人工智能的定义与探讨

零序

0-1 自学进度

数学	计算机基础	ML算法	工程实践
微积分	Python基础	K-NN	基于K-NN的鸢尾花分类(201809)
线性代数	Java SE / Java EE	SVM	基于TF-IDF与SVM的电子邮件作者识别方法(201712小美赛-数模B题)
概率论与数理统计	数据库	Naive Bayes	基于朴素贝叶斯的法律咨询文本分类方法(201708)
	数据结构	Word2Vec	基于余弦相似度原理的人脸相似度识别(201704认证杯-数模-C题)
	操作系统 / Linux	TextRank

人与AI的能力层次

0-2 目录(本博文)

一定义	二数学	三 CS基础	四 ML算法	五应用场景	六推荐文献	七精品书单
人工智能　　研究方法　　研究领域　　涉及学科	微积分	语言(Python/Java)	典型算法　　分类　　　　K-NN 　　　　C4.5 　　　　CART 　　　　Naive Bayes(朴素贝叶斯) 　　聚类　　　　K-Means 　　统计学习　　　　SVM 　　　　EM 　　关联学习　　　　Apriori 　　链接挖掘　　　　PageRank 　　集装与推进　　　　Adaboost	实际应用	全局导览学习路径网络资源 API
机器学习	线性代数	数据结构
学科与学科间关系	概率论与数理统计	计算机算法思想
		计算机典型算法

一定义

　　资料来源于维基百科、西瓜书（周志华教授《机器学习》）、百度百科与网络

　　人工智能

“智能主体（intelligent agent）的研究与设计”，智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程。AI的核心问题包括建构能够跟人类似甚至超越的推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中 ----维基百科

计算机科学的一个分支。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 ----百度百科

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

如今没有统一的原理或范式指导人工智能研究。

来源：百度云智学院

　　　　研究方法

- 控制论/大脑模拟
  - 控制论 / 计算神经科学
    - 20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960，大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。
- 符号处理
  - GOFAI
    - 当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
    - GOFAI 泛指用最原始的人工智能的逻辑方法解决小领域的问题，例如棋类游戏的算法。
    - 人工智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。
- 子符号法
  - 计算智能学科
    - 80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。
    - 自下而上，接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。
- 统计学法
  - 90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。
  - 共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。
  - 有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。
- 集成方法
  - 90年代智能AGENT范式被广泛接受。
  - 智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。
  - 最简单的智能AGENT是那些可以解决特定问题的程序。
  - 更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。

　　　　研究领域

- 演绎、推理和解决问题
- 知识表示法
  - 知识表示 / 常识知识库
- 规划
- 学习
  - 机器学习

- 运动和控制
- 机器人
- 知觉
  - 机器感知
  - 语言识别
  - 图像识别
- 自然语言处理:自然语言处理探讨如何处理及运用自然语言，自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

- 社交
- 情感计算
- 创造力
- 计算机创造力
  - 相关领域研究的包括了人工直觉和人工想像。
- 伦理管理

- 经济冲击

　　　　涉及学科

- 哲学和认知科学
- 数学
- 神经生理学
- 心理学
- 计算机科学
- 信息论
- 控制论
- 不定性论

　　机器学习

　　　　机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。

　　　　这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。

　　　　对于人工智能来说，机器学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机器学习：一个归纳推理的机器。

　　　　机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。

　　　　监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。

　　　　监督学习根据输出结果的离散性和连续性，分为分类和回归两类。

　　　　非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。

　　　　未显式地编程，并赋予计算机智能。-------西瓜书(周志华教授)

　　学科与学科间关系

二数学

　　微积分

　　线性代数

　　概率论

三计算机基础

　　语言[Python/Java/]

　　　　Python

　　　　Java

　　数据结构

　　计算机算法思想

　　　　分治

　　　　减治

　　计算机典型算法

四机器学习算法

　　典型算法

　　　　分类

　　　　　　K-NN

　　　　　　C4.5

　　　　　　CART

　　　　　　Naive Bayes(朴素贝叶斯)

　　　　聚类

　　　　　　K-Means

　　　　统计学习

　　　　　　SVM

　　　　关联学习

　　　　　　Apriori

　　　　链接挖掘

　　　　　　PageRank

　　　　集装与推进

　　　　　　Adaboost

机器学习常见十大经典算法

五应用场景

　　机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

　　实际应用

- 机器视觉
- 指纹识别
- 人脸识别
- 视网膜识别
- 虹膜识别
- 掌纹识别
- 专家系统
- 自动规划
- 智能搜索
- 定理证明/推理
- 博弈
- 自动程序设计
- 智能控制
- 机器人学
- 语言和图像理解
- 遗传编程
- ...

自然语言处理与机器视觉的应用场景小结

2018百度-AI 开发者大会现场

自然语言处理与法律领域的结合

六顶会/顶刊

本部分内容完全摘抄自如下两份知乎回答，非常感谢。

[1] 计算机科学各个方向有哪些顶刊和顶会？ - 李昕 - 知乎

[2] 计算机科学各个方向有哪些顶刊和顶会？ - 硕鼠酱 - 知乎

6.0 人工智能

1 AAAI

2 IJCAI

6.1 自然语言处理

【会议】

1 ACL (Annual Meeting of the Association for Computational Linguistics)

> AACL(亚洲分会)
2 NAACL (Annual Conference of the North American Chapter of Association for Computational Linguistics)
3 EMNLP (Empirical Methods in Natural Language Processing)
4 EACL (Annual Conference of the European Chapter of Association for Computational Linguistics)
5 COLING (International Conference on Computational Linguistics)
6 SIGKDD (ACM SIGKDD Conference on Knowledge Discovery and Data Mining)
7 SIGIR (ACM SIGIR Conference on Research and Development in Information Retrieval)
8 WWW (International World Wide Web Conference)

【期刊】

1 CL (Computational Linguistics)

2 TACL (Transactions of the Association for Computational Linguistics)

【数据集】

1 自然语言处理数据集免费资源开放（附学习资料）

6.2 机器学习与数据挖掘 / Machine learning & data mining

1 ICML

2 KDD

3 NIPS

6.3 WEB 信息检索

1 SIGIR

2 WWW