人工智能 (AI)

一、人工智能簡(jiǎn)介

1.1.人工智能定義和發(fā)展歷史

1.2.人工智能發(fā)展必備三要素

1.2.1.三要素

1.2.人工智能發(fā)展必備三要素

二、實(shí)現(xiàn)人工智能實(shí)現(xiàn)的核心技術(shù)

2.1、數(shù)據(jù)科學(xué)

2.1.1 數(shù)據(jù)科學(xué)定義

2.1.2 數(shù)據(jù)科學(xué)應(yīng)用流程

2.1.3 數(shù)據(jù)科學(xué)于機(jī)器學(xué)習(xí)對(duì)比

2.2、計(jì)算機(jī)視覺(jué)

2.3、自然語(yǔ)言處理

2.4、機(jī)器學(xué)習(xí)

2.4.1.什么是機(jī)器學(xué)習(xí)

2.4.2.機(jī)器學(xué)習(xí)工作流程

2.4.3.機(jī)器學(xué)習(xí)算法分類

2.4.4 機(jī)器學(xué)習(xí)常用算法

2.4.5.機(jī)器學(xué)習(xí)模型評(píng)估

2.4.6.深度學(xué)習(xí)簡(jiǎn)介

2.4.7.深度學(xué)習(xí)各層負(fù)責(zé)內(nèi)容

2.4.8.深度學(xué)習(xí)典型模型

2.4.9.深度學(xué)習(xí)訓(xùn)練過(guò)程

2.5、機(jī)器人

2.6、語(yǔ)音識(shí)別

三、人工智能技術(shù)領(lǐng)域和應(yīng)用案例

3.1.人工智能應(yīng)用案例

四、如何選擇人工智能項(xiàng)目

五、人工智能的發(fā)展和未來(lái)

相關(guān)參考資料

人工智能 (AI)

一、人工智能簡(jiǎn)介

1.1.人工智能定義和發(fā)展歷史

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。

1.2.人工智能發(fā)展必備三要素

1.2.1.三要素

1）數(shù)據(jù)

2）算法

3）計(jì)算力：CPU,GPU,TPU

CPU:主要適合IO密集型任務(wù)

GPU：主要適合計(jì)算密集型任務(wù)

計(jì)算密集的程序：所謂計(jì)算密集型的程序，就是其大部分運(yùn)行時(shí)間花在寄存器運(yùn)算上，寄存器的速度和處理器的速度相當(dāng)，從寄存器讀寫數(shù)據(jù)幾乎沒(méi)有延遲，可做一下對(duì)比，讀取內(nèi)存的延遲大概幾百個(gè)時(shí)鐘周期，讀硬盤的速度就不說(shuō)了，即使是ssd,也是很慢的

1.2.人工智能發(fā)展必備三要素

二、實(shí)現(xiàn)人工智能實(shí)現(xiàn)的核心技術(shù)

概括來(lái)說(shuō)，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)覆蓋的技術(shù)范疇是逐層遞減的。人工智能是最寬泛的概念。機(jī)器學(xué)習(xí)是當(dāng)前比較有效的一種實(shí)現(xiàn)人工智能的方式。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)算法中最熱門的一個(gè)分支，近些年取得了顯著的進(jìn)展，并替代了大多數(shù)傳統(tǒng)機(jī)器學(xué)習(xí)算法。三者的關(guān)系如 圖1 所示，即：人工智能 > 機(jī)器學(xué)習(xí) > 深度學(xué)習(xí)。

圖1：人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者關(guān)系示意

如字面含義，人工智能是研發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。由于這個(gè)定義只闡述了目標(biāo)，而沒(méi)有限定方法，因此實(shí)現(xiàn)人工智能存在的諸多方法和分

2.1、數(shù)據(jù)科學(xué)

2.1.1 數(shù)據(jù)科學(xué)定義

當(dāng)今時(shí)代是數(shù)據(jù)為王的大數(shù)據(jù)時(shí)代，并由此催生了數(shù)據(jù)科學(xué)這門新興的學(xué)科。數(shù)據(jù)科學(xué)是一門多學(xué)科交叉的綜合學(xué)科，包含數(shù)據(jù)獲取、數(shù)據(jù)分析、數(shù)據(jù)管理、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)優(yōu)化和數(shù)據(jù)可視化等內(nèi)容，逐漸成為探明大數(shù)據(jù)集本源，并把大數(shù)據(jù)轉(zhuǎn)換成可執(zhí)行智能的有效方法。

數(shù)據(jù)挖掘不是新產(chǎn)生的東西，它在很多年前就被提出了。隨著近幾年人工智能領(lǐng)域受到關(guān)注，數(shù)據(jù)挖掘也開(kāi)始被人提起。數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)。

2.1.2 數(shù)據(jù)科學(xué)應(yīng)用流程

1.收集數(shù)據(jù)

2.分析數(shù)據(jù)

3.提出假設(shè)和行動(dòng)

4.定期繼續(xù)獲取數(shù)據(jù)不斷迭代

2.1.3 數(shù)據(jù)科學(xué)于機(jī)器學(xué)習(xí)對(duì)比

2.2、計(jì)算機(jī)視覺(jué)

（1）定義：

計(jì)算機(jī)視覺(jué)是使用計(jì)算機(jī)及相關(guān)設(shè)備對(duì)生物視覺(jué)的一種模擬。它的主要任務(wù)就是通過(guò)對(duì)采集的圖片或視頻進(jìn)行處理以獲得相應(yīng)場(chǎng)景的三維信息，就像人類和許多其他類生物每天所做的那樣。

計(jì)算機(jī)視覺(jué)是一門關(guān)于如何運(yùn)用照相機(jī)和計(jì)算機(jī)來(lái)獲取我們所需的，被拍攝對(duì)象的數(shù)據(jù)與信息的學(xué)問(wèn)。形象地說(shuō)，就是給計(jì)算機(jī)安裝上眼睛（照相機(jī)）和大腦（算法），讓計(jì)算機(jī)能夠感知環(huán)境。我們中國(guó)人的成語(yǔ)"眼見(jiàn)為實(shí)"和西方人常說(shuō)的"One picture is worth ten thousand words"表達(dá)了視覺(jué)對(duì)人類的重要性。不難想象，具有視覺(jué)的機(jī)器的應(yīng)用前景能有多么地寬廣。

（2）應(yīng)用：

　

計(jì)算機(jī)視覺(jué)有著廣泛的應(yīng)用，其中包括：醫(yī)療成像分析被用來(lái)提高疾病預(yù)測(cè)、診斷和治療；人臉識(shí)別被Facebook用來(lái)自動(dòng)識(shí)別照片里的人物；在安防及監(jiān)控領(lǐng)域被用來(lái)指認(rèn)嫌疑人；在購(gòu)物方面，消費(fèi)者現(xiàn)在可以用智能手機(jī)拍攝下產(chǎn)品以獲得更多購(gòu)買選擇。

2.3、自然語(yǔ)言處理

3、自然語(yǔ)言處理：

（1）定義：自然語(yǔ)言處理（NLP）是計(jì)算機(jī)科學(xué)，人工智能，語(yǔ)言學(xué)關(guān)注計(jì)算機(jī)和人類（自然）語(yǔ)言之間的相互作用的領(lǐng)域。因此，自然語(yǔ)言處理是與人機(jī)交互的領(lǐng)域有關(guān)的。在自然語(yǔ)言處理面臨很多挑戰(zhàn)，包括自然語(yǔ)言理解，因此，自然語(yǔ)言處理涉及人機(jī)交互的面積。在NLP諸多挑戰(zhàn)涉及自然語(yǔ)言理解，即計(jì)算機(jī)源于人為或自然語(yǔ)言輸入的意思，和其他涉及到自然語(yǔ)言生成。

文本分類：文本分類是指給定一個(gè)文本，預(yù)測(cè)其所屬的預(yù)定類別。像是垃圾郵件的過(guò)濾，它可以依照文本分類電子郵件的垃圾郵件。還可以對(duì)源文本的語(yǔ)言進(jìn)行分類，以及題材分類，分類虛構(gòu)故事的體裁等等。

語(yǔ)言建模：生成新的文章標(biāo)題；生成新的句子，段落或文檔；生成后續(xù)句子建議。

語(yǔ)音識(shí)別：生成演講文本；為電影或電視節(jié)目創(chuàng)建字幕；開(kāi)車時(shí)向收音機(jī)發(fā)出命令。

說(shuō)明生成：描述場(chǎng)景的內(nèi)容；創(chuàng)建照片的標(biāo)題；描述視頻。

信息抽取

信息抽取是將嵌入在文本中的非結(jié)構(gòu)化信息提取并轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)的過(guò)程，從自然語(yǔ)言構(gòu)成的語(yǔ)料中提取出命名實(shí)體之間的關(guān)系，是一種基于命名實(shí)體識(shí)別更深層次的研究。信息抽取的主要過(guò)程有三步：首先對(duì)非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行自動(dòng)化處理，其次是針對(duì)性的抽取文本信息，最后對(duì)抽取的信息進(jìn)行結(jié)構(gòu)化表示。信息抽取最基本的工作是命名實(shí)體識(shí)別，而核心在于對(duì)實(shí)體關(guān)系的抽取。

自動(dòng)文摘

自動(dòng)文摘是利用計(jì)算機(jī)按照某一規(guī)則自動(dòng)地對(duì)文本信息進(jìn)行提取、集合成簡(jiǎn)短摘要的一種信息壓縮技術(shù)，旨在實(shí)現(xiàn)兩個(gè)目標(biāo)：首先使語(yǔ)言的簡(jiǎn)短，其次要保留重要信息。

語(yǔ)音識(shí)別技術(shù)

語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)，也就是讓機(jī)器聽(tīng)懂人類的語(yǔ)音，其目標(biāo)是將人類語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)化為計(jì)算機(jī)可讀的數(shù)據(jù)。要做到這些，首先必須將連續(xù)的講話分解為詞、音素等單位，還需要建立一套理解語(yǔ)義的規(guī)則。語(yǔ)音識(shí)別技術(shù)從流程上講有前端降噪、語(yǔ)音切割分幀、特征提取、狀態(tài)匹配幾個(gè)部分。而其框架可分成聲學(xué)模型、語(yǔ)言模型和解碼三個(gè)部分。

機(jī)器翻譯：機(jī)器翻譯是指將一種語(yǔ)言的源文本轉(zhuǎn)換為另一種語(yǔ)言。機(jī)器翻譯的語(yǔ)言模型用于依據(jù)源文本，輸出第二語(yǔ)言的目標(biāo)文本。

2.4、機(jī)器學(xué)習(xí)

2.4.1.什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一門多學(xué)科交叉專業(yè)，涵蓋概率論知識(shí)，統(tǒng)計(jì)學(xué)知識(shí)，近似理論知識(shí)和復(fù)雜算法知識(shí)，使用計(jì)算機(jī)作為工具并致力于真實(shí)實(shí)時(shí)的模擬人類學(xué)習(xí)方式，并將現(xiàn)有內(nèi)容進(jìn)行知識(shí)結(jié)構(gòu)劃分來(lái)有效提高學(xué)習(xí)效率。

機(jī)器學(xué)習(xí)有下面幾種定義：

（1）機(jī)器學(xué)習(xí)是一門人工智能的科學(xué)，該領(lǐng)域的主要研究對(duì)象是人工智能，特別是如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的性能。

（2）機(jī)器學(xué)習(xí)是對(duì)能通過(guò)經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法的研究。

（3）機(jī)器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗(yàn)，以此優(yōu)化計(jì)算機(jī)程序的性能標(biāo)準(zhǔn)

2.4.2.機(jī)器學(xué)習(xí)工作流程

1.獲取數(shù)據(jù)

2.數(shù)據(jù)基本處理

3.特征工程

4.機(jī)器學(xué)習(xí)（選擇算法模型訓(xùn)練）

5.模型評(píng)估

結(jié)果達(dá)到要求,上線

結(jié)果沒(méi)有達(dá)到要求，繼續(xù)上面步驟

2.4.3.機(jī)器學(xué)習(xí)算法分類

1.監(jiān)督學(xué)習(xí)

輸入數(shù)據(jù)是由輸入特征值和目標(biāo)值組成

函數(shù)的輸出可以是一個(gè)連續(xù)的值（稱為回歸）

或是輸出是有限個(gè)離散值（稱為分類）

2.無(wú)監(jiān)督學(xué)習(xí)

輸入數(shù)據(jù)是由輸入特征值組成，沒(méi)有目標(biāo)值

輸入數(shù)據(jù)沒(méi)有被標(biāo)記，也沒(méi)有確定的結(jié)果，樣本數(shù)據(jù)類別未知

需要數(shù)據(jù)樣板間的相似性對(duì)樣本集體進(jìn)行類別劃分

3.半監(jiān)督學(xué)習(xí)

訓(xùn)練集同時(shí)包含有標(biāo)記樣本數(shù)據(jù)和未標(biāo)記樣本數(shù)據(jù)

4.強(qiáng)化學(xué)習(xí)

實(shí)質(zhì)是自動(dòng)進(jìn)行決策，并且可以連續(xù)決策

2.4.4 機(jī)器學(xué)習(xí)常用算法

線性回歸

Logistic 回歸

線性判別分析（LDA）

分類與回歸樹(shù)

決策樹(shù)是預(yù)測(cè)建模機(jī)器學(xué)習(xí)的一種重要算法。

決策樹(shù)模型的表示是一個(gè)二叉樹(shù)。這是算法和數(shù)據(jù)結(jié)構(gòu)中的二叉樹(shù)，沒(méi)什么特別的。每個(gè)節(jié)點(diǎn)代表一個(gè)單獨(dú)的輸入變量 x 和該變量上的一個(gè)分割點(diǎn)（假設(shè)變量是數(shù)字）。

決策樹(shù)

決策樹(shù)的葉節(jié)點(diǎn)包含一個(gè)用于預(yù)測(cè)的輸出變量 y。通過(guò)遍歷該樹(shù)的分割點(diǎn)，直到到達(dá)一個(gè)葉節(jié)點(diǎn)并輸出該節(jié)點(diǎn)的類別值就可以作出預(yù)測(cè)。

決策樹(shù)學(xué)習(xí)速度和預(yù)測(cè)速度都很快。它們還可以解決大量問(wèn)題，并且不需要對(duì)數(shù)據(jù)做特別準(zhǔn)備。

5. 樸素貝葉斯

6. K 近鄰算法

7. 學(xué)習(xí)向量量化

8. 支持向量機(jī)（SVM）

支持向量機(jī)可能是最受歡迎和最廣泛討論的機(jī)器學(xué)習(xí)算法之一。

超平面是分割輸入變量空間的一條線。在 SVM 中，選擇一條可以最好地根據(jù)輸入變量類別（類別 0 或類別 1）對(duì)輸入變量空間進(jìn)行分割的超平面。在二維中，你可以將其視為一條線，我們假設(shè)所有的輸入點(diǎn)都可以被這條線完全的分開(kāi)。SVM 學(xué)習(xí)算法找到了可以讓超平面對(duì)類別進(jìn)行最佳分割的系數(shù)。

支持向量機(jī)

超平面和最近的數(shù)據(jù)點(diǎn)之間的距離被稱為間隔。分開(kāi)兩個(gè)類別的最好的或最理想的超平面具備最大間隔。只有這些點(diǎn)與定義超平面和構(gòu)建分類器有關(guān)。這些點(diǎn)被稱為支持向量，它們支持或定義了超平面。實(shí)際上，優(yōu)化算法用于尋找最大化間隔的系數(shù)的值。

SVM 可能是最強(qiáng)大的立即可用的分類器之一，值得一試。

Bagging 和隨機(jī)森林

隨機(jī)森林是最流行和最強(qiáng)大的機(jī)器學(xué)習(xí)算法之一。它是 Bootstrap Aggregation（又稱 bagging）集成機(jī)器學(xué)習(xí)算法的一種。

bootstrap 是從數(shù)據(jù)樣本中估算數(shù)量的一種強(qiáng)大的統(tǒng)計(jì)方法。例如平均數(shù)。你從數(shù)據(jù)中抽取大量樣本，計(jì)算平均值，然后平均所有的平均值以便更好的估計(jì)真實(shí)的平均值。

bagging 使用相同的方法，但是它估計(jì)整個(gè)統(tǒng)計(jì)模型，最常見(jiàn)的是決策樹(shù)。在訓(xùn)練數(shù)據(jù)中抽取多個(gè)樣本，然后對(duì)每個(gè)數(shù)據(jù)樣本建模。當(dāng)你需要對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，每個(gè)模型都進(jìn)行預(yù)測(cè)，并將所有的預(yù)測(cè)值平均以便更好的估計(jì)真實(shí)的輸出值。

隨機(jī)森林

隨機(jī)森林是對(duì)這種方法的一種調(diào)整，在隨機(jī)森林的方法中決策樹(shù)被創(chuàng)建以便于通過(guò)引入隨機(jī)性來(lái)進(jìn)行次優(yōu)分割，而不是選擇最佳分割點(diǎn)。

因此，針對(duì)每個(gè)數(shù)據(jù)樣本創(chuàng)建的模型將會(huì)與其他方式得到的有所不同，不過(guò)雖然方法獨(dú)特且不同，它們?nèi)匀皇菧?zhǔn)確的。結(jié)合它們的預(yù)測(cè)可以更好的估計(jì)真實(shí)的輸出值。

如果你用方差較高的算法（如決策樹(shù)）得到了很好的結(jié)果，那么通?？梢酝ㄟ^(guò) bagging 該算法來(lái)獲得更好的結(jié)果。

Boosting 和 AdaBoost

總結(jié)

即使是經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)家在嘗試不同的算法之前，也無(wú)法分辨哪種算法會(huì)表現(xiàn)最好。雖然還有很多其他的機(jī)器學(xué)習(xí)算法，但本篇文章中討論的是最受歡迎的算法。如果你是機(jī)器學(xué)習(xí)的新手，這將是一個(gè)很好的學(xué)習(xí)起點(diǎn)。

2.4.5.機(jī)器學(xué)習(xí)模型評(píng)估

1.分類模型評(píng)估

2。回歸模型評(píng)估

3.擬合： 模型評(píng)估用用評(píng)價(jià)模型訓(xùn)練好的模型的表現(xiàn)效果。其表現(xiàn)效果分為兩類

2.4.6.深度學(xué)習(xí)簡(jiǎn)介

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多個(gè)隱藏層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。研究深度學(xué)習(xí)的動(dòng)機(jī)在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本等。

深度學(xué)習(xí)是一類模式分析方法的統(tǒng)稱，就具體研究?jī)?nèi)容而言，主要涉及三類方法：

(1)基于卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)(CNN)。

(2)基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼( Auto encoder)以及近年來(lái)受到廣泛關(guān)注的稀疏編碼兩類( Sparse Coding)。

(3)以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行預(yù)訓(xùn)練，進(jìn)而結(jié)合鑒別信息進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)(DBN)。

通過(guò)多層處理，逐漸將初始的“低層”特征表示轉(zhuǎn)化為“高層”特征表示后，用“簡(jiǎn)單模型”即可完成復(fù)雜的分類等學(xué)習(xí)任務(wù)。由此可將深度學(xué)習(xí)理解為進(jìn)行“特征學(xué)習(xí)”（feature learning）或“表示學(xué)習(xí)”（representation learning）。

2.4.7.深度學(xué)習(xí)各層負(fù)責(zé)內(nèi)容

2.4.8.深度學(xué)習(xí)典型模型

1）卷積神經(jīng)網(wǎng)絡(luò)模型

在無(wú)監(jiān)督預(yù)訓(xùn)練出現(xiàn)之前，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)通常非常困難，而其中一個(gè)特例是卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)

絡(luò)受視覺(jué)系統(tǒng)的結(jié)構(gòu)啟發(fā)而產(chǎn)生。第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)計(jì)算模型是在Fukushima(D的神經(jīng)認(rèn)知機(jī)中提出的，基于神經(jīng)元之間的局部連接和分層組織圖像轉(zhuǎn)換，將有相同參數(shù)的神經(jīng)元應(yīng)用于前一層神經(jīng)網(wǎng)絡(luò)的不同位置，得到一種平移不變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式。后來(lái)，Le Cun等人在該思想的基礎(chǔ)上，用誤差梯度設(shè)計(jì)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，在一些模式識(shí)別任務(wù)上得到優(yōu)越的性能。至今，基于卷積神經(jīng)網(wǎng)絡(luò)的模式識(shí)別系統(tǒng)是最好的實(shí)現(xiàn)系統(tǒng)之一，尤其在手寫體字符識(shí)別任務(wù)上表現(xiàn)出非凡的性能。

2）深度信任網(wǎng)絡(luò)模型

DBN可以解釋為貝葉斯概率生成模型，由多層隨機(jī)隱變量組成，上面的兩層具有無(wú)向?qū)ΨQ連接，下面的層得到來(lái)自上一層的自頂向下的有向連接，最底層單元的狀態(tài)為可見(jiàn)輸入數(shù)據(jù)向量。DBN由若2F結(jié)構(gòu)單元堆棧組成，結(jié)構(gòu)單元通常為RBM（RestIlcted Boltzmann Machine，受限玻爾茲曼機(jī)）。堆棧中每個(gè)RBM單元的可視層神經(jīng)元數(shù)量等于前一RBM單元的隱層神經(jīng)元數(shù)量。根據(jù)深度學(xué)習(xí)機(jī)制，采用輸入樣例訓(xùn)練第一層RBM單元，并利用其輸出訓(xùn)練第二層RBM模型，將RBM模型進(jìn)行堆棧通過(guò)增加層來(lái)改善模型性能。在無(wú)監(jiān)督預(yù)訓(xùn)練過(guò)程中，DBN編碼輸入到頂層RBM后，解碼頂層的狀態(tài)到最底層的單元，實(shí)現(xiàn)輸入的重構(gòu)。RBM作為DBN的結(jié)構(gòu)單元，與每一層DBN共享參數(shù)。

3）堆棧自編碼網(wǎng)絡(luò)模型

堆棧自編碼網(wǎng)絡(luò)的結(jié)構(gòu)與DBN類似，由若干結(jié)構(gòu)單元堆棧組成，不同之處在于其結(jié)構(gòu)單元為自編碼模型( auto-en-coder)而不是RBM。自編碼模型是一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)，第一層稱為編碼層，第二層稱為解碼層。

2.4.9.深度學(xué)習(xí)訓(xùn)練過(guò)程

2006年，Hinton提出了在非監(jiān)督數(shù)據(jù)上建立多層神經(jīng)網(wǎng)絡(luò)的一個(gè)有效方法，具體分為兩步：首先逐層構(gòu)建單層神經(jīng)元，這樣每次都是訓(xùn)練一個(gè)單層網(wǎng)絡(luò)；當(dāng)所有層訓(xùn)練完后，使用wake-sleep算法進(jìn)行調(diào)優(yōu)。

將除最頂層的其他層間的權(quán)重變?yōu)殡p向的，這樣最頂層仍然是一個(gè)單層神經(jīng)網(wǎng)絡(luò)，而其他層則變?yōu)榱藞D模型。向上的權(quán)重用于“認(rèn)知”，向下的權(quán)重用于“生成”。然后使用wake-sleep算法調(diào)整所有的權(quán)重。讓認(rèn)知和生成達(dá)成一致，也就是保證生成的最頂層表示能夠盡可能正確的復(fù)原底層的節(jié)點(diǎn)。比如頂層的一個(gè)節(jié)點(diǎn)表示人臉，那么所有人臉的圖像應(yīng)該激活這個(gè)節(jié)點(diǎn)，并且這個(gè)結(jié)果向下生成的圖像應(yīng)該能夠表現(xiàn)為一個(gè)大概的人臉圖像。wake-sleep算法分為醒( wake)和睡(sleep)兩個(gè)部分。

wake階段：認(rèn)知過(guò)程，通過(guò)外界的特征和向上的權(quán)重產(chǎn)生每一層的抽象表示，并且使用梯度下降修改層間的下行權(quán)重。

sleep階段：生成過(guò)程，通過(guò)頂層表示和向下權(quán)重，生成底層的狀態(tài)，同時(shí)修改層間向上的權(quán)重。

自下上升的非監(jiān)督學(xué)習(xí)

就是從底層開(kāi)始，一層一層地往頂層訓(xùn)練。采用無(wú)標(biāo)定數(shù)據(jù)（有標(biāo)定數(shù)據(jù)也可）分層訓(xùn)練各層參數(shù)，這一步可以看作是一個(gè)無(wú)監(jiān)督訓(xùn)練過(guò)程，這也是和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)區(qū)別最大的部分，可以看作是特征學(xué)習(xí)過(guò)程。具體的，先用無(wú)標(biāo)定數(shù)據(jù)訓(xùn)練第一層，訓(xùn)練時(shí)先學(xué)習(xí)第一層的參數(shù)，這層可以看作是得到一個(gè)使得輸出和輸入差別最小的三層神經(jīng)網(wǎng)絡(luò)的隱層，由于模型容量的限制以及稀疏性約束，使得得到的模型能夠?qū)W習(xí)到數(shù)據(jù)本身的結(jié)構(gòu)，從而得到比輸入更具有表示能力的特征；在學(xué)習(xí)得到n-l層后，將n-l層的輸出作為第n層的輸入，訓(xùn)練第n層，由此分別得到各層的參數(shù)。

自頂向下的監(jiān)督學(xué)習(xí)

就是通過(guò)帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自頂向下傳輸，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)?；诘谝徊降玫降母鲗訁?shù)進(jìn)一步優(yōu)調(diào)整個(gè)多層模型的參數(shù)，這一步是一個(gè)有監(jiān)督訓(xùn)練過(guò)程。第一步類似神經(jīng)網(wǎng)絡(luò)的隨機(jī)初始化初值過(guò)程，由于第一步不是隨機(jī)初始化，而是通過(guò)學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)得到的，因而這個(gè)初值更接近全局最優(yōu)，從而能夠取得更好的效果。所以深度學(xué)習(xí)的良好效果在很大程度上歸功于第一步的特征學(xué)習(xí)的過(guò)程。

2.5、機(jī)器人

將機(jī)器視覺(jué)、自動(dòng)規(guī)劃等認(rèn)知技術(shù)整合至極小卻高性能的傳感器、制動(dòng)器以及設(shè)計(jì)巧妙的硬件中，這就形成了機(jī)器人，它有能力跟人類一起工作。

例如無(wú)人機(jī)，以及在車間為人類分擔(dān)工作的“cobots”等。

2.6、語(yǔ)音識(shí)別

語(yǔ)音識(shí)別主要是關(guān)注自動(dòng)且準(zhǔn)確地轉(zhuǎn)錄人類的語(yǔ)音技術(shù)。

語(yǔ)音識(shí)別的主要應(yīng)用包括醫(yī)療聽(tīng)寫、語(yǔ)音書寫、電腦系統(tǒng)聲控、電話客服等。最近推出了一個(gè)允許用戶通過(guò)語(yǔ)音下單的移動(dòng)APP。

三、人工智能技術(shù)領(lǐng)域和應(yīng)用案例

3.1.人工智能應(yīng)用案例

人工智能在各個(gè)領(lǐng)域的應(yīng)用

在新聞?lì)I(lǐng)域，基于大數(shù)據(jù)和人工智能的個(gè)性化推薦已成為不少新聞App的標(biāo)配，寫稿機(jī)器人、智能視頻剪刀手等生產(chǎn)工具也在不斷涌現(xiàn);

在教育領(lǐng)域，人工智能已經(jīng)被應(yīng)用在批改作業(yè)、教英文等教學(xué)項(xiàng)目，探索“私人訂制”“千人千面”的個(gè)性化學(xué)習(xí)模式;

在語(yǔ)音識(shí)別和翻譯領(lǐng)域，翻譯軟件已經(jīng)可以支持全球數(shù)十種熱門語(yǔ)言互譯、覆蓋幾百個(gè)翻譯方向;

在金融領(lǐng)域，生物識(shí)別技術(shù)的應(yīng)用使得刷臉支付已成為現(xiàn)實(shí)，以較低成本提供個(gè)性化專屬財(cái)富管理方案的智能投顧也已在不斷發(fā)展中;

在物流領(lǐng)域，智能分單、智能配送機(jī)器人、無(wú)人倉(cāng)、無(wú)人機(jī)等產(chǎn)品和服務(wù)，已在不斷幫助快遞業(yè)提升物流速度和服務(wù)水平;

在零售領(lǐng)域，除了無(wú)人超市等吸引眼球的探索性應(yīng)用外，人工智能還被用來(lái)對(duì)超市的生鮮商品進(jìn)貨量進(jìn)行預(yù)測(cè);

在交通領(lǐng)域，除了地圖、導(dǎo)航等應(yīng)用外，備受關(guān)注的無(wú)人駕駛也有了新的進(jìn)展;

在醫(yī)療領(lǐng)域，利用AI和大數(shù)據(jù)的能力，可以讓機(jī)器篩查和分析醫(yī)學(xué)影像，來(lái)輔助醫(yī)生診斷;

英國(guó)曼徹斯特皇家眼科醫(yī)院已經(jīng)成功實(shí)施了世界首例人工仿生機(jī)器眼移植治療老年性視網(wǎng)膜黃斑變性(AMD)所導(dǎo)致失明的手術(shù)。這個(gè)人工智能仿生眼裝置被稱為Argus II，由兩部分組成：1、體內(nèi)植入部分和體外病人必須穿戴的部分。植入設(shè)備將植入到病人的視網(wǎng)膜上，設(shè)備中含有電極陣列，電池和一個(gè)無(wú)線天線。2、外部設(shè)備包含一副眼鏡，內(nèi)置前向的攝像頭和無(wú)線電發(fā)射器以及一個(gè)視頻處理單元。

Skype實(shí)時(shí)翻譯工具

微軟的一款人工智能產(chǎn)品—實(shí)時(shí)翻譯工具Skype Translator將語(yǔ)音識(shí)別技術(shù)和微軟所謂的“深度神經(jīng)網(wǎng)絡(luò)及微軟已得到證明的靜態(tài)機(jī)器翻譯技術(shù)”結(jié)合在一起。能自動(dòng)翻譯不同語(yǔ)言的語(yǔ)音通話和即時(shí)通信消息。目前支持英語(yǔ)、西班牙語(yǔ)、意大利語(yǔ)和漢語(yǔ)普通話。此外，即時(shí)通信消息的翻譯已支持50種語(yǔ)言，包括法語(yǔ)、日語(yǔ)、阿拉伯語(yǔ)、威爾士語(yǔ)，甚至克林貢語(yǔ)。就像小編上面說(shuō)的，人工智能并不只有機(jī)器人一種形態(tài)，從領(lǐng)域上來(lái)看，包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。

四、如何選擇人工智能項(xiàng)目

1.怎樣選擇人工智能項(xiàng)目

技術(shù)考察：技術(shù)是否可以實(shí)現(xiàn)

商業(yè)考察：是否符合商業(yè)模式

價(jià)值考察：是否可以創(chuàng)造價(jià)值，提升價(jià)值

道德考察：是否遵循道德規(guī)則和底線

五、人工智能的發(fā)展和未來(lái)

1.人工智能產(chǎn)業(yè)屬于戰(zhàn)略性產(chǎn)業(yè)，全球各國(guó)家、企業(yè)都紛紛搶占技術(shù)制高點(diǎn)。我國(guó)人工智能產(chǎn)業(yè)技術(shù)基礎(chǔ)已經(jīng)具備，各應(yīng)用場(chǎng)景的技術(shù)研發(fā)及落地也進(jìn)展順利，人工智能的產(chǎn)業(yè)化應(yīng)用趨勢(shì)日趨明朗。

2.人工智能應(yīng)用場(chǎng)景側(cè)變現(xiàn)在即，發(fā)展前景及錢景都不可限量。2019年中國(guó)人工智能市場(chǎng)規(guī)模達(dá)到489.3億元，增長(zhǎng)率27.5%。人工智能的場(chǎng)景落地以及市場(chǎng)開(kāi)拓將在各行各業(yè)中穩(wěn)定展開(kāi)。預(yù)計(jì)到2022年，中國(guó)人工智能市場(chǎng)規(guī)模將超過(guò)千億元、人工智能是典型的高增速、大增量的藍(lán)海市場(chǎng)，未來(lái)行業(yè)發(fā)展前景廣闊。

3.人工智能應(yīng)用技術(shù)多元化，市場(chǎng)分割性強(qiáng)，有較好投資切入點(diǎn)。人工智能技術(shù)門檻較高，目前大多數(shù)的領(lǐng)域的發(fā)展還依賴于國(guó)家技術(shù)戰(zhàn)略的推動(dòng)以及資本的推動(dòng)。人工智能的市場(chǎng)分割性主要存在于技術(shù)應(yīng)用場(chǎng)景方面，巨頭大而全的布局難以深度介入，這也正是初創(chuàng)企業(yè)以及正在轉(zhuǎn)型的非巨頭上市公司機(jī)會(huì)所在。

需要人工智能資料的伙伴們可以點(diǎn)贊+評(píng)論人工智能免費(fèi)獲取