Atitit 人工智能 统计学 机器学习的相似性 一些文摘收集 没有人工智能这门功课，人工智能的本质是统计学和数学，就是通过机器对数据的识别、计算、归纳和学习，然后做出下一步判断和决策的科学
Atitit 人工智能 统计学 机器学习的相似性 一些文摘收集
没有人工智能这门功课，人工智能的本质是统计学和数学，就是通过机器对数据的识别、计算、归纳和学习，然后做出下一步判断和决策的科学
机器学习是基于统计学
在我们讨论统计学和机器学习之间的区别前，我们先来说说其相似性，其实文章的前半段已经对此有过一些探讨了。
机器学习基于统计的框架，因为机器学习涉及数据，而数据必须基于统计学框架来进行描述，所以这点十分明显。然而，扩展至针对大量粒子的热力学的统计机制，同样也建立在统计学框架之
数据科学本质上是应用于数据的计算和统计方法，包括小数据集或大数据集。它也包括诸如探索性数据分析之类的东西，例如对数据进行检查和可视化，以帮助科学家更好地理解数据，并从中做出推论。数据科学还包括诸如数据包装和预处理之类的东西，因此涉及到一定程度的计算机科学，因为它涉及编码和建立数据库、Web服务器之间的连接和流水线等等
译：周家乐、狗小白、蒋宝尚
统计学和机器学习之间的界定一直很模糊。
无论是业界还是学界一直认为机器学习只是统计学批了一层光鲜的外衣。
而机器学习支撑的人工智能也被称为“统计学的外延”
例如，诺奖得主托马斯·萨金特曾经说过人工智能其实就是统计学，只不过用了一个很华丽的辞藻。
考虑过去几年流行的人工智能的另一种方法是将其视为人类智能和认知工作的补充而非替代。这种方法被称为增强智能，它寻找AI通过自动化某些步骤而不是整个过程来帮助人们更好地执行任务的方法。
AI助手可以执行增强智能的领域之一是AR耳机。使用增强现实头戴式耳机时，用户无法访问丰富的用户
人工智能的研究领域及分层
人工智能研究的领域主要有五层，最底层是基础设施建设，包含数据和计算能力两部分，数据越大，人工智能的能力越强。往上一层为算法，如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法，都是机器学习的算法。第三层为重要的技术方向和问题，如计算机视觉，语音工程，自然语言处理等。还有另外的一些类似决策系统，像 reinforcement learning（编辑注：增强学习），或像一些大数据分析的统计系统，这些都能在机器学习算法上产生。第四层为具体的技术，如图像识别、语音识别、机器翻译等等。最顶端为行业的解决方案，如人工智能在金融、医疗、互联网、交通和游戏等上的应用，这是我们所关心它能带来的价值。
士学位，这就是“控制论之父”维纳（Norbert Wiener）。1940年，维纳开始考虑计算机如何能像大脑一样工作，发现了二者的相似性。维纳认为计算机是一个进行信息处理和信息转换的系统，只要这个系统能得到数据，就应该能做几乎任何事情。他从控制论出发，特别强调反馈的作用，认为所有的智能活动都是反馈机制的结果，而反馈机制是可以用机器模拟的。维纳的理论抓住了人工智能核心——反馈，因此可以被视为人工智能“行为主义学派”的奠基人，其对人工神经网络的研究也影响深远
人工智能等机器学习技术不是传统编程的替代品，而是一个补充。例如，可以借助机器学习为一个网上贸易平台建立预测算法，但同时平台的用户界面、数据可视化以及其他元素则需要使用Ruby或Java等主流编程语言来实现。
人们常说人工智能和机器学习不过是if语句，或者简单来说就是统计学知识。那除此之外呢？难道机器学习就只是数学和算法的结合吗？这种简单化的概括有时候听起来似乎很有趣，但机器学习的涵义显然要比这更复杂。
不过，让我们先来看一个更加恰当的解释。
简单来说，人工智能就像是一把伞，下面
特斯拉人工智能主管Andrej Karpathy所谓的“软件2.0”的时代，在这个时代里，神经网络会编写代码，而人们的主要工作是定义任务，收集数据和创建用户界面
要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。
三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。。
但是，等等，你可能会说。我们是在说人工智能吗？机器学习是人工智能的一个分支。人工智能致力于创造出比人类更能完成复杂任务的机器。这些任务通常涉及判断、策略和认知推理，这些技能最初被认为是机器的“禁区”。虽然这听起来很简单，但这些技能的范围非常大——语言处理、图像识别、规划等等。
weixin_34396902阅读数：292018-12-07
人工智能技术包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术
说起工具，如今被炒得火热的ABCD（即A=AI人工智能，B=Blockchain区块链，C=Cloud云计算，D=Big Data大数据）当中，也就云计算真金白银的获得了盈利，其他的要么是锦上添花（AI），要么是一堆泡沫（区块链）。如今流量红利期已过，互联网已经进入下半场（AI还有些远，我更看好大数据）。
五、计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
原 人工智能技术包含七个关键技术
weixin_34396902阅读数：292018-12-07
人工智能技术包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术。
一、机器学习
机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
根据学习方法可以将机器学习分为传统机器学习和深度学习。
二、知识图谱
知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。
三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。
机器翻译
机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。
语义理解
语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着 MCTest 数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。
问答系统
问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。
经济学奖。纽厄尔和司马贺代表了人工智能的另一条路线——“物理符号系统假说”。简单地说，就是智能是对符号的操作，后来简称为“符号派
有人工智能能够胜任人类的一切工作。因此在上世纪70年代，政府对于这些无法兑现预言的专家非常失望，纷纷减少了对人工智能领域的经费投入，人工智能领域的研究也陷入的低谷。
趣的是，AlphaGo Zero不是从人类游戏中学习，而是通过与自身的对抗，或者说“自学”方式来进行训练，这是一种被称为强化学习的方法。
从头开始构建自己的知识，没有人类的偏见——AlphaGo Zero展示了一种全新的创造方式。更具突破性的是，这种人工智能模式识别允许机器在几个小时内飞速积累起数千年的知识。
我分享了【人工智能的三大学派:符号主义、连接主义、行为主义_手机搜狐网】, 快来看吧！@小米浏览器 | http://m.sohu.com/a/203862511_468638
