极简人工智能

2020-11-25  本文已影响0人  theFullHorizon

随着近几年人工神经网络模型的突破,让人工智能开始走出实验室,迈向商业。

随着商业,资本,政策,媒体等开始密集的关注这一领域,一时间,各种新词如人工智能,机器学习,深度学习,无监督学习,神经网络模型等各种概念一起向普通大众涌来,很多人往往会留下这样的印象,这个领域怎么这么多概念,这些概念之间是什么关系,这些未解的问题让大众很难对人工智能有一个清晰的认知,本文则尝试从基本概念认知的角度,建立起对人工智能的基本认知框架。

AI历史

以时间维度来看AI发展

AI历史

受制于时代的发展环境和计算机硬件基础,AI的发展一直是在波折中发展,经历了几次高潮和低谷:

与前两拨浪潮主要有学术研究主导,第三波浪潮的主要由具体的商业需求主导,或者说前两次更多的是学术界提出要解决的问题,第三次则更多是在解决问题。因而能够得到政策和商业方面强大的财力支持。看来不管什么需要发展,都要优先解决了财力问题。

以领域视角来看AI发展

三者之间关系

一开始人工智能是为了实现能够像人一样具有智慧机器,但是受制于各种条件和环境约束,人工智能发展出了很多可能的实现路径,如图所示人工智能,机器学习与深度学习的关系,也可以从发展的角度认为是实现智能机器的一条发展路径。

机器学习是实现人工智能的一种可行方式之一,深度学习是机器学习的方法之一,是基于机器学习中传统人工神经网络模型发展而来。

AI是用来干啥的

OK,AI的发展关键还是要能够解决商业任务,那么从任务的角度,机器学习又可以划分为以下方面:

深度学习主要的算法有:卷积神经网络(CNN),循环神经网络(RNN),生成对抗网络(GANs),深度强化学习(RL),图神经网络(GNN)。

工程角度

学术视角

机器学习与深度学习在学习方法上的区别

两者都需要对数据进行预处理,包括数据清洗,数据标签,归一化,去噪,降维。核心在于深度学习的特征提取并不依靠人工,而是机器自动提取的。这也是为什么大家都说深度学习的可解释性很差,因为有时候深度学习虽然能有好的表现,但是我们并不知道他的原理是什么。

工业视角

机器学习工业操作流程

机器学习的库有:SciKit-learn
深度学习的库有:Torch,Theano, Tensorflow,Karas,PaddlePaddle

应用

数据挖掘(相当于机器学习与大数据结合应用),图像识别,自然语言处理(文本挖掘),推荐系统,语音系统。

参考

人工智能 – Artificial intelligence
人工智能史Wiki

机器学习Baike
机器学习Wiki
机器学习 – machine learning
机器学习中常见4种学习方法、13种算法和27张速查表
机器学习发展历史回顾
机器学习的发展历史以及算法演进

深度学习Baike
深度学习Wiki
深度学习 – Deep learning

上一篇下一篇

猜你喜欢

热点阅读