【机器学习课程】 第一章机器学习概述 1.人工智能

任何傻瓜都能知道，重点是要理解。—爱因斯坦 

1.人工智能

机器学习是实现人工智能的一种手段。

1.1 什么是人工智能

人工智能：人工智能（Aritificial Intelligence， AI）是一门融合了计算机科学、统计学、脑神经学和社会科学的前沿综合性学科，它研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。

人工智能的目标是研制出具有智能行为的计算机系统，希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

图1-1 人工智能学科

图1-2 复旦赵卫东机器学习课程中的关系图

通过复旦赵卫东机器学习课程中的关系图，我们可以分析出各个概念范畴之间的关系。人工智能是目标，机器学习是一种实现手段，深度学习是机器学习中联结主义派系的一个方法。

图1-3 李宏毅机器学习课程中的关系图示

1.2 人工智能第一次浪潮：推理期

1956年夏，达特茅斯会议标志着人工智能这一学科的诞生。当时美国达特茅斯大学数学助教、现任斯坦福大学教授麦卡锡和哈佛大学数学和神经学家、现任MIT教授明斯基、IBM公司信息研究中心负责人洛切斯特、贝尔实验室信息部数学研究员香农共同发起，邀请普林斯顿大学莫尔和IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫以及兰德公司和卡内基－梅隆大学的纽厄尔、西蒙等10名年轻学者在达特莫斯大学召开了两个月的学术研讨会，讨论机器智能问题。

图1-4 John McCarthy (1927 - 2011):1971年获图灵奖, 1985年获IJCAI终身成就奖。人工智能之父。他提出了“人工智能”的概念，设计出函数型程序设计语言Lisp，发展了递归的概念，提出常识推理和情境演算。

人工智能的第一次高峰：在1956年的这次会议之后，人工智能迎来了属于它的第一段Happy Time。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”

人工智能第一次低谷：70年代，人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足，不仅导致与美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。

在当时，人工智能面临的技术瓶颈主要是三个方面，第一,计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。

人工智能"推理期"的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人瞩目的成就 。通过赋予机器逻辑推理能力使机器获得智能，当时的AI程序能够证明一些著名的数学定理，但由于机器缺乏知识，远不能实现真正的智能。

1.3 人工智能第二次浪潮：知识期

1970-1990年代，人工智能的”知识工程“时代。这一时期，人们认为要让机器变得有智能，就应该设法让机器学习知识，于是专家系统得到了大量的开发。

1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等这样的硬件，软件公司。在这个时期，仅专家系统产业的价值就高达5亿美元。

人工智能第二次低谷：后来人们发现，把知识总结出来再灌输给计算机相当困难。举个例子来说，想要开发一个疾病诊断的人工智能系统，首先要找好多有经验的医生总结出疾病的规律和知识，随后让机器进行学习，但是在知识总结的阶段已经花费了大量的人工成本，机器只不过是一台执行知识库的自动化工具而已，无法达到真正意义上的智能水平进而取代人力工作。

1.4 人工智能第三次浪潮：机器学习时期

无论是“推理期”还是“知识期”，机器都是按照人类设定的规则和总结的知识运作，永远无法超越其创造者，其次人力成本太高。一些学者就想到，如果机器能够自我学习问题不就迎刃而解了吗！机器学习（Machine Learning）方法应运而生，人工智能进入“机器学习时期”。

“机器学习时期”的三个阶段：80年代，连接主义较为流行，代表工作有感知机（Perceptron）和神经网络（Neural Network）。90年代，统计学习方法开始占据主流舞台，代表性方法有支持向量机（Support Vector Machine），进入21世纪，深度神经网络被提出，连接主义卷土重来，随着数据量和计算能力的不断提升，以深度学习（Deep Learning）为基础的诸多AI应用逐渐成熟。

人工智能技术发展被引爆：随着各种机器学习算法的提出和应用，特别是深度学习技术的发展，人们希望机器能够通过大量数据分析，从而自动学习出知识并实现智能化水平。这一时期，随着计算机硬件水平的提升，大数据分析技术的发展，机器采集、存储、处理数据的水平有了大幅提高。特别是深度学习技术对知识的理解比之前浅层学习有了很大的进步，Alpha Go和中韩围棋高手过招大幅领先就是目前人工智能的高水平代表之一。

图1-5 人工智能的三个时期

1.5人工智能研究领域

人工智能的研究领域主要有5层，最底层是基础设施建设，包括数据和计算能力两部分，数据越大人工智能的能力越强。往上一层是算法，比如机器学习、深度学习等算法。再上一层是主要的技术方向，如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。最上层为人工智能的应用领域。

图1-6 人工智能的研究领域

1.6人工智能应用场景

计算机视觉：车牌识别、人脸识别、无人车等
语音工程：2010 年后，深度学习的广泛应用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同语言间的 交流，从语音中说一段话，随之将其翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。
自然语言处理：问答系统、机器翻译、对话系统等。
决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从 80 年代西洋跳棋开始，到 90 年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。
大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。

原文地址：https://www.jb51.cc/wenti/3280211.html