人工智能(néng)開(kāi)發(fā)簡介

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

例如：環境交互、知識表達、感知、學(xué)習、機器視覺、語言識别。

主要構成(chéng)理論包括：計算機科學(xué)、統計學(xué)、數學(xué)。

機器學(xué)習

1. 機器學(xué)習是人工智能(néng)的分支；
2. 在計算機科學(xué)領域的應用使計算機無需顯示編程就(jiù)能(néng)學(xué)習；
3. 機器學(xué)習由能(néng)夠基于數據進(jìn)行學(xué)習和預測的算法組成(chéng)：

• 這(zhè)類算法在前面(miàn)樣(yàng)本基礎上進(jìn)行訓練，以建構和估計模型；
• 在傳統編程不可行的情況下，通常采用機器學(xué)習；
• 如果經(jīng)過(guò)适當的訓練，可以适應新的案例應用。

機器學(xué)習的應用領域

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：

• 欺詐性信用卡交易
• 核電站傳感器讀數的異常模式

3. 預測

• 未來股票價格
• 精準廣告推送

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

深度學(xué)習是利用神經(jīng)網絡進(jìn)行的學(xué)習。

• 靈感來自生物神經(jīng)網絡
• 深度是指有很多中間的學(xué)習步驟
• 需要大量數據

深度學(xué)習的優勢：

• 數據模式和關系的自主學(xué)習
• 高準确度
• 容易
• 改進(jìn)和微調
• 适應性解決方案

深度學(xué)習的劣勢：

• 大量數據集
• 高計算需求
• 難以理論解釋
• 黑盒子（對(duì)大多數人）

卷積深度神經(jīng)網絡在許多任務上都(dōu)優于以前的方法

什麼(me)是神經(jīng)網絡？

• 也稱爲人工神經(jīng)網絡
• 靈感來自生物神經(jīng)系統
• 生物神經(jīng)元有三個主要組成(chéng)部分：樹突、細胞體、突觸

人工神經(jīng)元

神經(jīng)網絡有三個層次：

• 輸入層：可以從其他神經(jīng)元或特征輸入，例如年齡、身高、體重等；
• 隐藏層：向(xiàng)網絡中添加更多的神經(jīng)元，真正的力量就(jiù)在這(zhè)裡(lǐ)；
• 輸出層：給出我們想要預測的輸出。

激活函數

神經(jīng)網絡訓練

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