《生成对抗网络入门指南》学习笔记(一)

人工智能元年:2017-AlphaGo 击败了柯洁。

图灵测试:如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器具有智能。

打造人工大脑,需要回答的三个问题:

1)大脑如何运转——正在探索

2)大脑的运行机制可否,拆分成差异性极低的可衡量单位——神经学家解答是,神经元

3)是否有,其它人工产物可等价体现,这一单元粒度的价值或功能——信息学家解答是,可输出0和1的组件(继电器或晶体管)

 

AI诞生标志:1956年Dartmouth会议。

两起两落:

一起:出现很多AI程序和新的研究方向(推理搜索算法研究、自然语言处理)

一落:仅仅具有逻辑推理能力还不能够实现AI,且当时落后的计算机运算能力和数据收集能力无法支撑起AI

分裂成两派:简约派(认为AI是解题机器)、芜杂派(坚持AI具有非逻辑性联想能力)

二起:简约派研究出,专家系统(XCON支持自动选择组件)。BP算法的提出,解决了多层神经网络学习过程中的问题。也使得神经网络作为主流算法,应用于模式识别、预测和智能控制等机器学习领域。

二落:苹果和IBM在PC市场的发力,使得Lisp电脑破灭,导致AI的硬件基础也破灭。

 

摩尔定律:当价格不变时,集成电路上可容纳的元器件数目约每隔18~24个月便会增加一倍,性能也将提升一倍。

四场人机大战:

1、97年,IBM的深蓝,挑战博弈树复杂度为10的123次方的国际象棋。

2、06年,浪潮天梭挑战中国象棋。

3、11年,沃森在智力问答节目《危险边缘》中战胜两位人类冠军,沃森展现出惊人自然语言处理能力。

4、16年,AphaGO

 

机器学习:使用算法来解析海量数据,从中找出规律,并完成学习,用学习出来的思维模型对真实事件做出决策和预测。

机器学习的几种学习方式:

1、监督式学习,训练集由输入数据和预期输出的标签组成。

回归分析:函数输出为连续的值。

分类:预测内容为离散标签。

2、无监督式学习,适用于聚类,把相似的东西聚在一起,而无所谓这一类是什么。

3、强化学习,强调如何基于环境而行动,以取得最大化的预期利益。

强化学习的反馈仅仅检查模型的对错,会接受到类似的奖励或惩罚的刺激后,逐步调整。专注于规划,在探索未知领域和遵从现有知识之间找到一个合理的平衡点。

 

学习率:信息在人脑神经细胞的突触上传递时,强度可变化。

BP算法虽解决了两层网络的所需要的复杂计算量问题,但一次训练太耗时,且局部最优解问题使得优化网络较困难。

Hinton提出了深度学习,并增加了两个优化技术——预训练和微调。(让神经网络权值找到一个接近最优解的值)。

 

 

 

 

你可能感兴趣的:(AI学习笔记)