人工(gōng)智能(néng)開(kāi)發簡介

人工(gōng)智能(néng)是所有機器模仿人類認知(zhī)能(néng)力的研究的超級集合。

例如：環境交互、知(zhī)識表達、感知(zhī)、學習、機器視(shì)覺、語言識别。

主要構成理(lǐ)論包括：計(jì)算(suàn)機科學、統計(jì)學、數學。

機器學習

1. 機器學習是人工(gōng)智能(néng)的分支；
2. 在計(jì)算(suàn)機科學領域的應用(yòng)使計(jì)算(suàn)機無需顯示編程就能(néng)學習；
3. 機器學習由能(néng)夠基于數據進行學習和(hé)預測的算(suàn)法組成：

• 這(zhè)類算(suàn)法在前面樣本基礎上(shàng)進行訓練，以建構和(hé)估計(jì)模型；
• 在傳統編程不可行的情況下(xià)，通常采用(yòng)機器學習；
• 如果經過适當的訓練，可以适應新的案例應用(yòng)。

機器學習的應用(yòng)領域

1．識别模式：

• 真實場景的對(duì)象
• 人臉/表情識别
• 語言識别

2. 識别異常：

• 欺詐性信用(yòng)卡交易
• 核電站(zhàn)傳感器讀數的異常模式

3. 預測

• 未來(lái)股票價格
• 精準廣告推送

機器學習的一些(xiē)方法：決策樹、聚類、基于規則的學習、歸納邏輯編程、深度學習。

深度學習是利用(yòng)神經網絡進行的學習。

• 靈感來(lái)自(zì)生物神經網絡
• 深度是指有很(hěn)多中間的學習步驟
• 需要大(dà)量數據

深度學習的優勢：

• 數據模式和(hé)關系的自(zì)主學習
• 高(gāo)準确度
• 容易
• 改進和(hé)微調
• 适應性解決方案

深度學習的劣勢：

• 大(dà)量數據集
• 高(gāo)計(jì)算(suàn)需求
• 難以理(lǐ)論解釋
• 黑盒子（對(duì)大(dà)多數人）

卷積深度神經網絡在許多任務上(shàng)都優于以前的方法

什(shén)麽是神經網絡？

• 也(yě)稱爲人工(gōng)神經網絡
• 靈感來(lái)自(zì)生物神經系統
• 生物神經元有三個主要組成部分：樹突、細胞體、突觸

人工(gōng)神經元

神經網絡有三個層次：

• 輸入層：可以從(cóng)其他(tā)神經元或特征輸入，例如年齡、身高(gāo)、體重等；
• 隐藏層：向網絡中添加更多的神經元，真正的力量就在這(zhè)裏；
• 輸出層：給出我們想要預測的輸出。

激活函數

神經網絡訓練

• 在監督學習中，我們有一個相對(duì)較大(dà)的數據集；
• 将所有樣本作(zuò)爲輸入，以獲得輸出，成爲前饋傳播；
• 開(kāi)始時(shí)，可以根據應用(yòng)程序場景随機或預定義權重；
• 将預測結果與真實結果比較；
• 任務目标是通過減少error使預測結果更加接近于真實的輸出