一文教你读懂AI是什么

AI是什么

AI，“Artificial Intelligence”的缩写，中文“人工智能”；可以理解为让机器具备类似人的智能，从而代替人类完成某些工作和任务。

• “强人工智能”

  能够像人类一样去思考和推理，具备自我意识

• “弱人工智能”

  机器表现出来的特征是智能的，但是不具备自我意识

  • 通过相关规则编程，使机器按照程序逻辑完成特定的任务
  • 针对某一任务向机器提供大量数据，使机器自己去学习，继而挖掘出规律，从而完成任务

弱人工智能

机器学习

从模型层次结构的角度可以分为浅层学习和深度学习

浅层学习（Shallow Learning）

• 模型层次较浅，通常没有隐藏层、或只有一层隐藏层
• 可以做一些预测、分类、聚类、降低数据维度、压缩数据、商品推荐系统等工作
• 常见算法：
  • 线性回归
  • 逻辑回归
  • 随机森林
  • SVM
  • K-means
  • RBM
  • AutoEncoder
  • PCA
  • SOM
  • ……

深度学习（Deep Learning）

• “深”是因为通常具有较多的隐藏层，进而拥有表达更多复杂函数的能力，进而能识别更复杂的特征
• 主要集中在CNN 和RNN
• CNN
  • CNN为Convolution Neural NetWorks的缩写，也就是卷积神经网络
  • 主要应用于计算机视觉、图像分类领域
  • 应用场景示例
    • 美颜相机的滤镜
    • 交通监控识别车辆车型、车牌号
    • 商汤人脸识别
    • 无人车
    • ……
• RNN
  • Recurrent Neual NetWorks的缩写，递归神经网络
  • 基于RNN还衍生出LSTM（Long-Short-Term-Memerory） 和GRU（Gated Recurrent Unit）等
  • 具有记忆过去的能力，故用来处理一些有时间序列属性的数据，处理语言、文字具有优势
  • 应用场景示例：
    • Siri对话机器人
    • 谷歌翻译，机器翻译
    • 语音转文字
    • ……

AI本质

AI本质上都是一个函数

AI其实就是我们提供机器目前已有的数据，机器从数据去找出一个最能拟合这些数据的函数；当有新的数据需要预测时，机器通过之前找到的函数去预测新数据的对应结果。

• 通用要素

  AI = 数据+算法+模型

• 示例讲解—分类器模型为区分A 和B

  • 数据

    • 准备大量已标注过 是A 还是B的图片
    • 只有数据量足够大，模型才能够学习足够准确的 区分A 和B的特征，在进行最终的AB任务区分上，才能表现出足够高的准确性

  • 算法

    • 网络架构设计：构建模型时，采用浅层网络还是深层网络，如为深层，则需多少层，每层油多少神经元，功能是什么等

    • 预测函数的大致结构
      $Y= f(W,X,b)$
      Y ，是已有的图片数据的标签；（A和B的图片）

      X，是已有的用来训练的数据；（该图是A 还是B）

      W，权重；b，偏差 ； 这两个参数通过机器学习后得出

    • 寻找W 和b 的过程，就是模型训练的过程

  • 模型

    • 将数据带入算法中训练，机器不断学习，当机器找到最优 W 权重，b 偏差；就意味着模型 train成功了

    • 函数模型
      $Y=f(W,X,b)$

    • 提供新的数据输入该模型，算出新的数据是A或者B，即为模型的预测功能

不管是简单的线性回归，还是复杂的深度神经网络模型，本质都是寻找一个能够良好拟合目前已有数据的函数
$Y=f(W，X，b)$
并且这个函数在新的未知数据上也能够表现良好。