人工智能简介
目录
人工智能简介
●1.人工智能的兴起和发展
●2.人工智能的前景和挑战
●3.人工智能的社会应用
●4.人工智能的研究方向和内容
●5.机器学习
●6.机器学习算法
●7.深度学习和神经网络
1.人工智能的兴起和发展
-
什么是人工智能？人工智能是指计算机系统通过模仿人类智能的方式进行学习、推理、决策和问题解决的能力。人工智能的目标是使计算机能够像人类一样思考、学习和理解语言，从而实现类似于人类的智能行为。拥有类人智能的机器，或者说程序，才是人工智能。
-
整体发展的五个阶段： 萌芽阶段->第一发展期->瓶颈阶段->第二阶段->平稳发展阶段
-
技术发展的三个阶段：
计算智能：计算智能是指计算机系统或算法具备类似人类智能的能力，让计算机能存会算；
感知智能：计算机系统或算法具备感知和认知实体世界的能力，让计算机能听会看。
认知智能：认知智能是指计算机系统具备推理、学习和理解的能力，能够模拟人类的思维和智力过程，让计算机能理解会思考；
2.人工智能的前景和挑战
-
应用领域：
智能医疗：人工智能可以应用于医疗诊断、辅助决策和个性化治疗等方面。通过分析大量的医疗数据，人工智能可以提供更准确的诊断和治疗方案，帮助医生提高工作效率和精确度。
语音助手：智能语音助手（如Siri、Google Assistant、Alexa等）基于人工智能技术，能够理解用户的语音指令并提供相应的服务，如语音搜索、日程管理、音乐播放等。
智能家居：人工智能技术可以应用于智能家居系统中，实现智能控制和自动化。通过与家居设备的连接，人工智能可以提供远程控制、智能化的能耗管理和安全监控等功能，提升居住的便利性和舒适度。
-
负面影响：
人工智能技术的应用边界：对复杂情境的理解和判断能力仍较弱，容易出现误判和错误决策。此外，人工智能系统也可能出现偏见和不公正的问题，需要对其边界进行有效的管理和监督。
用户隐私数据的保护：人工智能技术需要大量的数据支持以提供准确的分析和预测能力。然而，这一过程中涉及到用户个人隐私信息的采集和使用，引发了隐私保护的问题。
技术带来的失业问题：人工智能的普及和应用可能对某些行业和工作岗位造成影响，导致一些工作的自动化和减少。这可能带来失业问题和社会不平等的加剧。
-
伦理道德问题：
算法歧视：人工智能系统的决策可能受到算法设计者的偏见和歧视的影响。例如，在招聘过程中使用人工智能系统筛选简历时，可能会偏向某些群体，导致歧视现象的出现。
责任承担方：人工智能系统的决策和行为往往是由算法和数据驱动的，这带来了责任归属的问题。当人工智能系统出现错误或造成损害时，难以明确责任由谁承担。
如何界定AI的人道主义待遇：随着人工智能技术的发展，越来越多的机器开始展现类似于人类的智能和情感。这引发了对于AI的人道主义待遇问题，即如何对待具有感知和认知能力的人工智能系统，以及如何确保它们受到适当的尊重和保护。
3.人工智能的社会应用
-
语音文本方面：车载语音助手、消费级机器人、智能家居控制、语音审核等；
文本翻译：谷歌翻译、百度翻译
文本识别：OCR、微信图片提取文字
自动对话：淘宝自动客服
信息提取：快递100，图片中地址电话人名提取
-
图像方面：图像处理(修复)、目标检测等；
4.人工智能的研究方向和内容
-
研究方向：计算机视觉，语音识别（感知能力）、自然语言处理（语言能力）、知识表达（记忆能力）、自动推理（推理能力）、自动规划（规划能力）、机器学习（学习能力）等；
-
研究内容：智能交通、智能家居、智能医疗、智能农业等；
5.机器学习
-
人工智能、机器学习和深度学习的关系：
-
什么是机器学习？
机器学习是一门从数据中研究算法的科学学科。从广义来讲，机器学习是一种能够赋予机器学习的能力，以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后再使用模型预测的一种方法。
-
机器学习下所映射的数学模型：
-
机器学习的三种基本任务类型：
分类：通过分类模型，将样本数据集中的样本映射到某个给定的类别中；
聚类：通过聚类模型，将样本数据集中的样本分为几个类别，属于同一类别的样本相似性比较大；
回归：反映了样本数据集中样本的属性值的特性，通过函数表达样本映射的关系来发现属性值之间的依赖关系；
-
机器学习的三种分类：
有监督学习：训练样本同时包含特征和标签（线性回归算法、BP神经网络算法、决策树、支持向量机、KNN）;
无监督学习：训练样本的标记信息未知（密度估计、异常检测、层次聚类、EM算法、K-Means算法）;
半监督学习：使用大量的未标记数据，同时使用标记数据;
6.机器学习算法
-
机器学习的一般流程：
-
机器学习的一些基本概念：
样本：一行一个样本，一列一个特征（属性）；
损失函数：来衡量预测结果和真实结果之间的差距的函数，其值越小，说明预测结果和真实结果越一致。通常它是一个非负实值函数。通过各种方式缩小损失函数的过程就叫做优化；
标签：数据的Y属性；
评估指标：准确率，精确率；
-
机器学习中常见的几种距离度量：
欧氏距离：在用机器学习的方法处理大数据时，经常需要分析数据之间的相似度，通常的做法是构建一个距离模型，通过计算样本之间的距离判断两个样本是否相似。最常见的距离描述方法是欧式距离，二维平面和三维空间中两个点之间的距离是最典型的欧式距离，很容易被我们理解。
曼哈顿距离：从左下角的点前往右上角的点，不可以跨越障碍直达，而是需要先向上走y2-x2，再向右走y1-x1。两个点在标准坐标系上的绝对轴距总和，这种距离度量方式被称为曼哈顿距离，计算公式为：d=|y1-x1|+|y2-x2|，当然也可以推广到n维空间：d=Σ|xi-yi|。
切比雪夫距离：在国际象棋的规则中，国王既可以沿直线移动，也可以沿斜线移动，但是每次只能移动一格。切比雪夫距离的计算公式为：d=max(|x1-y1|,|x2-y2|),当然也可以推广到n维。
-
回归算法：
回归算法是一种有监督算法（有标签）；
回归算法是用来建立"解释"变量（自变量x）和观测值（因变量y）之间的关系。从机器学习的角度来讲，用于构建一个算法模型（函数表达式）来做属性（x）与标签（y）之间的映射关系，在算法的学习过程中，试图找到一个函数使得参数之间的关系拟合性最好；
回归算法中算法的最终结果是一个连续的数据值，输入值是一个d维度的属性；
线性回归（回归算法）：
逻辑回归（分类算法）：
-
KNN算法：
所谓k临近算法，每个样本都可以用它最接近的k个邻居来代表；
KNN在做回归和分类的主要区别在于做预测的决策方式不同；
KNN在分类预测时，一般采用多数表决法；在做回归预测时，一般采取平均值；
KNN三要素，在该算法中，非常重要的主要是三个因素：
- k值的选择，对于k的选择，一般根据样本分布选择一个较小的值，然后通过交叉验证来选择一个比较合适的最终值；当选择比较较小的k值得时候，表示使用较小领域中的样本进行预测，训练误差会减小，但是会导致模型变得复杂容易过拟合；当选择较大的k值的时候，表示使用较大领域中的样本进行预测，训练误差会增大，同时会让模型变得简单，容易导致欠拟合；
- 距离的度量，一般使用欧式距离；
- 决策规则，在分类模型中主要使用多数表决法或者加权多数表决法；在回归模型中，主要使用平均值法或者加权平均值法；
- 决策树算法：
- 决策树是一种基于树结构的机器学习算法，用于解决分类和回归问题。它通过对特征进行划分，构建一棵树来表示决策过程。
- 在分类问题中，决策树根据特征的取值将样本划分到不同的类别中。它通过选择最优的特征和划分方式，使得每个子节点上的样本属于同一类别。常用的特征选择方法有信息增益、基尼系数等。
- 在回归问题中，决策树根据特征的取值预测目标变量的值。它通过选择最优的特征和划分点，使得子节点中样本的目标变量值尽可能接近。
- 决策树算法在实际应用中被广泛使用，例如在医学诊断、金融风险评估和客户分类等领域。它是一种强大且常用的机器学习算法，对于理解和解释数据具有重要意义。
7.深度学习和神经网络
-
什么是深度学习？
深度学习(Deep Learning)是机器学习(Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标—人工智能；
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
-
神经网络的分类：DNN（深度神经网络）、CNN（卷积神经网络）、RNN（递归神经网络）、GAN（生成对抗网络）
<您的三连和关注是我最大的动力>
🚀 文章作者：张同学的IT技术日记
分类专栏：人工智能
