人工智能（Artificial Intelligence）

一：什么是人工智能？

维基百科定义：

人工智能，亦称智机器智能，指由人制造出来的机器所表现出来的智能。

人工智能的核心问题包括构建能够跟人类类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。

英文释义：

Intelligence : “The capacity to learn and solve problems”

自主学习和解决问题的能力

Artificial Intelligence : “The simulation of human intelligence by machines”

机器对人类智能的模仿

简单理解：

人工智能就其本质而言，是机器对人思维或者行为过程的模拟，使其可以像人一样思考或者行动。

二：人工智能的特点

过程抽象：输入 ==> 处理 ==> 输出

根据输入信息进行模型结构、权重更新，实现最终优化；

特点：信息处理、自我学习、优化升级

三：人工智能应用场景

  • 金融：市场预测（股票价格预测）、资产管理
  • 医疗：病例分析、病状区域定位
  • 房地产：评估合理房价
  • 工业：芯片质量好坏
  • 机器视觉：车牌识别、猫狗识别
  • 自然语言处理：文本生成、情感分类、机器翻译、人机互动
  • AI 机器人：智能机器人、AlphaGo、模仿人完成指定任务
  • 其他：自动驾驶、人脸识别

四：人工智能的发展阶段

“强” 人工智能

  • 机器有真正推理和解决复杂问题的能力，有 “自主意识”
  • 机器的综合思考能力已达到甚至超越人类
  • 并非当前 AI 所处阶段
    • 无法预估实现 “强” 人工智能还有多远

“弱” 人工智能

  • 机器不具备真正推理和解决复杂问题的能力，无 “自主意识”
  • 机器基于某种特征可以解决部分问题，成为一个强有力的工具
  • 当前 AI 所处阶段

五：人工智能实现方法

思维导图

  • 人工智能
    • 符号学习（实现方法）
    • 机器学习（实现方法）
      • 深度学习
        • 监督学习（具体技术）
        • 非监督学习（具体技术）
        • 强化学习（具体技术）

符号学习（Symbolic learning）

​ 基于逻辑与规则的学习方法，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。

专家系统

  • 根据既定的逻辑和顺序告诉机器接下来做什么
  • 遵循 if…then… 原则
  • 不能根据新场景动态地优化认知（即升级模型）

机器学习（Machine learning）

​ 从数据中寻找规律、建立关系，根据建立的关系去解决问题的方法。

  • 从数据中学习并实现自我优化与升级
  • 当前主流的 AI 学习方法
  • 数据驱动
  • AI 未来：符号学习 + 机器学习

六：机器学习与深度学习

机器学习：

  • 一种实现人工智能的方法；
  • 使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。比如：垃圾邮件检测、房价预测。
  • 逻辑回归（Logistic Regression）、线性回归（Linear Regression）
  • KNN（K邻近算法）
  • 决策树（Decision Tree）
  • K 均值聚类（K-Means）、聚类（Mean Shift）
  • 异常检测（Anomaly Detection）
  • 主成分分析（PCA）

深度学习：

  • 一种实现机器学习的技术；
  • 模仿人类神经网络，建立模型，进行数据分析。比如，人脸识别、语义理解、无人驾驶。
  • 多层感知器（MLP）
  • 卷积神经网络（CNN）
  • 循环神经网络（RNN）
  • 混合算法（CNN + clustering）

七：常用 AI 工具

  • Python
  • Anaconda
  • NumPy
  • Pandas
  • Keras
  • Matplotlib

八：成熟、标准的训练流程

  1. 数据加载及展示
  2. 数据预处理
  3. 模型建立及训练
  4. 模型预测
  5. 结果展示及表现评估

应用场景：回归任务、分类任务、监督学习、非监督学习、迁移学习、混合算法

九：模型优化

接到任务，选什么模型合适？

模型表现不好，如何优化？

十：模型评估

回归任务，如何判断判断模型表现？

分类任务，如何判断判断模型表现？

如何可视化模型预测结果？