第一章 绪论

1.1 人工智能

人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样.

(1) 感知:模拟人的感知能力,对外部刺激信息(视觉和语音等)进行感

知和加工.主要研究领域包括语音信息处理和计算机视觉等.

(2) 学习:模拟人的学习能力,主要研究如何从样例或从与环境的交互中

进行学习.主要研究领域包括监督学习、无监督学习和强化学习等.

(3) 认知:模拟人的认知能力,主要研究领域包括知识表示、自然语言理

解、推理、规划、决策等.

1.1.1 人工智能的发展历史

1.1.1.1 推理期间

1.1.1.2 知识期

1.1.1.3 学习期

人工智能发展史

1.1.2 人工智能的流派

1)符号主义(Symbolism)

2)  连接主义(Connectionism)

1.2 机器学习

机器学习( Machine Learning, ML) 是指从有限的观测数据中学习( 或“猜测”) 出具有一般性的规律, 并利用这些规律对未知数据进行预测的方法.

实际任务中使用机器学习模型一般会包含:

1)数据预处理:(量纲同一、去噪、分类、连续变量的编码等)

2)特征提取

3)特征转换:(降维升维)降维包括特征抽取( Feature Extraction) 和特征选择( Feature Selection) 两种途径. 常用的特征转换方法有主成分分析( Principal Components Analysis, PCA)、线性判别分析( Linear Discriminant Analysis, LDA) 等.

4)预测:机器学习的核心部分, 学习一个函数并进行预测.

传统机器学习的数据处理流程     

1.3 表示学习

如果有一种算法可以自动地学习出有效的特征, 并提高最终机器学习模型的性能, 那么这种学习就可以叫作表示学习( Representation Learning).

两个核心问题: 一是“什么是一个好的表示”; 二是“如何学习到好的表示”.

1.3.1 局部表示和分布式表示

局部表示通常可以表示为one-hot 向量的形式

优点:

1) 这种离散的表示方式具有很好的解释性, 有利于人工归纳和总结特征, 并通过特征组合进行高效的特征工程

2) 通过多种特征组合得到的表示向量通常是稀疏的二值向量, 当用于线性模型时计算效率非常高

不足之处: 

1) one-hot向量的维数很高, 且不能扩展

2)特征相似度为0

分布式表示通常可以表示为低维的稠密向量

和局部表示相比, 分布式表示的表示能力要强很多, 分布式表示的向量维度一般都比较低(RGB三维值表示颜色)

1.3.2 表示学习

1.4 深度学习

一种学习方法可以从数据中学习一个“深度模型”, 这就是深度学习( Deep Learning, DL). 深度学习是机器学习的一个子问题, 其主要目的是从数据中自动学习到有效的特征表示.

深度学习的数据处理流程     

1.4.1 端到端学习

1.5 神经网络

1.5.1 人脑神经网络

1.5.2 人工神经网络

1.5.3 神经网络的发展历史

第一阶段: 模型提出    1943年~1969年 MP模型、Hebbian法则、感知器

第二阶段: 冰河期    1969年~1983年    反向传播算法

第三阶段: 反向传播算法引起的复兴    1983年~1995年  Hopfield 网络、玻尔兹曼机、分布式并行处理、梯度消失阻碍

第四阶段: 流行度降低    1995 年~2006 SVM及其他简单方法的流行

第五阶段: 深度学习的崛起    2006年至今 “预训练 + 精调”+GPU设备

1.7 常用深度学习框架

( 1) Theano

( 2) Caffe

( 3) TensorFlow

( 4) PyTorch

( 5) PaddlePaddle

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,784评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,745评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,702评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,229评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,245评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,376评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,798评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,471评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,655评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,485评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,535评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,235评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,793评论 3 304
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,863评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,096评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,654评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,233评论 2 341