一、 基本概念

1 什么是人工智能

SRE实战 互联网时代守护先锋,助力企业售后服务体系运筹帷幄!一键直达领取阿里云限量特价优惠。

人工智能的概念: 机器模拟人的意识和思维

重要人物: 艾伦·麦席森·图灵( Alan Mathison Turing

人物简介: 1912 6 23 日-1954 6 7 日,英国数学家、逻辑学家,被称

为计算机科学之父,人工智能之父。

相关事件:( 1) 1950 年在论文《机器能思考吗?》中提出了图灵测试,一种用于

判定机器是否具有智能的试验方法:提问者和回答者隔开,提问者通过一些装置

(如键盘)向机器随意提问。多次测试,如果有超过 30%的提问者认为回答问题

的是人而不是机器,那么这台机器就通过测试,具有了人工智能。 也就是工智能

的概念:"用机器模拟人的意识和思维"。

( 2)图灵在论文中预测:在 2000 年,会出现通过图灵测试具备人工智能的机器。

然而直到 2014 年 6 月,英国雷丁大学的聊天程序才成功冒充了 13 岁男孩,通过

了图灵测试。这一事件比图灵的预测晚了 14 年。

( 3) 在 2015 年 11 月 science 杂志封面新闻报道,机器人已经可以依据从未见

过的文字中的一个字符,写出同样风格的字符,说明机器已经具备了迅速学习陌

生文字的创造能力。

2 什么是机器学习

机器学习的概念: 机器学习是一种统计学方法,计算机利用已有数据得出某种模

型,再利用此模型预测结果

Tensorflow 笔记:第一讲 人工智能 第1张

特点: 随经验的增加,效果会变好。

简单模型举例: 决策树模型

机器学习和传统计算机运算的区别: 传统计算机是基于冯诺依曼结构,指令预先

存储。运行时, CPU 从存储器里逐行读取指令,按部就班逐行执行预先安排好的

指令。 其特点是, 输出结果确定,因为先干什么,后干什么都已经提前写在指令

里了。

机器学习三要素: 数据、算法、算力

3 什么是深度学习

深度学习的概念: 深层次神经网络,源于对生物脑神经元结构的研究

人脑神经网络: 随着人的成长,脑神经网络是在渐渐变粗变壮。

Tensorflow 笔记:第一讲 人工智能 第2张

生物学中的神经元: 下图左侧有许多支流汇总在一起,生物学中称这些支流叫做

树突。树突具有接受刺激并将冲动传入细胞体的功能, 是神经元的输入。 这些树

突汇总于细胞核又沿着一条轴突输出。轴突的主要功能是将神经冲动由胞体传至

其他神经元,是神经元的输出。 人脑便是由 860 亿个这样的神经元组成,所有的

思维意识,都以它为基本单元,连接成网络实现的。

Tensorflow 笔记:第一讲 人工智能 第3张

计算机中的神经元模型: 1943 年,心理学家 McCulloch 和数学家 Pitts 参考了

生物神经元的结构,发表了抽象的神经元模型 MP。 神经元模型是一个包含输入,

输出与计算功能的模型。输入可以类比为神经元的树突,输出可以类比为神经元

的轴突,计算可以类比为细胞核。

Tensorflow 笔记:第一讲 人工智能 第4张

4 人工智能 Vs 机器学习 Vs 深度学习

人工智能,就是用机器模拟人的意识和思维。

机器学习,则是实现人工智能的一种方法,是人工智能的子集。

深度学习就是深层次神经网络,是机器学习的一种实现方法,是机器学习的子集。

Tensorflow 笔记:第一讲 人工智能 第5张

二、 神经网络的发展历史(三起两落)

Tensorflow 笔记:第一讲 人工智能 第6张

第一次兴起: 1958 年,人们把两层神经元首尾相接,组成单层神经网络,称做

知机。感知机成了首个可以学习的人工神经网络。引发了神经网络研究的 第一

次兴起。

第一次寒冬: 1969 年,这个领域的权威学者 Minsky 用数学公式证明了只有单

层神经网络的感知机无法对异或逻辑进行分类, Minsky 还指出要想解决异或可

分问题,需要把单层神经网络扩展到两层或者以上。然而在那个年代计算机的运

算能力,是无法支撑这种运算量的。只有一层计算单元的感知机,暴露出他的天

然缺陷,使得神经网络研究进入了第一个寒冬。

第二次兴起: 1986 年, Hinton 等人提出了反向传播方法,有效解决了两层神经

网络的算力问题。引发了神经网络研究的第二次兴起。

第二次寒冬: 1995 年,支持向量机诞生。支持向量机可以免去神经网络需要调节

参数的不足,还避免了神经网络中局部最优的问题。一举击败神经网络,成为当

时人工智能领域的主流算法,使得神经网络进入了他的第二个冬季。

第三次兴起: 2006 年, 深层次神经网络出现, 2012 年, 卷积神经网络在图像识

别领域中的惊人表现,又引发了神经网络研究的再一次兴起。

三、 机器学习的典型应用

1 应用领域

计算机视觉、语音识别、 自然语言处理

2 主流应用:

1) 预测(对连续数据进行预测)

Tensorflow 笔记:第一讲 人工智能 第7张

2) 分类(对离散数据进行分类)

Tensorflow 笔记:第一讲 人工智能 第8张

四、课程小结

1 机器学习,就是在任务 T 上,随经验 E 的增加,效果 P 随之增加。

2 机器学习的过程是通过大量数据的输入,生成一个模型,再利用这个生成的

模型,实现对结果的预测。

3 庞大的神经网络是基于神经元结构的,是输入乘以权重,再求和,再过非线

性函数的过程。

扫码关注我们
微信号:SRE实战
拒绝背锅 运筹帷幄