当前位置:首页 > 百科 > 正文

人工智能零基础(人工智能基础理论)

11月15日,国家宣布一个大消息。科技部召开了新一代人工智能发展规划暨重大科技项目启动会,宣布首批国家新一代人工智能开放创新平台名单:百度、阿里云、腾讯、科大讯飞。

这四家企业通过人工智能分别在无人车、公共系统、医学影像和语音识别领域上取得了卓有成效的进展。

越来越多的人开始关注人工智能,学习人工智能。与此同时也有越来越多的人产生疑惑:

到底什么是人工智能?

人工智能可以解决什么问题?

零基础是否可以入门人工智能?

我们经常听到机器学习和深度学习,这二者有什么不同?

它们和人工智能又有什么关系呢?

下面我给大家分享一篇课程中关于机器学习的内容,如果你喜欢,可以购买我的达人课,了解更多内容。也欢迎大家与我交流!

一、机器学习的背景

大家都说人工智能是综合的学科,而机器学习就是人工智能的大脑。它通过对数据的处理,不断地变得更好和更强,做出各种各样的判断和决策。

人工智能从 1956 年提出概念以来经历了漫长的发展历程,中间有两次高峰,两次低谷,现在是第三次高峰,而带来发展起伏的是机器学习算法的变迁。

第三次高峰开始的标志是 2006 年的时候,机器学习算法中的神经网络方向出现了一个突破,多伦多大学教授 Geoffrey Hinton 提出了“深度学习”的概念。

在接下来的几年中,因为计算机性能的提升和数据量的急速增加,深度学习技术的实用性越来越强。

人工智能零基础(人工智能基础理论)  第1张

人工智能发展路径

有人说,既然前两次高峰都失败了,这第三次高峰是不是也只是“狼来了”呢?

老套的台词:“这一次不一样”。

其实我们所做的一切 AI,都是有期待的,我们期待的是什么呢?期待它能代替人。

机器代替人的重要标准是什么?就是比人更好。很遗憾,前两次的浪潮,计算机只是证明它比人算的快,它没有证明它比人算的准。

但这一次,深度学习改变了这一切,人工智能全面超越人类。

拿简历分类来说,一般 HR 人工分类的准确程度大概是 85%,之前用 SVM( Support Vector Machine,支持向量机) 做准确率是 60% 多,还是不如人的。而现在用深度学习算法,准确率可以超过 90%,比人要准确的多,而且速度是人的 N 倍。

观看一下身边的改变:当我们打开支付宝时,机器学习会给我们做面部识别;

当我们浏览电商网站时,机器学习算法预测我们对哪种商品更感兴趣,然后显示给我们;

当我们打开今日头条时,机器学习算法根据我们的浏览习惯给我们推荐可能感兴趣的新闻。可以说,机器学习早已渗入我们生活的方方面面。

所以,这次“狼”真的来了。

人工智能、机器学习、深度学习,这三者是什么关系?

我们可以参照下面这张图:

人工智能零基础(人工智能基础理论)  第2张

人工智能、机器学习、深度学习的关系

机器学习是实现人工智能的一种方法,机器学习有很多的细分领域,其中有一个领域是人工神经网络,而深度学习是人工神经网络这个领域的一个分支。

二、什么是机器学习呢?

首先我们来看一下人类的学习,人类的学习是一个人根据自己的经验,对一类问题形成认知或者总结出某些规律,然后用这些认知和规律来解决类似问题的过程。

但人的记忆很容易忘记,而且所有的知识要从头开始学,这是硬伤。但机器没有这个问题,复制粘贴马上就有了两份知识,而且除非硬盘损坏,否则不会丢失。

所以我们就希望,如果机器也能从知识里发现规律,并能自己学习,那就太好了。

经过计算机科学家的不断努力,终于成功地发明了一些算法,使得计算机可以从现有的数据中学习到规律,并且可以随着输入的数据数量增长而提升学习效果,这就是机器学习。

网上有一张图,很有意思,生动的表明了不同的人对机器学习的理解:

人工智能零基础(人工智能基础理论)  第3张

机器学习是什么

做机器学习,大部分工作其实是编程。通俗地讲:机器学习是一种计算机程序,可以从现有的经验中学习如何完成某项任务,并且随着经验的增加,性能也随之提升。

因此,经验,也就是专业人士说的“数据”,对于机器学习来说,就是最重要的。

就像火箭要起飞需要燃料,人要变得有智慧需要阅历一样,机器学习需要海量的数据。

AlphaGo 打败李世石不是因为它聪明,而是因为它通过自己和自己下棋的方式,已经相当于下了一万年以上的棋,和一个只下了几十年的人比,自然是有着不可比拟的优势,它打败李世石依靠的是无可比拟的经验。

三、机器学习有哪些分类?

机器学习的范围很广,主要分为三大类:监督学习( Supervised Learning )、非监督学习( UnsupervisedLearning )和强化学习( Reinforcement Learning )。

监督学习:监督学习学的是带标准答案的样本。拿猫和狗的识别来举例子。

算法看一张图就告诉它,这是猫;再看一张图片,告诉它这也是猫,再看一张图,告诉它这是狗,如此往复。

当它看了几十万张猫和狗的图片后,你再给它一张陌生的猫或者狗的图片,就基本能“认”出来,这是哪一种。

这样的学习方法很有可能造成模型把所有答案都记了下来,但碰到新的题目又不会了的情况,这种情况叫做“过拟合”。

非监督学习:非监督学习学的是没有标准答案的样本。同样拿猫和狗的识别举例。算法要自己去寻找这些图片的不同特征,然后把这些图片分为两类。

它实际上不知道这两类是什么,但它知道这两类各有什么特征,当再出现符合这些特征的图片时它能识别出来,这是第一类图片,那是第二类图片。

强化学习:强化学习的学习方式是通过不断做出决策并获得结果反馈后,学会自动进行决策,得到最优结果。

我们小时候,看到马戏团的猴子居然会做算术题,感觉到很惊讶,这是怎么做到的呢?

其实就是每次拿对了数字的时候,训练人员就给它一些食物作为奖励,这些奖励让他“知道”,这么做是“对的”,如果拿错了,可能就会有惩罚,这些惩罚就是要让它“知道”,这样做是“错的”。

如此一来,经过不断的训练,猴子就“会”做算术题了。

四、机器学习有哪些常见算法呢?

这里我们对常见的机器学习算法进行简单的介绍,不求精准,只求容易理解。

1. 决策树

决策树是一种用于对数据进行分类的树形结构。比如我们要买一件衣服,如果喜欢则进入下一步,看价格,如果价格合适,就看是否有合适的尺码,有合适的尺码,就下单购买。用决策树表示如下图:

买衣服的决策树

2. 线性回归

试想,在纸上有很多的点,我们打算画一条直线,让这些点到这条直线的距离之和最短,怎么找到这条直线呢?

这个方法就是线性回归。画一条线,让样本以及后面预测的点都尽量在这条线附近。

3. 支持向量机和核函数

支持向量机是一种分类方法,力求在样本中划出一道线,让线距离两边样本的距离最大。

它在文本分类、图像分类有较多应用。如果桌子上有红豆和绿豆,我们可以把SVM想象成一个忍者,他画了一条线,把红豆和绿豆区分开来。

支持向量机(SVM )

但有的时候豆子掺和在了一起,怎么办呢?我们可以针对红豆和绿豆的不同特性,把这些豆子都通过核函数进行计算,把他们映射到高维空间中去,这样豆子自然就被分开了。

加入核函数后的SVM

4. 神经网络

神经网络也是一种分类器。它是由很多个虚拟的神经元组成的一个网络,我们可以把一个神经元看做是一个分类器,那很多个神经元组成的网络就能对样本进行很多次分类。

还是拿忍者和豆子区分举例子。一个神经元,相当于忍者可以划一刀,多个神经元就可以划多刀,划的越多,自然分的越细。

这里只是做简单的介绍,大家有概念即可,更详细的在后面会更新。

神经网络

5. 朴素贝叶斯分类器

贝叶斯是一个定理,它的意思是:当你不能准确知悉一个事物的本质时,你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。

比如说,我们要识别一封邮件是不是垃圾邮件。我们随机挑选出100封垃圾邮件,分析它的特征,我们发现“便宜”这个词出现的频率很高,100封垃圾邮件里,有40封出现了这个词。

那我们就以这个认知为依据,得出结论:如果出现了“便宜”,那这封邮件有40%的概率是垃圾邮件。

当我们找到若干个这样的特征,然后用这些特征进行组合后,可以对某些邮件进行判断,它是垃圾邮件的概率超过了我们设定的阈值,我们就自动把这些邮件过滤掉,减少用户受到的打扰。这就是大部分垃圾邮件过滤的原理。

6. 聚类

聚类是一种非监督学习的方式。简单的说,就是通过不断的迭代计算,把数据分成若干个组,使得这个组里的都是类似的数据,而不同组之间的数据是不相似的。

聚类

7. 强化学习

在没有给出任何答案的情况下,先进行一些尝试,通过尝试所得到的回报,来确定这个尝试是否正确,由这一系列的尝试来不断调整和优化算法,最后算法知道在某种情况下,采取何种动作可以得到最好的结果。

他的本质是解决“决策问题”,就是通过不断做出决策并获得结果反馈后,学会自动进行决策,得到最优结果。比如上面说过的猴子“学会”做算术题的过程。

8. 集成学习 C++学习交流598131849

我们在做机器学习的时候,希望能做出各个方面表现都比较好的模型。

但常常现实是我们的模型是有偏好的,可能只对某一些情况效果比较好,这个时候我们就希望把若干个这样的模型组合起来,得到一个更好更全面的模型,这种方法,就叫做集成学习。

作为一个AI入门课程,我们不需要讨论过多的数学模型、算法等内容,你只要大致了解人工智能在机器学习领域采取的这些方法,就足够你在茶余饭后震惊你的小伙伴了。

而当你具备了一定人工智能领域的基础知识以后,你会发现淘宝拍照识别商品,网易云音乐的听歌识曲等功能也就没有那么神秘了。

最后,希望每一个读者都能在我的课程里有所收获,也预祝那些想入门AI领域的朋友们能事业有成,加油!