人工智能学习1

一.人工智能概述

1.AI的基础学科包括：数学（离散、模糊）、思维科学（认知心理、逻辑思维学、形象思维学）和计算机（硬件、软件）等。

2.新一代人工智能呈现出“深度学习、跨界融合、人机协同、群智开放和自主智能的新特点”，新一代人工智能主要是大数据基础上的人工智能。

3.数据挖掘：从海量数据中“挖掘”隐藏信息
机器学习：给计算机程序输入数据，让计算机学会新知识
深度学习：从大数据中自动学习特征
云计算：大规模分布式IT基础设施
人工智能：基于学习、认知构成的对人的替代取得高度共识。

4.人工智能的基本三要素：
算法、算力、数据

5.1950s早期AI、1970-1980第一次寒冬、1980sAI繁荣期、1987-1933第二次寒冬、1990s-2000s传统机器学习、2006深度学习

1950s早期AI：
1950：阿兰.图灵（Alan Turing）发明了图灵测试来判断计算机是否智能
1956：在美国东部的达特茅斯会议上首次出现了“人工智能”这个术语
1957：罗森.布拉特（Frank Rosenblatt）设计了第一个计算机神经网络——感知机
1959：阿瑟.萨缪尔（Arthur Samuel）创造了”机器学习“这一术语，他在论文中谈到了一个程序，该程序可以让计算机学习如何下棋

1980s繁荣期：
1980：卡内基梅隆大学（CMU）研发的XCON正式投入使用，这成为一个新时期的里程碑，专家系统开始在特定领域发挥威力，也带动整个人工智能技术进入了一个繁荣阶段。
专家系统：根据人类专家编写的知识库，依照计算机程序设定的推理规则，回答专业特定领域的问题或提供知识。XCON取得的巨大商业成功，80年代2/3的世界500强公司开始开发和部署各自领域的专家系统。
1986：大卫.鲁姆哈特和杰弗里.辛顿发表了《Learning Internal Representations by Error-Propagation》，其中介绍了当前用于深度学习的“反传”（backprop）学习算法。早期的专家系统

1990s-2000s传统机器学习：
机器学习领域中一个最重要的突破，支持向量机SVM的提出，将机器学习分为神经网络社区和支持向量机社区。

6.机器学习问题类型
分类、回归、聚类、异常处理、强化学习

7.构建解决方案的工作流程
问题定义–数据采集–数据分析及处理–建模–验证–决策及部署

8.专业术语
样本sample或者输入input：送入模型的数据点
目标target：真实值，对于外部数据源，理想情况下，模型应该能够预测出目标
预测prediction或者输出output：从模型出来的结果
预测误差prediction error或损失值loss value：模型预测与目标之间的距离
类别class：分类问题中供选择的一组标签。例子：对猫狗分类的时候，狗和猫就是两个类别
标签label：分类问题中列别标注的具体例子，例子：用“0”表示“猫”，用“1”表示“狗”
真值ground-truth或标注annotation：数据集的所有目标，通常由人工收集
二分类binary classification：一种分类任务，包括两个类别，每个输入样本都应该被划分到两个类别的其中一类。
多分类multiclass classification：一种分类任务，包括多个类别，每个输入样本都应该被划分到多类别的其中一类。
多标签分类multilabel classification：一种分类任务，每个输入样本都可以分配多个标签
标量回归scalar regression：目标是连续标量值的任务。
向量回归vector regression：目标是一组连续值（连续 向量）的任务。
小批量mini-batch或批量batch：模型同时处理的一小部分样本

9.机器学习算法分类
监督学习：标注数据，具有“正确答案”，预测未来
无监督学习：没有标注数据，没有“正确答案”，自动发现隐藏结构
强化学习：决策过程，奖励系统，学习-系列步骤