人工智能开发简介

人工智能是所有机器模仿人类认知能力的研究的超级集合。

例如：环境交互、知识表达、感知、学习、机器视觉、语言识别。

主要构成理论包括：计算机科学、统计学、数学。

机器学习

1. 机器学习是人工智能的分支；
2. 在计算机科学领域的应用使计算机无需显示编程就能学习；
3. 机器学习由能够基于数据进行学习和预测的算法组成：

• 这类算法在前面样本基础上进行训练，以建构和估计模型；
• 在传统编程不可行的情况下，通常采用机器学习；
• 如果经过适当的训练，可以适应新的案例应用。

机器学习的应用领域

1．识别模式：

• 真实场景的对象
• 人脸/表情识别
• 语言识别

2. 识别异常：

• 欺诈性信用卡交易
• 核电站传感器读数的异常模式

3. 预测

• 未来股票价格
• 精准广告推送

机器学习的一些方法：决策树、聚类、基于规则的学习、归纳逻辑编程、深度学习。

深度学习是利用神经网络进行的学习。

• 灵感来自生物神经网络
• 深度是指有很多中间的学习步骤
• 需要大量数据

深度学习的优势：

• 数据模式和关系的自主学习
• 高准确度
• 容易
• 改进和微调
• 适应性解决方案

深度学习的劣势：

• 大量数据集
• 高计算需求
• 难以理论解释
• 黑盒子（对大多数人）

卷积深度神经网络在许多任务上都优于以前的方法

什么是神经网络？

• 也称为人工神经网络
• 灵感来自生物神经系统
• 生物神经元有三个主要组成部分：树突、细胞体、突触

人工神经元

神经网络有三个层次：

• 输入层：可以从其他神经元或特征输入，例如年龄、身高、体重等；
• 隐藏层：向网络中添加更多的神经元，真正的力量就在这里；
• 输出层：给出我们想要预测的输出。

激活函数

神经网络训练

• 在监督学习中，我们有一个相对较大的数据集；
• 将所有样本作为输入，以获得输出，成为前馈传播；
• 开始时，可以根据应用程序场景随机或预定义权重；
• 将预测结果与真实结果比较；
• 任务目标是通过减少error使预测结果更加接近于真实的输出