近期給小伙伴們補(bǔ)充下人工智能方面的知識(shí)煎殷，人工智能并不是那么虛無(wú)縹緲合愈。

自18年起炸客，OneAlert計(jì)劃全面轉(zhuǎn)型人工智能绒北，通過(guò)人工智能機(jī)器學(xué)習(xí)等技術(shù)實(shí)現(xiàn)IT運(yùn)營(yíng)支撐智能化和自動(dòng)化适贸，提升效率灸芳。從整體上了解人工智能，而不是單純技術(shù)拜姿，尤為必要±友現(xiàn)在將一些培訓(xùn)的材料進(jìn)行整理，預(yù)計(jì)3-5期內(nèi)容分享蕊肥。本片包括：

1. 概覽

2. 算法與技術(shù)應(yīng)用

3. 常見(jiàn)算法示例

預(yù)計(jì)時(shí)間20-30分鐘谒获。

1. 概覽

1.1 人工智能層次

我們先看看人工智能概覽，避免盲人摸象壁却，各執(zhí)一詞批狱。與其他的技術(shù)類(lèi)似，人工智能也是分不同層次的展东。有些同學(xué)老是拿Alpha GO這條狗來(lái)懟我赔硫，說(shuō)那才是真正的人工智能，我只能無(wú)語(yǔ)～ 畢竟大家的知識(shí)體系不同的盐肃。

引自《人工智能》

我們程序員最常見(jiàn)的的機(jī)器學(xué)習(xí)爪膊、深度學(xué)習(xí)，更多是算法層面上的說(shuō)法砸王。例如邏輯回歸惊完、貝葉斯、神經(jīng)網(wǎng)絡(luò)等处硬。

程序算法依賴(lài)于底層基礎(chǔ)設(shè)施，高性能硬件拇派，分布式大數(shù)據(jù)技術(shù)提供支撐荷辕。在硬件領(lǐng)域，針對(duì)并行運(yùn)算高的專(zhuān)用加速GPU件豌；熱門(mén)的分布式大數(shù)據(jù)計(jì)算的框架應(yīng)用疮方，如hadoop，spark等都為程序算法提供支撐茧彤。

應(yīng)用算法解決不同的技術(shù)問(wèn)題骡显，就會(huì)有不同的技術(shù)方向。如視覺(jué)、語(yǔ)音惫谤、自然語(yǔ)言壁顶、規(guī)劃決策等。我們OneAlert相關(guān)的監(jiān)控異常事件處理溜歪，大多是文本類(lèi)非結(jié)構(gòu)化數(shù)據(jù)若专，更多是自然語(yǔ)言的處理，而告警事件電話(huà)語(yǔ)音播報(bào)則與語(yǔ)音相關(guān)蝴猪。

“看”是人類(lèi)與生俱來(lái)的能力调衰，讓計(jì)算機(jī)“看”就復(fù)雜一些。視覺(jué)應(yīng)用方面自阱，包括從早期的車(chē)牌識(shí)別嚎莉、相機(jī)人臉監(jiān)測(cè)，到現(xiàn)在的人臉識(shí)別沛豌、機(jī)器人趋箩、無(wú)人車(chē)等。

讓機(jī)器學(xué)會(huì)聽(tīng)和說(shuō)琼懊，實(shí)現(xiàn)人類(lèi)無(wú)障礙交流阁簸，一直是人工智能人機(jī)交互領(lǐng)域的一大夢(mèng)想。特別是前些時(shí)間Google Assistant的電話(huà)語(yǔ)音預(yù)約/訂餐哼丈，流暢自然启妹，驚為天人。而且實(shí)際上該系統(tǒng)也通過(guò)著名的圖靈測(cè)試醉旦。語(yǔ)音應(yīng)用方面饶米，作為人機(jī)交互非常自然的選擇，得到越來(lái)越多的關(guān)注和實(shí)際應(yīng)用车胡。錘子科技的號(hào)稱(chēng)革命性的TNT工作站檬输，就是大量應(yīng)用語(yǔ)音進(jìn)行交互。

提起語(yǔ)音匈棘，就不得不說(shuō)自然語(yǔ)言丧慈，兩者有很大的關(guān)聯(lián)關(guān)系主卫。理解人們表達(dá)的意思并回應(yīng)逃默，需要對(duì)語(yǔ)言和語(yǔ)義、上下文有深入理解凹耙。從早期的機(jī)器翻譯，度娘翻譯、谷歌翻譯欲险，到輸入法關(guān)聯(lián)提示然低，再到詞性語(yǔ)義吨灭、情感分析、評(píng)論觀點(diǎn)（重點(diǎn)）摘要等高層次應(yīng)用，再到小米小愛(ài)同學(xué)、Google Assistant、AWS音響人機(jī)交互系統(tǒng)撇他，都是自然語(yǔ)言為基礎(chǔ)的技術(shù)應(yīng)用勇劣。

規(guī)劃決策，早期是以游戲類(lèi)為載體的。從早期的象棋深藍(lán)（DeepBlue）航揉，到近期如火爆圍棋Alpha Go這些知名技術(shù)應(yīng)用笙蒙，再到我們平時(shí)外賣(mài)調(diào)度、機(jī)器人求晶、無(wú)人車(chē)都是決策規(guī)劃吝秕。特別是16年缩挑，硬件層面出現(xiàn)基于GPU，TPU的并行計(jì)算艘绍，算法層面出現(xiàn)蒙特卡洛決策樹(shù)與深度神經(jīng)網(wǎng)絡(luò)的結(jié)合蕉朵，AlphaGo打敗了李世石。

在此技術(shù)應(yīng)用之上别伏，是一些行業(yè)類(lèi)的方案，往往要整合很多的技術(shù)應(yīng)用注益，綜合應(yīng)用丑搔。例如無(wú)人車(chē)煮仇，就是視覺(jué)、決策規(guī)劃綜合倘要，而谷歌助手Google Assistant就是語(yǔ)音和自然語(yǔ)言的技術(shù)綜合捧杉。

所以小伙伴動(dòng)不動(dòng)就拿那條狗懟我粘舟，是不對(duì)的旬薯，那已經(jīng)是神一樣的存在～ ，不同層次和技術(shù)方向決定了場(chǎng)景和應(yīng)用的不同耗式。回到我們自身贴届，OneAlert智能事件處理平臺(tái)AIOps啸澡，要解決是使用機(jī)器學(xué)習(xí)算法、結(jié)合一些自然語(yǔ)言技術(shù)應(yīng)用，整合成有效方案择葡。實(shí)現(xiàn)海量運(yùn)營(yíng)異常事件的去重降噪疏哗、過(guò)濾識(shí)別重點(diǎn)贝搁、辨別根源焚志，幫助用戶(hù)更快解決問(wèn)題普碎。

1.2 人工智能發(fā)展歷史

了解一門(mén)技術(shù)和應(yīng)用崔拥，需要從歷史發(fā)展的角度去看待贴膘，梳理因果，我們才能更冷靜和清醒的看待這波人工智能行情略号。首先人工智能并不是新鮮事物步鉴，在早期就已經(jīng)存在，看個(gè)圖：

選自李開(kāi)復(fù)《人工智能》

從發(fā)展上來(lái)說(shuō)璃哟，歷經(jīng)了3輪發(fā)展浪潮，現(xiàn)在是處在第三波浪潮中：60年代第一波喊递、90年代第二波随闪，10年到現(xiàn)在的第三波。

在消費(fèi)級(jí)互聯(lián)網(wǎng)領(lǐng)域骚勘，這幾年人工智能技術(shù)應(yīng)用已經(jīng)大行其道铐伴。而在企業(yè)級(jí)服務(wù)市場(chǎng)，我們所在的行業(yè)：IT運(yùn)營(yíng)支撐領(lǐng)域ITOM俏讹，也引入了新概念A(yù)IOps当宴，AIOps將被各大廠(chǎng)家引用，在很快的未來(lái)泽疆，估摸到18年底AIOps概念和落地產(chǎn)品將越來(lái)越多户矢。

與之前相比，現(xiàn)在已經(jīng)很少有人說(shuō)人工智能是忽悠了殉疼，核心原因是更成熟了梯浪。

Gartner技術(shù)成熟度曲線(xiàn)

與以往不同的是，AI人工智能技術(shù)的成熟度和實(shí)際投產(chǎn)已經(jīng)與以往不可同日而語(yǔ)了瓢娜，已經(jīng)深入到我們生活的方方面面了挂洛。準(zhǔn)確來(lái)說(shuō)2010年前后，或者是說(shuō)從2006年hiton的深度學(xué)習(xí)技術(shù)的成熟眠砾，加上機(jī)器性能大幅增長(zhǎng)虏劲，當(dāng)然還有我們前幾年常說(shuō)的互聯(lián)網(wǎng)大數(shù)據(jù)，人工智能得以走上復(fù)興路。

技術(shù)的發(fā)展

14年后柒巫，代表計(jì)算機(jī)智能圖像識(shí)別最前沿發(fā)展水平的Image Net 競(jìng)賽励堡，圖形識(shí)別準(zhǔn)確突飛猛進(jìn)。隨著機(jī)器視覺(jué)領(lǐng)域突破吻育，語(yǔ)音識(shí)別念秧、數(shù)據(jù)挖掘、自然語(yǔ)言處理領(lǐng)域是突飛猛進(jìn)布疼。而且今天的人工智能更加的接地氣摊趾，所以我們?cè)诓恢挥X(jué)中已經(jīng)體驗(yàn)到人工智能帶來(lái)的便利了～

然而我們也要清晰地認(rèn)識(shí)到，當(dāng)下的人工智能更多是“數(shù)據(jù)智能”游两，現(xiàn)在的智能更多是基于大數(shù)據(jù)砾层，機(jī)器用笨方法，靠著不知疲憊的計(jì)算能力去一點(diǎn)點(diǎn)學(xué)習(xí)贱案。離人類(lèi)智慧的所謂“智能”差海了去了肛炮。可預(yù)見(jiàn)人工智能應(yīng)用更有效方式宝踪，就是替代那些需要耗費(fèi)大量人力侨糟、且繁重重復(fù)的那些工作/地方。

所以O(shè)neAlert的小伙伴們瘩燥，我們引入AI技術(shù)解決海量告警事件異常風(fēng)暴秕重，將更多IT工程師解脫出來(lái)，是有效和有意義的厉膀。

2. 算法與技術(shù)應(yīng)用

2.1 算法層

算法機(jī)器學(xué)習(xí)是指利用算法進(jìn)行數(shù)據(jù)挖掘溶耘，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子集。

選自《人工智能》

傳統(tǒng)機(jī)器學(xué)習(xí)算法服鹅，是分步驟進(jìn)行的凳兵，從數(shù)據(jù)提取，預(yù)處理到特征選擇企软，特別是是特征選擇庐扫，人工選擇特征是一種費(fèi)事費(fèi)力的做法，還需要經(jīng)驗(yàn)和運(yùn)氣仗哨。但是結(jié)果往往不是最優(yōu)解聚蝶。而深度學(xué)習(xí)的是從原始特征出發(fā)，自動(dòng)學(xué)習(xí)高級(jí)特征組合藻治，直接保證最終的輸出是最優(yōu)解碘勉，然而中間隱層是黑盒子，還是很難解釋和理解的桩卵。

然而不代表這傳統(tǒng)的機(jī)器學(xué)習(xí)就沒(méi)有市場(chǎng)验靡，其實(shí)傳統(tǒng)的機(jī)器學(xué)習(xí)在數(shù)據(jù)理論和實(shí)現(xiàn)上卒密，相對(duì)清晰和簡(jiǎn)潔妄讯，而且可解釋性強(qiáng)扰柠。非常適用于快速建立早期的數(shù)據(jù)模型次坡，和測(cè)試驗(yàn)證效果。作為后續(xù)更多算法優(yōu)化的基礎(chǔ)辞州。舉例來(lái)說(shuō)常見(jiàn)的傳統(tǒng)算法如：分類(lèi)Classification邏輯回歸Logistics Regression怔锌，聚類(lèi)Cluster算法K-Means，數(shù)據(jù)相對(duì)理想情況下变过，效果還是不錯(cuò)的埃元。

機(jī)器學(xué)習(xí)解決3類(lèi)典型的問(wèn)題：無(wú)監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)媚狰、強(qiáng)化學(xué)習(xí)岛杀。

機(jī)器學(xué)習(xí)的典型問(wèn)題

無(wú)監(jiān)督學(xué)習(xí)：給定數(shù)據(jù)，從數(shù)據(jù)中發(fā)現(xiàn)信息崭孤。一般就做聚類(lèi)Cluster类嗤，就是將一堆無(wú)序的數(shù)據(jù)，聚攏起來(lái)辨宠，成為幾大類(lèi)遗锣。舉個(gè)例子：新聞、微博嗤形、用戶(hù)的聚類(lèi)精偿，假設(shè)一堆的新聞文章，自動(dòng)識(shí)別相似度派殷，聚攏為：政治、經(jīng)濟(jì)墓阀、生活毡惜、娛樂(lè)等。我們OneAlert將海量的異常事件斯撮，通過(guò)文本分析经伙，聚類(lèi)為不同的場(chǎng)景，如數(shù)據(jù)庫(kù)類(lèi)勿锅、網(wǎng)絡(luò)類(lèi)帕膜、業(yè)務(wù)：訂單類(lèi)、支付類(lèi)事件溢十，讓用戶(hù)聚焦不同的種類(lèi)問(wèn)題（場(chǎng)景）垮刹，而不是一條條細(xì)粒度的事件，這就是聚類(lèi)张弛；將成千上萬(wàn)的事件劃分為數(shù)十個(gè)場(chǎng)景荒典，方面處理酪劫。

有監(jiān)督學(xué)習(xí)：給定數(shù)據(jù)，預(yù)測(cè)這些數(shù)據(jù)的標(biāo)簽寺董。例如房?jī)r(jià)覆糟，特征是面積、建設(shè)年代遮咖、位置等屬性滩字，根據(jù)歷史數(shù)據(jù)，學(xué)習(xí)出一個(gè)數(shù)據(jù)模型（函數(shù)）御吞，就可以預(yù)測(cè)新的房?jī)r(jià)了麦箍。監(jiān)督學(xué)習(xí)典型的應(yīng)用場(chǎng)景是推薦、預(yù)測(cè)等相關(guān)問(wèn)題魄藕。無(wú)人車(chē)沿著馬路走内列，可以理解為就是有監(jiān)督學(xué)習(xí)，根據(jù)以往人為開(kāi)車(chē)的路線(xiàn)圖片/視頻背率，學(xué)習(xí)到一個(gè)模式/模型话瞧，無(wú)人車(chē)自行上路時(shí)，通過(guò)圖形識(shí)別寝姿，應(yīng)用數(shù)據(jù)模型交排，實(shí)現(xiàn)無(wú)人駕駛。

強(qiáng)化學(xué)習(xí)饵筑，給定數(shù)據(jù)埃篓，選擇動(dòng)作以最大化長(zhǎng)期獎(jiǎng)勵(lì)。輸入是歷史的狀態(tài)根资、動(dòng)作和對(duì)應(yīng)建立架专、要求輸出當(dāng)前狀態(tài)下最佳動(dòng)作。與前面兩類(lèi)不同的是玄帕，強(qiáng)化學(xué)習(xí)是一個(gè)動(dòng)態(tài)的學(xué)習(xí)過(guò)程部脚，沒(méi)有明確的學(xué)習(xí)目標(biāo)，所以對(duì)結(jié)果也沒(méi)有精確的衡量標(biāo)準(zhǔn)裤纹。例如無(wú)人機(jī)飛行委刘，掃地機(jī)、通過(guò)各種按鍵 操作在電腦游戲中贏得分?jǐn)?shù)等決策控制類(lèi)問(wèn)題都是強(qiáng)化學(xué)習(xí)問(wèn)題（破解跳一跳）鹰椒。例如假設(shè)在午飯時(shí)間你要下樓吃飯锡移， 附近的餐廳你已經(jīng)體驗(yàn)過(guò)一部分， 但不是全部漆际， 你可以在已經(jīng)嘗試過(guò)的餐館中選一家最好的（開(kāi)發(fā)淆珊，exploitation）， 也可以嘗試一家新的餐館（ 探索奸汇， exploration）套蒂， 后者可能讓你發(fā)現(xiàn)新的更好的餐館钞支， 也可能吃到不滿(mǎn)意的一餐。 而當(dāng)你已經(jīng)嘗試過(guò)的餐廳足夠多的時(shí)候操刀， 你會(huì)總結(jié)出經(jīng)驗(yàn)（“ 大眾點(diǎn)評(píng)” 上的高分餐廳一般不會(huì)太差烁挟； 公司樓下近的餐廳沒(méi)有遠(yuǎn)的餐廳好吃， 等等）骨坑， 這些經(jīng)驗(yàn)會(huì)幫助你更好地發(fā)現(xiàn)靠譜的餐館撼嗓。【摘選《人工智能》】

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)重要的分支欢唾，直到Alpha Go才聲明遠(yuǎn)揚(yáng)且警。簡(jiǎn)單來(lái)說(shuō)神經(jīng)網(wǎng)絡(luò)是模擬人類(lèi)大腦皮層細(xì)胞，神經(jīng)元的運(yùn)行機(jī)理的算法礁遣。06年后Hinton在深度學(xué)習(xí)的相關(guān)論文掀起新的浪潮斑芜，深度學(xué)習(xí)大幅提升神經(jīng)網(wǎng)絡(luò)效果。

簡(jiǎn)單說(shuō)下我對(duì)神經(jīng)網(wǎng)絡(luò)的理解祟霍，人類(lèi)具有很強(qiáng)的適應(yīng)性杏头，所以從算法角度上，大腦可能存在一個(gè)“萬(wàn)能”的算法去解決各類(lèi)問(wèn)題沸呐。如下圖實(shí)驗(yàn)所示醇王，通過(guò)傳感器（sensor），舌頭也可以學(xué)會(huì)“看見(jiàn)”東西崭添。

引自吳恩達(dá)機(jī)器學(xué)習(xí)課程

神經(jīng)元

神經(jīng)元其實(shí)3個(gè)核心功能寓娩，接受外部傳來(lái)的數(shù)據(jù)，經(jīng)過(guò)處理后呼渣，輸出給（別的神經(jīng)元）棘伴。從程序上來(lái)說(shuō)就是輸入，輸出和處理屁置。

一組神經(jīng)元組成了神經(jīng)網(wǎng)絡(luò)

然而我至今還是很難理解神經(jīng)元到底在干啥～焊夸，而且那么萬(wàn)能，也就是說(shuō)中間的隱層（Layer2）不斷的增加更多層和更多節(jié)點(diǎn)缰犁，意味著復(fù)雜的神經(jīng)網(wǎng)絡(luò)淳地，可以去很好的學(xué)習(xí)輸入和輸出關(guān)系怖糊，建立模型（參數(shù)）帅容，適應(yīng)起來(lái)。神經(jīng)網(wǎng)絡(luò)的可解釋性不如經(jīng)典機(jī)器學(xué)習(xí)算法（邏輯回歸）那么清晰伍伤，但是確實(shí)能干很多事情并徘。就跟我們很難解釋人類(lèi)的智能一樣，也很難解釋神經(jīng)網(wǎng)絡(luò)扰魂。

Layer1是輸入麦乞，Layer4是輸出蕴茴，Layer2-3是隱層

我們眼睛的視覺(jué)傳感器，將數(shù)據(jù)采集過(guò)來(lái)姐直，傳達(dá)置大腦皮層倦淀，大腦皮層的神經(jīng)元細(xì)胞，通過(guò)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)連接声畏，不斷的計(jì)算撞叽，理解傳遞多來(lái)的數(shù)據(jù)含義（圖片）。假設(shè)我們將視覺(jué)數(shù)據(jù)信息通過(guò)舌頭傳遞到負(fù)責(zé)“看”的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)里面插龄，也能通過(guò)舌頭“看”到具體的內(nèi)容愿棋。

神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的算法有很多的變化，如經(jīng)典多層感知機(jī)MLP均牢、卷積神經(jīng)網(wǎng)絡(luò)CNN糠雨、生成式對(duì)抗網(wǎng)絡(luò)GAN等，后面再聊徘跪。

2.2 自然語(yǔ)言技術(shù)應(yīng)用

人與人之間語(yǔ)言的交流是非常自然的甘邀，讓機(jī)器理解自然語(yǔ)言的含義，是我們的理想真椿。自然語(yǔ)言的發(fā)展歷經(jīng)多年鹃答，近期效果非常顯著。

引自人工智能

智能機(jī)器翻譯突硝、智能客服機(jī)器人测摔、智能助手（Google Assistant）等商業(yè)化，意味著技術(shù)已經(jīng)達(dá)到較高的層次解恰。與算法一樣锋八，我們看看自然語(yǔ)言的層次和類(lèi)型劃分：

引自《NLP漢語(yǔ)自然語(yǔ)言處理原理和實(shí)踐》

如圖所示自然語(yǔ)言可以劃分為語(yǔ)法層面、語(yǔ)義層面和基礎(chǔ)應(yīng)用幾個(gè)維度护盈。從上往下挟纱，從左往右，成熟度遞減腐宋。

左側(cè)語(yǔ)法層面好理解一些紊服，右側(cè)語(yǔ)義是指語(yǔ)言的含義。例如命名實(shí)體胸竞，專(zhuān)有名詞的標(biāo)注欺嗤，人名、地名卫枝、機(jī)構(gòu)組織名煎饼。語(yǔ)義組塊如動(dòng)詞、介詞校赤，來(lái)源于左側(cè)的詞性標(biāo)注吆玖。而語(yǔ)義角色標(biāo)注筒溃，就是以謂詞動(dòng)詞為中心預(yù)測(cè)語(yǔ)句的各個(gè)語(yǔ)法成分語(yǔ)義特征。

通過(guò)機(jī)器學(xué)習(xí)方法沾乘，將語(yǔ)義組塊怜奖、語(yǔ)義角色標(biāo)注等分析結(jié)果，轉(zhuǎn)為知識(shí)庫(kù)中的RDF形式翅阵，可以用在自動(dòng)問(wèn)答系統(tǒng)（實(shí)際上比這復(fù)雜得多）烦周。

百度AI自然語(yǔ)言詞性分析

百度AI自然語(yǔ)言情感分析

結(jié)合我們OneAlert的智能事件處理，首先我們平臺(tái)接收各類(lèi)非結(jié)構(gòu)化的文本信息怎顾，例如：'192.116.17.233 Free disk space on / (percentage):9.88 %'读慎，首先我們要分詞：

‘192.116.17.233‘，F(xiàn)ree disk space槐雾，on夭委， /， (募强，percentage株灸，)，:擎值，9.88 慌烧，%

而不是這樣通用的分詞方式：

192 , . ,116, ., 17, ., 233,?Free ,disk,space, on， /鸠儿， (屹蚊，percentage，)进每，:汹粤，9.88 ，%

識(shí)別命名實(shí)體田晚，192.116.17.233是一個(gè)主機(jī)IP地址嘱兼，F(xiàn)ree disk space是一個(gè)指標(biāo)名稱(chēng)，介詞on贤徒。這樣我們能知道?'192.116.17.213 Free disk space on / (percentage):6.88 %' 芹壕，這兩條告警信息是相類(lèi)似，當(dāng)相近時(shí)間產(chǎn)生時(shí)接奈，可以作為事件壓縮條件踢涌。

2.3 視覺(jué)技術(shù)應(yīng)用

計(jì)算機(jī)視覺(jué)研究方向，從易到難鲫趁、商業(yè)化從高到低斯嚎，依次是圖形處理利虫、識(shí)別監(jiān)測(cè)挨厚、分析理解堡僻。最難是分析和理解，跟自然語(yǔ)言一樣疫剃，語(yǔ)義理解是困難的钉疫。

圖形處理不涉及語(yǔ)義，底層像素處理比較簡(jiǎn)單巢价，通過(guò)大量訓(xùn)練牲阁，可以去噪聲、去模糊壤躲、濾鏡處理等城菊。

圖形識(shí)別監(jiān)測(cè)就復(fù)雜一些了，圖形的分類(lèi)碉克、定位凌唬、監(jiān)測(cè)、分割漏麦，技術(shù)也相對(duì)成熟客税，包括人臉識(shí)別、識(shí)別制定明星等撕贞。

引自《人工智能》

圖形理解本質(zhì)上圖形和文本的交互更耻，基于文本的圖形搜索，圖像描述生成捏膨、圖形問(wèn)答等秧均。語(yǔ)義的理解和圖形技術(shù)的結(jié)合，未來(lái)進(jìn)入自主理解号涯、決策分析高級(jí)階段熬北，真正能夠機(jī)器看東西，無(wú)人車(chē)诚隙、智能家居等場(chǎng)景將越來(lái)越深入生活讶隐。

此外還有更多的技術(shù)應(yīng)用，如語(yǔ)音和決策規(guī)劃久又，自己涉獵不多巫延，就不說(shuō)了～

3. 常見(jiàn)算法示例

下面以一個(gè)最常見(jiàn)的線(xiàn)性回歸和邏輯回歸為例，認(rèn)識(shí)下機(jī)器學(xué)習(xí)算法：

邏輯回歸：http://www.reibang.com/p/9e298238a6f9

假如我們收集到大量標(biāo)簽數(shù)據(jù)（紅色/綠色）地消，通過(guò)機(jī)器學(xué)習(xí)構(gòu)建出一條線(xiàn)（函數(shù)）h(x)=a+bx分隔炉峰，當(dāng)有新的數(shù)據(jù)x來(lái)時(shí)，能夠預(yù)測(cè)是那個(gè)標(biāo)簽分類(lèi)（紅色和綠色）脉执。這就是有監(jiān)督學(xué)習(xí)的分類(lèi)Classification疼阔。

邏輯回歸

假設(shè)我們現(xiàn)有一堆數(shù)據(jù)，沒(méi)有任何標(biāo)簽（標(biāo)注），能不能通過(guò)算法婆廊，將他們聚攏起來(lái)分個(gè)類(lèi)Cluster迅细？這就是無(wú)監(jiān)督學(xué)習(xí)。

kmeans聚類(lèi)

從OneAlert的智能事件處理來(lái)看淘邻，識(shí)別事件是否是根源問(wèn)題茵典，就是一個(gè)監(jiān)督學(xué)習(xí)，需要用戶(hù)標(biāo)注（1/0）宾舅，有一些數(shù)據(jù)積累后统阿，系統(tǒng)自動(dòng)學(xué)習(xí)。而將大量事件數(shù)據(jù)自動(dòng)聚類(lèi)為數(shù)據(jù)庫(kù)筹我、網(wǎng)絡(luò)扶平、門(mén)戶(hù)、產(chǎn)品蔬蕊、訂單不同的類(lèi)別蜻直，方便集中處理幾類(lèi)事情，就是聚類(lèi)的無(wú)監(jiān)督學(xué)習(xí)過(guò)程袁串。

4 小結(jié)

了解人工智能的發(fā)展歷程和一些概念概而，有助于全面理解現(xiàn)在自己所做的事情在全局的位置，避免出現(xiàn)只見(jiàn)樹(shù)木不見(jiàn)森林的情況囱修。就不會(huì)出現(xiàn)拿一個(gè)具體算法和一個(gè)綜合應(yīng)用做對(duì)比的尷尬場(chǎng)景赎瑰。郭德綱曾經(jīng)說(shuō)過(guò)這么一段話(huà):

?“內(nèi)行要是與外行去辯論那是外行。比如我和火箭科學(xué)家說(shuō)破镰，你那火箭不行餐曼，燃料不好，我認(rèn)為得燒柴鲜漩，最好是煤源譬，煤最好選精煤，水洗煤不好孕似。如果那個(gè)科學(xué)家拿正眼看我一眼踩娘，那他就輸了『砑溃”?

人工智能涉及的技術(shù)很多养渴，作為程序員，我們還要深入去學(xué)習(xí)泛烙。

參考資料

《人工智能》--騰訊研究院和中國(guó)信通院互聯(lián)網(wǎng)法律研究中心

《人工智能：李開(kāi)復(fù)談AI如何重塑個(gè)人理卑、商業(yè)與社會(huì)的未來(lái)圖譜》 李開(kāi)復(fù)和王詠剛

《NLP漢語(yǔ)自然語(yǔ)言處理與實(shí)踐》鄭捷

百度AI http://ai.baidu.com