AI是什么
AI，“Artificial Intelligence”的缩写，中文“人工智能”；可以理解为让机器具备类似人的智能，从而代替人类完成某些工作和任务。
-
“强人工智能”
能够像人类一样去思考和推理，具备自我意识
-
“弱人工智能”
机器表现出来的特征是智能的，但是不具备自我意识
- 通过相关规则编程，使机器按照程序逻辑完成特定的任务
- 针对某一任务向机器提供大量数据，使机器自己去学习，继而挖掘出规律，从而完成任务
弱人工智能
机器学习
从模型层次结构的角度可以分为浅层学习和深度学习
浅层学习（Shallow Learning）
- 模型层次较浅，通常没有隐藏层、或只有一层隐藏层
- 可以做一些预测、分类、聚类、降低数据维度、压缩数据、商品推荐系统等工作
- 常见算法：
- 线性回归
- 逻辑回归
- 随机森林
- SVM
- K-means
- RBM
- AutoEncoder
- PCA
- SOM
- ……
深度学习（Deep Learning）
- “深”是因为通常具有较多的隐藏层，进而拥有表达更多复杂函数的能力，进而能识别更复杂的特征
- 主要集中在CNN 和RNN
- CNN
- CNN为Convolution Neural NetWorks的缩写，也就是卷积神经网络
- 主要应用于计算机视觉、图像分类领域
- 应用场景示例
- 美颜相机的滤镜
- 交通监控识别车辆车型、车牌号
- 商汤人脸识别
- 无人车
- ……
- RNN
- Recurrent Neual NetWorks的缩写，递归神经网络
- 基于RNN还衍生出LSTM（Long-Short-Term-Memerory） 和GRU（Gated Recurrent Unit）等
- 具有记忆过去的能力，故用来处理一些有时间序列属性的数据，处理语言、文字具有优势
- 应用场景示例：
- Siri对话机器人
- 谷歌翻译，机器翻译
- 语音转文字
- ……
AI本质
AI本质上都是一个函数
AI其实就是我们提供机器目前已有的数据，机器从数据去找出一个最能拟合这些数据的函数；当有新的数据需要预测时，机器通过之前找到的函数去预测新数据的对应结果。
-
通用要素
AI = 数据+算法+模型
-
示例讲解—分类器模型为区分A 和B
-
数据
- 准备大量已标注过 是A 还是B的图片
- 只有数据量足够大，模型才能够学习足够准确的 区分A 和B的特征，在进行最终的AB任务区分上，才能表现出足够高的准确性
-
算法
-
网络架构设计：构建模型时，采用浅层网络还是深层网络，如为深层，则需多少层，每层油多少神经元，功能是什么等
-
预测函数的大致结构
Y ，是已有的图片数据的标签；（A和B的图片）X，是已有的用来训练的数据；（该图是A 还是B）
W，权重；b，偏差 ； 这两个参数通过机器学习后得出
-
寻找W 和b 的过程，就是模型训练的过程
-
-
模型
-
将数据带入算法中训练，机器不断学习，当机器找到最优 W 权重，b 偏差；就意味着模型 train成功了
-
函数模型
-
提供新的数据输入该模型，算出新的数据是A或者B，即为模型的预测功能
-
-
不管是简单的线性回归，还是复杂的深度神经网络模型，本质都是寻找一个能够良好拟合目前已有数据的函数
并且这个函数在新的未知数据上也能够表现良好。