人工智能的了解

1. 原理
2. 适用范围：数据要是什么分布，此算法使用于哪些范围
3. 哪些应用
4. 相类似的其他方法

什么是人工智能

       人类智慧是人类的“隐性智慧”与“显性智慧”相互作用相互促进相辅相成的能力体系。其中，“隐性智慧”主要是指人类发现问题、定义问题、解决问题的能力，由目的、知识、直觉能力、抽象能力、想象能力、灵感能力、顿悟能力和艺术创造能力所支持，具有很强的内隐性，因而不容易被确切理解，更难以在机器上进行模拟；“显性智慧”主要是指人类在隐性智慧所设定工作框架内解决问题的能力，依赖于收集信息、生成知识和创生解决问题的策略并转换为行动等能力的支持，而人工智能目前只做到了解决问题的程度。

人工智能的历史

 
人工智能的目标

知识表示和推理：命题演算和归结，谓词演算和归结，可以进行一些公式或定理的推导。知识图谱

                   一个知识工程的底层技术架构

博弈和伦理/自动规划包括机器人的计划、动作和学习，状态空间搜索，敌对搜索，规划等内容。

机器学习这一研究领域是由AI的一个子目标发展而来，用来帮助机器和软件进行自我学习来解决遇到的问题。机器学习的方式包括：有监督学习、无监督学习、半监督学习和强化学习。其中的算法有：回归算法（最小二乘法、LR等），基于实例的算法（KNN、LVQ等），正则化方法（LASSO等），决策树算法（CART、C4.5、RF等），贝叶斯方法（朴素贝叶斯、BBN等），基于核的算法（SVM、LDA等），聚类算法（K-Means、DBSCAN、EM等），关联规则（Apriori、FP-Grouth），遗传算法，人工神经网络（PNN、BP等），深度学习（RBN、DBN、CNN、DNN、LSTM、GAN等），降维方法（PCA、PLS等），集成方法（Boosting、Bagging、AdaBoost、RF、GBDT等）  《机器学习知识表格》和《机器学习方法汇总》。《一文读懂深度学习》

 

自然语言处理是另一个由AI的一个子目标发展而来的研究领域，用来帮助机器与真人进行沟通交流。

计算机视觉是由AI的目标而兴起的一个领域，用来辨认和识别机器所能看到的物体。

机器人学也是脱胎于AI的目标，用来给一个机器赋予实际的形态以完成实际的动作。

人工智能、机器学习、数据挖掘的关系

人工智能是一个很大的研究领域；机器学习是人工智能的一个目标，提供很多算法；而数据挖掘是偏向算法应用的部分。

机器学习：是这样的领域，赋予计算机学习的能力，但这种能力不是通过显著式编程获得的。

1. 显著式编程：有固定的规定输入和输出
2. 非显著式编程：我们规定了行为和收益函数后，让计算机自己去找最大化收益函数的行为。（能够通过数据和经验自己学习，完成人类交给的任务）

一个计算机程序被称为可以学习，是指它能够针对某个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高

 机器学习的分类

监督学习（Supervised Learning）：人为输入计算机训练样本以及加上对应的标签的行为。根据数据标签存在与否分为

传统的监督学习（Traditional Supervised Learning）：都有对应的标签

• 支持向量机（Support Vector Machine）
• 人工神经网络（Neural Networks）
• 深度学习网络（Deep Neural Networks）

非监督学习（Unsupervised Learning）：所有的训练数据都没有对应的标签（同一类的数据在标签中距离更近来分类）

• 聚类（Clustering）
• EM算法(Expectation-Maximization algorithm)
• 主成分分析(Principle Component Analysis)

半监督学习（Semi-supervised Learning）:训练数据中一部分有标签，一部分没有标签（如何应用少量的标注数据和大量的未标注数据去训练一个更好的机器学习算法）
 

强化学习（Reinforcement Learning）：计算机通过与环境的互动逐渐强化自己的行为模式

机器学习算法过程

本质：在有限的已知数据以及复杂的高维特征空间中预测未知的样本

1. 特征提取(Feature Extraction)：通过训练样本获得的，对机器学习任务有帮助的多维度数据
2. 特征选择(Feature Selection)
3. 不同的场景下应该获得的机器学习算法：没有免费午餐定理：任何一个预测函数，如果在一些训练样本表现好，那么必然在另一些训练样本上表现不好，如果不对数据在特征空间的先验分布有一定的假设，那么所有算法的表现将是一样的。
4. 研究新的机器学习算法以便适应新的场景