学习推动了许多人工智能(AI)应用程序和服务,这些应用程序和服务可以提高自动化程度,在无需人工干预的情况下执行分析和物理任务。深度学习技术是日常产品和服务(如数字助理、语音电视遥控器和信用卡欺诈检测)以及新兴技术(如自动驾驶汽车)的基础。