人工智能专业分支

  • 更新时间: 2017-12-28
  • 来源: 原创或网络
  • 浏览数: 43次
  • 字数: 11531
  • 发表评论

人工智能,即AI(Artificial Intelligence),是一门包含计算机、控制论、信息论、神经生理学、心理学、语言学等综合学科。该概念第一次在达茅斯顿学术会议上提出:人工智能是从计算机应用系统角度出发,研究如何制造出人造的智能机器或智能系统,来模拟人类智能活动的能力,以及延生人类智能科学。

【应用实例】

指纹识别人脸识别、视网膜识别、虹膜识别、专家系统、智能搜索、博弈等。

【应用领域】

1) 机器人领域:人工智能机器人,如PET聊天机器人,它能理解人的语言,用人类语言进行对话,并能够用特定传感器采集分析出现的情况调整自己的动作来达到特定的目的。

2) 语言识别领域:该领域其实与机器人领域有交叉,设计的应用是把语言和声音转换成可进行处理的信息:如语音开锁(特定语音识别),语音邮件以及未来的计算机输入等方面

3) 图像识别领域:利用计算机进行图像处理、分析和理解,以识别各种不同模式的目标和对象的技术,例如人脸识别、汽车牌号识别等。

4) 专家系统:具有专门知识和经验的计算机智能程序系统,后台采用的数据库相当于人脑,具有丰富的知识储备,采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题。

=================================

AI这个综合型学科的一个专业分支,总的来说可以分为以下几个分支:

第一,模式识别;第二,机器学习;第三,数据挖掘;第四,智能算法。

模式识别】是指对表征事物或者现象的各种形式(数值、文字、逻辑关系等)信息进行处理分析,以及对事物或现象进行描述分析分类解释的过程,例如汽车车牌号的辨识涉及到图像处理分析等技术。

机器学习】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是指不断完善自身的性能,或者达到操作者的特定要求。

数据挖掘知识库知识发现,通过算法搜索挖掘出有用的信息,应用于市场分析、科学探索、疾病预测等。

【智能算法】解决某类问题的一些特定模式算法;例如,我们最熟悉的最短路径问题,以及工程预算问题等。

1 人工智能主要有三个分支

1) 认知AI (cognitive AI)

认知计算是最受欢迎的一个人工智能分支,负责所有感觉“像人一样”的交互。认知AI必须能够轻松处理复杂性和二义性,同时还持续不断地在数据挖掘、NLP(自然语言处理)和智能自动化的经验中学习。

现在人们越来越倾向于认为认知AI混合了人工智能做出的最好决策和人类工作者们的决定,用以监督更棘手或不确定的事件。这可以帮助扩大人工智能的适用性,并生成更快、更可靠的答案。

2) 机器学习AI (Machine Learning AI)

机器学习(ML)AI是能在高速公路上自动驾驶你的特斯拉的那种人工智能。它还处于计算机科学的前沿,但将来有望对日常工作场所产生极大的影响。机器学习是要在大数据中寻找一些“模式”,然后在没有过多的人为解释的情况下,用这些模式来预测结果,而这些模式在普通的统计分析中是看不到的。

然而机器学习需要三个关键因素才能有效:

a) 数据,大量的数据

为了教给人工智能新的技巧,需要将大量的数据输入给模型,用以实现可靠的输出评分。例如特斯拉已经向其汽车部署了自动转向特征,同时发送它所收集的所有数据、驾驶员的干预措施、成功逃避、错误警报等到总部,从而在错误中学习并逐步锐化感官。 一个产生大量输入的好方法是通过传感器:无论你的硬件是内置的,如雷达,相机,方向盘等(如果它是一辆汽车的话),还是你倾向于物联网(Internet of Things)。蓝牙信标、健康跟踪器、智能家居传感器、公共数据库等只是越来越多的通过互联网连接的传感器中的一小部分,这些传感器可以生成大量数据(多到让任何正常的人来处理都太多)。

b) 发现

为了理解数据和克服噪声,机器学习使用的算法可以对混乱的数据进行排序、切片并转换成可理解的见解。

从数据中学习的算法有两种,无监督算法和有监督算法。

无监督算法只处理数字和原始数据,因此没有建立起可描述性标签和因变量。该算法的目的是找到一个人们没想到会有的内在结构。这对于深入了解市场细分,相关性,离群值等非常有用。

另一方面,有监督算法通过标签和变量知道不同数据集之间的关系,使用这些关系来预测未来的数据。这可能在气候变化模型、预测分析、内容推荐等方面都能派上用场。

c) 部署

机器学习需要从计算机科学实验室进入到软件当中。越来越多像CRM、Marketing、ERP等的供应商,正在提高嵌入式机器学习或与提供它的服务紧密结合的能力。

3) 深度学习(Deep Learning)

如果机器学习是前沿的,那么深度学习则是尖端的。这是一种你会把它送去参加智力问答的AI。它将大数据和无监督算法的分析相结合。它的应用通常围绕着庞大的未标记数据集,这些数据集需要结构化成互联的群集。深度学习的这种灵感完全来自于我们大脑中的神经网络,因此可恰当地称其为人工神经网络

深度学习是许多现代语音和图像识别方法的基础,并且与以往提供的非学习方法相比,随着时间的推移具有更高的准确度。

我来评分 :6
1

转载注明:转自5lulu技术库

本站遵循:署名-非商业性使用-禁止演绎 3.0 共享协议