人工智能 Day01

人工智能概述
人工智能：以机器为载体实现的人类智能或生物智能。

人工智能应具备如下能力：
1.具备视觉感知和语言交流的能力
2.具备推理与问题求解能力
3.具备协同控制能力。将视觉、语言、推理等能力统一协调。
4.具备遵守伦理道德能力。
5.具备从数据中进行归纳总结的能力。

人工智能的三种主要方法：

（1）符号主义人工智能（Symbolic AI）为核心的逻辑推理。
用规则教。
1997年IBM“深蓝”和2011年IBM“沃森”是以推理为核心的人工智能的代表。
深蓝计算机是由IBM开发的象棋电脑，历史上第一个成功在标准国际象棋比赛中打败卫冕世界冠军的计算机系统。深蓝计算机是采用混合决策的方法。它将通用超级计算机处理器与象棋加速器芯片相结合。在超级计算机上运行的软件执行一部分运算，更复杂的棋步交给加速器处理，然后计算出可能的棋步和结果。

（2）数据驱动（data-driven）为核心的机器学习
用大数据学。数据挖掘所蕴含的内在模式。
多少台机器可以识别一只猫？
谷歌为了在一千万个视频中找到猫的视频，用了一万六千台计算机，花了三天时间。他们把这些计算机连接起来，构造了一个庞大的计算机神经网络，并与互联网相连，让这个神经网络自己学习如何识别猫。这就是人工智能领域新一代的机器学习（machine learning）形式——深度学习(deep learning)。换句话说，就是让计算机像人脑一样地学习和思考。
谷歌公司的图像标注系统
谷歌在其AI博客上介绍了一款基于AI和深度学习的图像标注方式“流体标注”，可作为人工标注者的有力辅助工具，将标记数据集的生成速度提升至现在的3倍，有望缓解目前机器学习研究中，高质量的训练数据获取难的瓶颈。
（3）在“探索（未知空间）”与“利用（已有经验）”（exploration vs. exploitation）之间取得平衡为核心的强化学习。
用问题引导。

搜索求解：
1.启发式搜索
2.对抗搜索（Minimax及Alpha-Beta剪枝搜索）
3.蒙特卡洛树搜索

逻辑与推理：
1.命题逻辑
2.谓词逻辑
3.知识图谱推理
4.因果推理

统计机器学习 监督学习：
1.机器学习基本概念
2.线性回归与分类
3.Ada Boosting
4.线性区别分析

统计机器学习 非监督学习：
1.K-means
2.主成分分析PCA
3.特征人脸方法
4.期望极大算法EM

深度学习：
1.前馈神经网络（误差后向传播）
2.卷积神经网络
3.自然语言理解与视觉分析

强化学习：
1.马尔科夫决策过程
2.强化学习中策略优化与策略评估
3.Q-learning
4.深度强化学习

人工智能博弈：
1.博弈的相关概念（纳什均衡）
2.遗憾最小化算法
3.虚拟遗憾最小化算法