人工智能概述之03⼈⼯智能主要分⽀

合集 - 机器学习概述(8)

1.⼈⼯智能概述之01概述2023-11-192.人工智能概述之02 ⼈⼯智能发展历程2023-11-19

3.人工智能概述之03⼈⼯智能主要分⽀2023-11-21

4.人工智能概述之04机器学习工作流程2023-11-215.人工智能概述之05机器学习算法分类2023-11-226.人工智能概述之06模型评估2023-11-257.人工智能概述之07机器学习模型搭建实验2023-11-258.人工智能概述之08深度学习简介2023-11-25

收起

人工智能（Artificial Intelligence, AI）主要分支涵盖了多个领域，每个领域都有特定的研究方向和应用。

1. 专家系统（Expert Systems）：

定义： 专家系统是一种基于知识的人工智能系统，旨在模拟和复制人类专家在特定领域中的决策和问题解决能力。

示例：

• MYCIN： 用于医学诊断，特别是感染性疾病。
• Dendral： 用于化学分析，尤其是质谱数据的解释。
• CLIPS： 通用的专家系统工具，可用于开发各种领域的专家系统。

2. 机器学习（Machine Learning）：

定义： 机器学习是一种通过从数据中学习模式，而不是通过明确的编程来实现任务的方法。

示例：

• 监督学习： 支持向量机（SVM）、决策树、神经网络。
• 无监督学习： 聚类算法（K均值聚类、层次聚类）、主成分分析（PCA）。
• 强化学习： Q学习、深度强化学习（如AlphaGo）。

3. 自然语言处理（Natural Language Processing, NLP）：

定义： NLP致力于使计算机能够理解、解释和生成人类语言。

示例：

• 语音识别： Siri、Google语音助手。
• 文本分析： 情感分析、命名实体识别。
• 机器翻译： Google翻译、百度翻译。

4. 计算机视觉（Computer Vision）：

定义： 计算机视觉研究如何使计算机系统能够“看”和理解图像和视频。

计算机视觉(CV)是指机器感知环境的能⼒。这⼀技术类别中的经典任务有图像形 成、图像处理、图像提取和图像的三维推理。物体检测和⼈脸识别是其⽐较成功的 研究领域。

示例：

• 物体识别： 图像分类、目标检测。
• 人脸识别： Face ID、人脸解 [Cannot read properties of undefined (reading 'status')]

 

1. 早期阶段（20世纪60年代-80年代）：

   • 1960年代，计算机视觉的研究开始关注图像处理、特征提取和模式识别。
   • 1970年代，David Marr等人提出了计算机视觉的“计算理论”。
   • 1980年代，研究者们致力于开发用于边缘检测、线条提取等基本图像处理任务的算法。

2. 知识库和符号推理时期（80年代中期-90年代）：

   • 引入了专家系统和知识库，试图通过规则和符号来解释图像。
   • 1980年代中期，基于模型的方法变得流行，例如，基于几何形状的模型。
   • 1990年代，支持向量机（Support Vector Machines）等机器学习方法在计算机视觉中得到应用。

3. 统计学习时期（2000年代初）：

   • 随着大量标注数据的可用性增加，统计学习方法如支持向量机、决策树和神经网络在计算机视觉中取得了成功。
   • 2000年代初，基于大规模数据集的深度学习方法开始出现，但由于计算资源有限，发展相对较慢。

4. 深度学习时期（2012年至今）：

   • 2012年，AlexNet在ImageNet大规模视觉识别挑战赛上取得巨大成功，标志着深度学习在计算机视觉中的崛起。
   • 随后的几年，深度学习在图像分类、目标检测、语义分割等任务上取得了显著的进展。
   • 卷积神经网络（CNN）等深度学习模型成为计算机视觉任务的主流方法。

5. 当前现状（截至2023年）：

   • 深度学习在计算机视觉领域的应用广泛，包括人脸识别、自动驾驶、医学图像分析等。
   • 随着硬件性能的提升，例如图形处理单元（GPU）和专用的神经网络处理器（NPU），深度学习模型的训练和推理速度不断提高。
   • 端到端学习和强化学习等新兴方法在某些领域取得了突破，使计算机视觉系统更加智能和 [Cannot read properties of undefined (reading 'status')]

 5. 语音识别（Speech Recognition）

语音识别是一种技术，它使计算机能够理解和解释人类语音。这项技术在多个领域中得到了广泛应用，包括语音助手、语音搜索、语音命令和语音转写等。

语音识别的工作原理：

1. 音频采集： 首先，从麦克风或其他音频设备中采集语音信号。这个信号是一个包含声音波形的电信号。

2. 预处理： 对采集到的音频信号进行预处理，以去除噪音、调整音频的音量和频率等。

3. 特征提取： 将预处理后的音频信号转换为特征向量。常用的特征包括梅尔频率倒谱系数（Mel Frequency Cepstral Coefficients，MFCCs）等。

4. 模型训练： 使用机器学习或深度学习技术，通过一个训练好的模型学习从特征向量到文本的映射关系。深度学习中的循环神经网络（Recurrent Neural Networks，RNNs）和长短时记忆网络（Long Short-Term Memory，LSTM）等架构常用于语音识别。

5. 推断： 在实时应用中，采用训练好的模型对新的音频信号进行推断，将其转化为文本。

语音识别的示例：

1. 语音助手： 例如，Apple的Siri、Amazon的Alexa、Google的Google Assistant等都使用语音识别技术。用户可以通过语音与这些助手进行对话，提出问题，发出指令等。

2. 语音搜索： 搜索引擎如Google允许用户通过语音输入进行搜索。用户可以通过说出查询内容，而不是键入文字，来获取搜索结果。

3. 语音命令： 许多设备和应用程序支持通过语音进行操作。例如，智能家居系统允许用户通过语音命令控制灯光、温度、音响等设备。

4. 语音转写： 在会议记录、讲座记录等场景中，语音识别技术可以用于将演讲者的语音实时转写为文本，使得文字记录更为方便。

总的来说，语音识别在提高人机交互的便利性和效率方面发挥着重要作用，同时也在多个行业中推动了技术的发展。

 

语音识别技术经历了几个阶段的发展，从最初的基于模板匹配的方法到后来的统计模型和深度学习模型的应用

1. 早期阶段（1950s - 1970s）：

• 早期的语音识别研究主要集中在基于物理模型的方法，例如通过模拟声道和嘴唇的振动来进行声音识别。
• 这个阶段的方法面临挑战，因为语音信号的变化很大，而且人的发音方式也有很大的个体差异。

2. 统计模型时代（1980s - 2000s）：

• 随着计算能力的提升，研究者开始使用统计模型来解决语音识别问题。
• 隐马尔可夫模型（Hidden Markov Models，HMMs）成为这个时期的主流，它能够很好地建模语音信号中的时间序列信息。
• 在这个阶段，语音识别在一些特定领域，如电话自动语音识别（ASR），取得了一些成功。

3. 深度学习时代（2010s - 至今）：

• 深度学习的崛起带动了语音识别领域的巨大进步。深度神经网络（Deep Neural Networks，DNNs）和循环神经网络（Recurrent Neural Networks，RNNs）等模型开始应用于语音识别。
• 长短时记忆网络（Long Short-Term Memory，LSTM）等适用于序列数据的新型神经网络结构的出现使得模型能够更好地捕捉语音信号的长期依赖关系。
• 迁移到深度学习模型使得语音识别的准确率大幅提升，使其在更广泛的应用场景中变得可行。

当前现状：

• 当前，语音识别技术已经成为多个领域的核心应用，包括智能助手、智能音响、智能手机、汽车语音控制等。
• 大型科技公司如Google、Apple、Amazon、Microsoft等都在语音识别领域取得了显著进展，推出了各种语音交互产品。
• 随着深度学习的不断发展，端到端的深度学习模型，如Transformer等，也开始应用于语音识别，进一步提升了性能。

挑战与未来发展：

• 尽管取得了显著的进展，语音识别仍然面临一些挑战，如多样的语音情境、口音、语言模糊性等。
• 未来的发展方向包括进一步提升多语言支持、增强在嘈杂环境下的稳健性、提高对个体差异的适应能力等。

 

6.⽂本挖掘/分类

文本挖掘（Text Mining）是人工智能领域的一个重要分支，它主要涉及从文本数据中提取有用信息、发现模式、进行分类和分析等任务。文本分类是文本挖掘的一个关键任务，它旨在将文本文档分为不同的类别

文本挖掘的主要任务：

1. 文本分类： 将文本文档划分为预定义的类别或标签，例如将新闻文章分为体育、政治、娱乐等类别。

2. 情感分析： 分析文本中的情感倾向，通常分为正面、负面和中性。这在社交媒体分析、产品评论等方面很有用。

3. 实体识别： 识别文本中的命名实体，如人名、地名、组织名等。

4. 关系抽取： 从文本中抽取实体之间的关系，例如从新闻报道中抽取人物之间的关系。

5. 主题建模： 确定文本中隐藏的主题或话题，这对于大规模文本集合的理解和组织非常有用。

6. 摘要生成： 从文本中提取关键信息，生成简洁的摘要，以便更快地理解文档的内容。

文本分类的工作流程：

1. 数据收集： 收集包含文本信息的数据集，这可以是从网站、社交媒体、新闻源等获取的文本数据。

2. 文本预处理： 清理和预处理文本数据，包括去除停用词、标点符号、进行词干化或词形还原等。

3. 特征提取： 将文本数据转换为机器学习算法可以处理的特征。常见的特征包括词袋模型、TF-IDF（词频-逆文档频率）等。

4. 模型训练： 使用机器学习算法（如朴素贝叶斯、支持向量机、深度学习模型等）对文本数据进行训练。

5. 评估和优化： 评估模型的性能并进行优化，通常使用准确性、精确度、召回率等指标。

6. 预测： 使用训练好的模型对新的文本进行分类。

示例应用：

1. 垃圾邮件过滤： 文本分类可用于自动过滤垃圾邮件，将邮件分类为垃圾邮件或非垃圾邮件。

2. 新闻分类： 自动将新闻文章分类为不同的主题，如体育、科技、政治等。

3. 情感分析： 分析社交媒体上的评论，了解用户对产品、服务或事件的情感倾向。

4. 法律文本分类： 将法律文件分类为不同的法律类别，帮助法务团队更有效地管理文档。

5. 医学文献分类： 将医学文献分类为不同的类别

人工智能分支⽂本挖掘/分类的发展史及当前现状

1. 早期阶段（1950s-1990s）：

   • 这个阶段主要集中在基础的符号主义（symbolic AI）方法，如规则系统和专家系统。这些方法依赖于手工编写的规则，限制了其适用范围和扩展性。

2. 统计方法兴起（1990s-2000s）：

   • 随着大规模语料库的可用性增加，统计方法开始受到关注。这包括基于统计模型的机器学习方法，如朴素贝叶斯、支持向量机（SVM）和最大熵模型等。这些方法可以自动从数据中学习规律，使得系统更具灵活性。

3. 向深度学习的转变（2010s至今）：

   • 随着深度学习的崛起，特别是卷积神经网络（CNN）和循环神经网络（RNN）的成功应用于自然语言处理领域，文本挖掘/分类取得了显著的进展。深度学习方法可以自动从大量数据中学习表示，极大地提高了文本挖掘的性能。

4. 迁移学习和预训练模型：

   • 最近几年，迁移学习和预训练模型（如BERT、GPT等）在文本挖掘领域取得了巨大成功。这些模型通过在大规模语料上进行预训练，然后在特定任务上进行微调，能够更好地捕捉语义信息和上下文关系。

5. 领域自适应和多模态挖掘：

   • 当前的研究趋势包括领域自适应，即在不同领域之间有效地迁移学习模型，以及多模态挖掘，涉及文本与其他媒体类型（如图像、音频）的联合分析。

6. 实际应用和商业化：

   • 文本挖掘/分类技术已广泛应用于各个领域，包括社交媒体分析、情感分析、金融舆情分析、医疗文本挖掘等。许多公司和组织已经将这些技术商业化，提供各种智能文本分析服务。

 7. 人工智能机器翻译

人工智能机器翻译（Machine Translation，MT）是一种利用计算机和人工智能技术来自动进行语言翻译的方法。这种技术的发展已经取得了显著的进展，特别是在神经机器翻译（Neural Machine Translation，NMT）的框架下。

人工智能机器翻译的工作原理：

1. 数据准备： 机器翻译系统通常需要大量的平行语料，即同一段文本在源语言和目标语言之间的对应翻译。这种数据用于训练模型。

2. 神经网络模型： NMT采用深度神经网络模型，如循环神经网络（RNN）或变种的长短时记忆网络（LSTM）以及最近的Transformer模型。这些模型能够学习输入文本和输出文本之间的复杂映射关系。

3. 训练： 使用准备好的平行语料，模型通过多轮迭代进行训练，目标是最小化翻译误差。在训练过程中，模型调整自身的参数以适应不同的语言和翻译任务。

4. 推理： 训练完成后，模型可以用于翻译新的文本。给定一个输入文本，模型会生成对应的目标语言文本。

示例：

让我们以一个简单的例子来说明机器翻译的过程。假设我们有一个英文句子：“Hello, how are you?”，我们希望将其翻译成法语。

1. 数据准备： 模型训练需要大量的英法平行语料，包含相同的句子在两种语言中的对应。

2. 神经网络模型： 使用一个神经机器翻译模型，比如Transformer，作为我们的翻译引擎。

3. 训练： 通过反复迭代，模型学会了将英语句子映射到法语句子的规律。

4. 推理： 现在，如果我们输入“Hello, how are you?”，模型会生成对应的法语翻译，比如“Bonjour, comment ça va？”。

需要注意的是，机器翻译并非完美，尤其是对于复杂的语境、文化差异和专业术语。在实际应用中，人们可能需要对机器翻译的结果进行修正和调整，以确保翻译的准确性和流畅性。

人工智能机器翻译（Machine Translation，MT）的发展经历了几个阶段，包括规则-based 方法、统计机器翻译（Statistical Machine Translation，SMT）和神经机器翻译（Neural Machine Translation，NMT）

1. 规则-based 方法：

• 早期阶段（1950s - 1980s）： 刚开始的研究主要基于规则系统，通过手动定义语法和词汇规则来进行翻译。这种方法的问题在于需要大量的手工劳动，而且很难处理语言的复杂性和灵活性。

2. 统计机器翻译（SMT）：

• 80年代末 - 2010年代初： 随着计算能力的提升，研究者开始使用统计方法。SMT通过分析大量的平行语料，学习源语言和目标语言之间的统计模型。著名的SMT系统包括IBM模型和短语模型。

• 问题： SMT虽然取得了一定的成功，但在处理长距离依赖和语境信息上存在一些困难，同时对于稀缺数据的处理也不够灵活。

3. 神经机器翻译（NMT）：

• 2010年代初至今： NMT采用深度学习模型，特别是循环神经网络（RNN）和变种的长短时记忆网络（LSTM），以及后来的Transformer模型。这种方法在短时间内取得了显著的突破，大大提高了翻译的准确性和流畅性。

• 优势： NMT能够更好地捕捉上下文信息、处理长距离依赖，并且对稀缺数据也更加鲁棒。Transformer模型的引入进一步提升了翻译效果。

4. 现状：

• 翻译质量提升： 随着NMT的兴起，机器翻译的翻译质量得到了显著提升，尤其是对于常见语言对的翻译。

• 多语言和零资源翻译： NMT对于处理多语言翻译和零资源语言（缺乏大规模训练数据的语言）也表现得更为出色。

• 在线服务和集成： 许多在线翻译服务，如谷歌翻译、百度翻译等，都采用了NMT技术，使得人工智能翻译更加普及和易于使用。

8. 机器人

人工智能（AI）的分支中有一个涉及到机器人的领域，通常被称为机器人学（Robotics）。机器人学涵盖了硬件和软件方面，旨在设计、构建和操作机器人。这包括机器人的感知、决策、控制和执行任务的能力。下面是机器人学中的一些主要分支及其示例：

1. 感知（Perception）：

   • 计算机视觉： 机器人使用摄像头和图像处理算法来理解和解释视觉信息。例如，自动驾驶汽车使用计算机视觉来检测道路标记和其他车辆。
   • 激光雷达： 机器人通过激光雷达传感器获取环境中物体的距离和形状信息，用于导航和避障。无人机和自动导航机器人是这方面的例子。

2. 决策与规划（Decision and Planning）：

   • 路径规划： 机器人通过算法计划从一个位置到另一个位置的最佳路径。工业机器人在制造中使用路径规划来执行精确的任务。
   • 强化学习： 机器人通过与环境的交互学习，以在未知环境中做出最佳决策。这在游戏中的人工智能代理和机器人操作中有应用。

3. 控制（Control）：

   • 运动控制： 机器人需要控制其运动以执行任务。例如，机械臂通过控制关节和执行器的运动来完成各种精密任务，如装配和焊接。
   • 反馈控制： 机器人通过感知和反馈系统来调整其动作，以适应环境变化。这在自平衡机器人中很重要，如Segway等。

4. 执行（Execution）：

   • 执行任务： 机器人通过执行动作来完成特定任务。例如，仓库机器人可以自动收集和交付货物，执行在大规模仓库中的物流任务。
   • 协作机器人： 多个机器人可以协同工作以完成复杂的任务。这在搜索和救援、探险和工业生产中都有应用。

5. 人机交互（Human-Robot Interaction）：

   • 自然语言处理： 机器人可以通过语音或文本与人类进行交流。智能助手如Amazon Alexa和机器人导游都是这一领域的例子。
   • 表情识别： 机器人能够识别和理解人类的面部表情，以更好地与人类交互。

这些领域之间有许多重叠和交互，构成了机器人学的综合体系。机器人学的发展推动了许多实际应用，涵盖了从工业自动化到医疗保健和个人服务的各个领域

人工智能在机器人学领域的发展经历了多个阶段，从最早的概念到今天的实际应用取得了显著进展。以下是人工智能分支机器人的发展历程及现状的主要里程碑：

 

1. 早期阶段（20世纪中叶）：

   • 20世纪中叶，机器人学和人工智能的概念开始崭露头角。
   • 1950年代初，艾伦·图灵（Alan Turing）提出了图灵测试，这对机器智能提出了一种评估标准。
   • 1960年代，早期机器人开始应用于工业领域，主要用于重复性任务。

2. 传感器与计算机的整合（1970年代-1980年代）：

   • 机器人开始使用传感器，如摄像头和激光雷达，以更好地感知环境。
   • 控制系统变得更加先进，使用计算机进行实时决策和控制。

3. 仿生学与运动学的发展（1990年代-2000年代）：

   • 仿生学的概念成为机器人学的一部分，启发了机器人设计中的生物学原理。
   • 机器人学家开始更深入地研究运动学，以改进机器人在复杂环境中的运动能力。

4. 机器学习和人工智能的崛起（2010年代以后）：

   • 随着深度学习和神经网络的发展，机器学习成为机器人学中的重要组成部分。
   • 机器人开始使用视觉和感知算法，以及强化学习方法，提高其适应性和学习能力。
   • 人机协作机器人的研究得到加强，使机器人更好地与人类合作和交互。

5. 智能助手和服务机器人（近年来）：

   • 智能助手，如Amazon Alexa、Google Assistant和Siri，展示了机器人在人机交互和语音识别方面的巨大潜力。
   • 服务机器人在餐厅、酒店、医疗和零售等领域中得到广泛应用，提供信息、引导和支持服务。

6. 无人驾驶和协作机器人（当前趋势）：

   • 无人驾驶技术取得显著进展，自动驾驶汽车和配送机器人逐渐走向实际应用。
   • 协作机器人成为工业和服务领域的研究热点，多个机器人协同工作以完成复杂任务。

7. 社会机器人与伦理问题（当前关注点）：

   • 社会机器人的研究越来越强调机器人与人类的互动和社会适应性。
   • 伦理问题和法规方面的考虑也逐渐成为机器人技术 [Cannot read properties of undefined (reading 'status')]