六战转、人工智能的基礎(chǔ)知識(shí)

人工智能是一個(gè)宏大的愿景躬审，學(xué)習(xí)只是實(shí)現(xiàn)人工智能的手段之一枉证，只是增強(qiáng)人類腦力的方法之一矮男。人工智能的研究歷史有著一條以推理為重點(diǎn)到以知識(shí)為重點(diǎn)，然后再到以學(xué)習(xí)為重點(diǎn)的自然又有清晰的脈絡(luò)室谚。

人工智能大概是在50年代被明確提了出來(lái)毡鉴，隨后對(duì)機(jī)器智能的探索一直貫穿到了現(xiàn)在崔泵。從80年代開(kāi)始，以模式識(shí)別技術(shù)為基礎(chǔ)方法的機(jī)器學(xué)習(xí)概念被逐漸歸納和總結(jié)了出來(lái)猪瞬。機(jī)器學(xué)習(xí)是指智能機(jī)器從經(jīng)驗(yàn)中自動(dòng)學(xué)習(xí)和改進(jìn)的過(guò)程憎瘸，不需要人工編寫(xiě)程序、指定規(guī)則和邏輯陈瘦，學(xué)習(xí)的目的就是要獲得知識(shí)幌甘。機(jī)器學(xué)習(xí)的目的是要讓機(jī)器從用戶和輸入的數(shù)據(jù)當(dāng)中能夠獲得知識(shí)，以便于在生產(chǎn)和生活的實(shí)際環(huán)境中能夠做出判斷和響應(yīng)甘晤，從而幫助我們解決更多的問(wèn)題含潘，比如減少圖像識(shí)別的錯(cuò)誤率饲做、或提高自動(dòng)化運(yùn)行的效果等等线婚。

嚴(yán)格來(lái)說(shuō)，深度學(xué)習(xí)概念是在2006年提出的盆均。深度學(xué)習(xí)本質(zhì)上是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)塞弊，以數(shù)據(jù)為基礎(chǔ)進(jìn)行的表征學(xué)習(xí)的算法。深度學(xué)習(xí)是用于建立和模擬人腦來(lái)進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)泪姨，并且要模擬人腦的機(jī)制來(lái)解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)游沿，其主要特點(diǎn)就是要使用多層的非線性處理單元來(lái)進(jìn)行特征的提起和轉(zhuǎn)換，每個(gè)連續(xù)的神經(jīng)網(wǎng)絡(luò)層都會(huì)使用前一層的輸出作為輸入肮砾。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都是針對(duì)人工智能機(jī)器诀黍，特點(diǎn)都是要從經(jīng)驗(yàn)和數(shù)據(jù)中獲得特征的表征，進(jìn)而來(lái)進(jìn)行表征學(xué)習(xí)的算法仗处。

機(jī)器學(xué)習(xí)的目標(biāo)就是找到特征與標(biāo)簽之間的關(guān)系眯勾。當(dāng)明確了機(jī)器學(xué)習(xí)的目標(biāo)之后，那么理解如何訓(xùn)練機(jī)器學(xué)習(xí)模型就變得容易多了婆誓。

標(biāo)簽非常重點(diǎn)吃环，標(biāo)簽即需要學(xué)習(xí)的知識(shí)的答案。所以在機(jī)器學(xué)習(xí)領(lǐng)域里洋幻，可以根據(jù)是否有標(biāo)簽郁轻，也就是說(shuō)是否有答案和如何利用答案信息，可以將機(jī)器學(xué)習(xí)算法分為常見(jiàn)的3種類型：監(jiān)督學(xué)習(xí)（有標(biāo)簽）文留、無(wú)監(jiān)督學(xué)習(xí)（無(wú)標(biāo)簽）好唯、強(qiáng)化學(xué)習(xí)（動(dòng)態(tài)變化的環(huán)境標(biāo)簽）。

強(qiáng)化學(xué)習(xí)是智能體（Agent）以“試錯(cuò)”的方式進(jìn)行學(xué)習(xí)燥翅，通過(guò)與環(huán)境進(jìn)行交互獲得的獎(jiǎng)賞指導(dǎo)行為骑篙，目標(biāo)是使智能體獲得最大的獎(jiǎng)賞，強(qiáng)化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)权旷，主要表現(xiàn)在強(qiáng)化信號(hào)上替蛉，強(qiáng)化學(xué)習(xí)中由環(huán)境提供的強(qiáng)化信號(hào)是對(duì)產(chǎn)生動(dòng)作的好壞做一種評(píng)價(jià)(通常為標(biāo)量信號(hào))贯溅，而不是告訴強(qiáng)化學(xué)習(xí)系統(tǒng)RLS(reinforcement learning system)如何去產(chǎn)生正確的動(dòng)作。由于外部環(huán)境提供的信息很少躲查，RLS必須靠自身的經(jīng)歷進(jìn)行學(xué)習(xí)它浅。通過(guò)這種方式，RLS在行動(dòng)-評(píng)價(jià)的環(huán)境中獲得知識(shí)镣煮，改進(jìn)行動(dòng)方案以適應(yīng)環(huán)境姐霍。

有點(diǎn)類似于人類的概念學(xué)習(xí)，人類概念學(xué)習(xí)的關(guān)鍵是指導(dǎo)典唇。監(jiān)督學(xué)習(xí)就是通過(guò)“打標(biāo)簽”的方式對(duì)機(jī)器進(jìn)行指導(dǎo)學(xué)習(xí)镊折。在監(jiān)督學(xué)習(xí)的過(guò)程中，訓(xùn)練數(shù)據(jù)既要有特征介衔、又要有標(biāo)簽恨胚，通過(guò)訓(xùn)練，讓機(jī)器可以自己找到特征與標(biāo)簽之間的聯(lián)系炎咖，在面對(duì)只有特征而沒(méi)有標(biāo)簽的數(shù)據(jù)的時(shí)候赃泡，就可以判斷出標(biāo)簽。

人類對(duì)動(dòng)物這個(gè)概念的認(rèn)知過(guò)程乘盼，就類似于無(wú)監(jiān)督學(xué)習(xí)的過(guò)程升熊。

深度學(xué)習(xí)最典型的特征就是使用了神經(jīng)網(wǎng)絡(luò)作為計(jì)算模型。神經(jīng)網(wǎng)絡(luò)非常擅長(zhǎng)從數(shù)據(jù)當(dāng)中去學(xué)習(xí)绸栅，這意味著它可以被訓(xùn)練來(lái)識(shí)別模式级野、各種分類數(shù)據(jù)，以及預(yù)測(cè)未來(lái)的事件粹胯”腿幔“深度”通常用來(lái)指隱藏在神經(jīng)網(wǎng)絡(luò)中的層數(shù)。神經(jīng)網(wǎng)絡(luò)的行為是由其各個(gè)神經(jīng)元的連接方式矛双，以及這些連接的強(qiáng)度或者說(shuō)權(quán)重來(lái)定義的渊抽，在訓(xùn)練期間，這些連接會(huì)根據(jù)指定的學(xué)習(xí)規(guī)則自動(dòng)調(diào)整议忽，直到神經(jīng)網(wǎng)絡(luò)正確的執(zhí)行我們所設(shè)定的任務(wù)為止懒闷。

特征處理有時(shí)也叫特征工程，指將領(lǐng)域知識(shí)放入特征提取器里面栈幸，來(lái)減少數(shù)據(jù)的復(fù)雜度愤估，并生成使得機(jī)器學(xué)習(xí)算法可以更加高效的工作模式的過(guò)程。特征可以是像素值速址、形狀玩焰、紋理、位置和方向芍锚，大多數(shù)機(jī)器學(xué)習(xí)算法的性能都非常依賴于所提取的特征的準(zhǔn)確度昔园。

- End -