• 一文了解人工智能的概念元素資料下載

    資料大?。?/em> 497.41KB

    所需積分: 0

    下載次數:

    用戶評論: 0條評論,查看

    上傳日期: 2021-04-18

    上 傳 者: 發燒友他上傳的所有資料

    資料介紹

    標簽:神經(31)人工智能(33400)AI(17937)機器人(19365)
    人工???能的發展曾經經歷過幾次起起伏伏,近來在深度學習技術的推動下又迎來了一波新的前所未有的高潮。近日,IBM 官網發表了一篇概述文章,對人工智能技術的發展過程進行了簡單梳理,同時還圖文并茂地介紹了感知器、聚類算法、基于規則的系統、機器學習、深度學習、神經網絡等技術的概念和原理。 人類對如何創造智能機器的思考從來沒有中斷過。期間,人工智能的發展起起伏伏,有成功,也有失敗,以及其中暗藏的潛力。今天,有太多的新聞報道是關于機器學習算法的應用問題,從癌癥檢查預測到圖像理解、自然語言處理,人工智能正在賦能并改變著這個世界。 現代人工智能的歷史具備成為一部偉大戲劇的所有元素。在最開始的 1950 年代,人工智能的發展緊緊圍繞著思考機器和焦點人物比如艾倫·圖靈、馮·諾伊曼,迎來了其第一次春天。經過數十年的繁榮與衰敗,以及難以置信的高期望,人工智能及其先驅們再次攜手來到一個新境界?,F在,人工智能正展現著其真正的潛力,深度學習、認知計算等新技術不斷涌現,且不乏應用指向。 本文探討了人工智能及其子領域的一些重要方面。下面就先從人工智能發展的時間線開始,并逐個剖析其中的所有元素。 現代人工智能的時間線 1950 年代初期,人工智能聚焦在所謂的強人工智能,希望機器可以像人一樣完成任何智力任務。強人工智能的發展止步不前,導致了弱人工智能的出現,即把人工智能技術應用于更窄領域的問題。1980 年代之前,人工智能的研究一直被這兩種范式分割著,兩營相對。但是,1980 年左右,機器學習開始成為主流,它的目的是讓計算機具備學習和構建模型的能力,從而它們可在特定領域做出預測等行為。 圖 1:現代人工智能發展的時間線 在人工智能和機器學習研究的基礎之上,深度學習在 2000 年左右應運而生。計算機科學家在多層神經網絡之中使用了新的拓撲學和學習方法。最終,神經網絡的進化成功解決了多個領域的棘手問題。 在過去的十年中,認知計算(CogniTIve compuTIng)也出現了,其目標是打造可以學習并與人類自然交互的系統。通過成功地擊敗 Jeopardy 游戲的世界級選手,IBM Watson 證明了認知計算的價值。 在本文中,我將逐一探索上述的所有領域,并對一些關鍵算法作出解釋。 基礎性人工智能 1950 年之前的研究提出了大腦是由電脈沖網絡組成的想法,正是脈沖之間的交互產生了人類思想與意識。艾倫·圖靈表明一切計算皆是數字,那么,打造一臺能夠模擬人腦的機器也就并非遙不可及。 上文說過,早期的研究很多是強人工智能,但是也提出了一些基本概念,被機器學習和深度學習沿用至今。 圖 2:1950 - 1980 年間人工智能方法的時間線 人工智能搜索引擎 人工智能中的很多問題可以通過強力搜索(brute-force search)得到解決。然而,考慮到中等問題的搜索空間,基本搜索很快就受影響。人工智能搜索的最早期例子之一是跳棋程序的開發。亞瑟·塞繆爾(Arthur Samuel)在 IBM 701 電子數據處理機器上打造了第一款跳棋程序,實現了對搜索樹(alpha-beta 剪枝)的優化;這個程序也記錄并獎勵具體行動,允許應用學習每一個玩過的游戲(這是首個自我學習的程序)。為了提升程序的學習率,塞繆爾將其編程為自我游戲,以提升其游戲和學習的能力。 盡管你可以成功地把搜索應用到很多簡單問題上,但是當選擇的數量增加時,這一方法很快就會失效。以簡單的一字棋游戲為例,游戲一開始,有 9 步可能的走棋,每 1 個走棋有 8 個可能的相反走棋,依次類推。一字棋的完整走棋樹包含 362,880 個節點。如果你繼續將這一想法擴展到國際象棋或者圍棋,很快你就會發展搜索的劣勢。 感知器 感知器是單層神經網絡的一個早期監督學習算法。給定一個輸入特征向量,感知器可對輸入進行具體分類。通過使用訓練集,網絡的權重和偏差可為線性分類而更新。感知器的首次實現是 IBM 704,接著在自定義硬件上用于圖像識別。 圖 3:感知器與線性分類 作為一個線性分類器,感知器有能力解決線性分離問題。感知器局限性的典型實例是它無法學習專屬的 OR (XOR) 函數。多層感知器解決了這一問題,并為更復雜的算法、網絡拓撲學、深度學習奠定了基礎。 聚類算法 使用感知器的方法是有監督的。用戶提供數據來訓練網絡,然后在新數據上對該網絡進行測試。聚類算法則是一種無監督學習(unsupervised learning)方法。在這種模型中,算法會根據數據的一個或多個屬性將一組特征向量組織成聚類。 圖 4:在一個二維特征空間中的聚類 你可以使用少量代碼就能實現的最簡單的聚類算法是 k-均值(k-means)。其中,k 表示你為樣本分配的聚類的數量。你可以使用一個隨機特征向量來對一個聚類進行初始化,然后將其它樣本添加到其最近鄰的聚類(假定每個樣本都能表示一個特征向量,并且可以使用 Euclidean distance 來確定「距離」)。隨著你往一個聚類添加的樣本越來越多,其形心(centroid,即聚類的中心)就會重新計算。然后該算法會重新檢查一次樣本,以確保它們都在最近鄰的聚類中,最后直到沒有樣本需要改變所屬聚類。 盡管 k-均值聚類相對有效,但你必須事先確定 k 的大小。根據數據的不同,其它方法可能會更加有效,比如分層聚類(hierarchical clustering)或基于分布的聚類(distribuTIon-based clustering)。 決策樹 決策樹和聚類很相近。決策樹是一種關于觀察(observaTIon)的預測模型,可以得到一些結論。結論在決策樹上被表示成樹葉,而節點則是觀察分叉的決策點。決策樹來自決策樹學習算法,其中數據集會根據屬性值測試(attribute value tests)而被分成不同的子集,這個分割過程被稱為遞歸分區(recursive partitioning)。 考慮下圖中的示例。在這個數據集中,我可以基于三個因素觀察到某人是否有生產力。使用一個決策樹學習算法,我可以通過一個指標來識別屬性(其中一個例子是信息增益)。在這個例子中,心情(mood)是生產力的主要影響因素,所以我根據 Good Mood 一項是 Yes 或 No 而對這個數據集進行了分割。但是,在 Yes 這邊,還需要我根據其它兩個屬性再次對該數據集進行切分。表中不同的顏色對應右側中不同顏色的葉節點。 圖 5:一個簡單的數據集及其得到的決策樹 決策樹的一個重要性質在于它們的內在的組織能力,這能讓你輕松地(圖形化地)解釋你分類一個項的方式。流行的決策樹學習算法包括 C4.5 以及分類與回歸樹(Classification and Regression Tree)。 基于規則的系統 最早的基于規則和推理的系統是 Dendral,于 1965 年被開發出來,但直到 1970 年代,所謂的專家系統(expert systems)才開始大行其道?;谝巹t的系統會同時存有所需的知識的規則,并會使用一個推理系統(reasoning system)來得出結論。 基于規則的系統通常由一個規則集合、一個知識庫、一個推理引擎(使用前向或反向規則鏈)和一個用戶接口組成。下圖中,我使用了知識「蘇格拉底是人」、規則「如果是人,就會死」以及一個交互「誰會死?」 圖 6:基于規則的系統 基于規則的系統已經在語音識別、規劃和控制以及疾病識別等領域得到了應用。上世紀 90 年代人們開發的一個監控和診斷大壩穩定性的系統 Kaleidos 至今仍在使用。 機器學習 機器學習是人工智能和計算機科學的一個子領域,也有統計學和數學優化方面的根基。機器學習涵蓋了有監督學習和無監督學習領域的技術,可用于預測、分析和數據挖掘。機器學習不限于深度學習這一種。但在這一節,我會介紹幾種使得深度學習變得如此高效的算法。 圖 7:機器學習方法的時間線 反向傳播 神經網絡的強大力量源于其多層的結構。單層感知器的訓練是很直接的,但得到的網絡并不強大。那問題就來了:我們如何訓練多層網絡呢?這就是反向傳播的用武之地。

    用戶評論

    查看全部 條評論

    發表評論請先 , 還沒有賬號?免費注冊。

    發表評論

    用戶評論
    技術交流、我要發言! 發表評論可獲取積分! 請遵守相關規定。
    上傳電子資料

    下載排行

    本周

    1. 基于特征傳播和時域分割網絡的視頻行為識別
    2. 機器人設計,如何選擇電機?續資料下載
    3. 用于實現AI、大數據、和數據科學的十大類算法資料下載
    4. 基于時序計數的約束滿足問題雙向傳播方案
    5. 基于深度學習的社交圖像標簽和分組聯合推薦模型
    6. 集成學習的泛化誤差和AUC分解理論綜述
    7. 基于長短期記憶網絡的長距離股票趨勢預測

    本月

    1. 一文了解人工智能的概念元素資料下載
    2. 統一框架下期望在線核選擇的競爭性分析
    3. 基于異構哈希網絡的跨模態人臉檢索方法探究分析
    4. 基于編碼-解碼卷積架構的聯合策略網絡
    5. 視覺目標跟蹤相關算法、優缺點及發展趨勢
    6. 針對多媒體模型的對抗樣本生成與防御方法
    7. 嵌入雙曲幾何的神經網絡表示模型
    8. 人臉識別技術流程一覽資料下載
    9. 無人機發展的障礙是什么?資料下載
    10. 人臉識別的十個技術概念詳解資料下載

    總榜

    1. micropython的詳細中文教程資料免費下載
    2. 深度學習入門教程之TensorFlow入門、原理與進階實戰教程免費下載
    3. 電子書 中美人工智能行業生態比較
    4. HALCON機器視覺軟件的中文手冊免費下載
    5. 學習OpenCV中文版PDF電子書免費下載
    6. 汽車電器與電子控制技術PDF電子書免費下載
    7. Python機器學習基礎教程PDF版電子書免費下載
    8. 《Python編程:從入門到實踐》的源代碼文件免費下載
    9. Protues教程之我的Protues資料庫免費下載
    10. 利用python進行數據分析第二版PDF電子書免費下載
    美女尿口图片(无遮挡)