人工智能（Artificial Intelligence）

Artificial Intelligence，也叫 AI，這是一個(gè)比較統(tǒng)稱(chēng)的說(shuō)法，通俗來(lái)說(shuō)就是讓機(jī)器能像人一樣對(duì)事物做出反應(yīng)，該領(lǐng)域的研究包括機(jī)器人、圖像識(shí)別（CV）、自然語(yǔ)言處理（NLP）、數(shù)據(jù)處理（BI）和專(zhuān)家系統(tǒng)等。

人工智能發(fā)展階段

按照人工智能的發(fā)展程度，行業(yè)一般將其分為三個(gè)層次：

• 計(jì)算智能：機(jī)器能夠像人類(lèi)一樣進(jìn)行計(jì)算，諸如神經(jīng)網(wǎng)絡(luò)和遺傳算法的出現(xiàn)，使得機(jī)器能夠更高效、快速處理海量的數(shù)據(jù)。
• 感知智能：機(jī)器能聽(tīng)懂我們的語(yǔ)言、看懂世界萬(wàn)物，語(yǔ)音和視覺(jué)識(shí)別就屬于這一范疇。
• 認(rèn)知智能：機(jī)器將能夠主動(dòng)思考并采取行動(dòng)，實(shí)現(xiàn)全面輔助甚至替代人類(lèi)工作。

目前，全球的人工智能仍處于感知智能的發(fā)展階段。

人工智能發(fā)展歷史

這塊大概了解一下就好。

1、 人工智能的誕生（20世紀(jì)40～50年代）
1950年：圖靈測(cè)試
1950年，著名的圖靈測(cè)試誕生，按照“人工智能之父”艾倫·圖靈的定義：如果一臺(tái)機(jī)器能夠與人類(lèi)展開(kāi)對(duì)話（通過(guò)電傳設(shè)備）而不能被辨別出其機(jī)器身份，那么稱(chēng)這臺(tái)機(jī)器具有智能。同一年，圖靈還預(yù)言會(huì)創(chuàng)造出具有真正智能的機(jī)器的可能性。
1954年：第一臺(tái)可編程機(jī)器人誕生
1954年美國(guó)人喬治·戴沃爾設(shè)計(jì)了世界上第一臺(tái)可編程機(jī)器人。
1956年：人工智能誕生
1956年夏天，美國(guó)達(dá)特茅斯學(xué)院舉行了歷史上第一次人工智能研討會(huì)，被認(rèn)為是人工智能誕生的標(biāo)志。會(huì)上，麥卡錫首次提出了“人工智能”這個(gè)概念，紐厄爾和西蒙則展示了編寫(xiě)的邏輯理論機(jī)器。
2、 人工智能的黃金時(shí)代（20世紀(jì)50～70年代）
1966年~1972年：首臺(tái)人工智能機(jī)器人Shakey誕生
1966年~1972年期間，美國(guó)斯坦福國(guó)際研究所研制出機(jī)器人Shakey，這是首臺(tái)采用人工智能的移動(dòng)機(jī)器人。
1966年：世界上第一個(gè)聊天機(jī)器人ELIZA發(fā)布
美國(guó)麻省理工學(xué)院（MIT）的魏澤鮑姆發(fā)布了世界上第一個(gè)聊天機(jī)器人ELIZA。ELIZA的智能之處在于她能通過(guò)腳本理解簡(jiǎn)單的自然語(yǔ)言，并能產(chǎn)生類(lèi)似人類(lèi)的互動(dòng)。
1968年：計(jì)算機(jī)鼠標(biāo)發(fā)明
1968年12月9日，美國(guó)加州斯坦福研究所的道格·恩格勒巴特發(fā)明計(jì)算機(jī)鼠標(biāo)，構(gòu)想出了超文本鏈接概念，它在幾十年后成了現(xiàn)代互聯(lián)網(wǎng)的根基。
3、 人工智能的低谷（20世紀(jì)70～80年代）
20世紀(jì)70年代初，人工智能遭遇了瓶頸。當(dāng)時(shí)的計(jì)算機(jī)有限的內(nèi)存和處理速度不足以解決任何實(shí)際的人工智能問(wèn)題。要求程序?qū)@個(gè)世界具有兒童水平的認(rèn)識(shí)，研究者們很快發(fā)現(xiàn)這個(gè)要求太高了：1970年沒(méi)人能夠做出如此巨大的數(shù)據(jù)庫(kù)，也沒(méi)人知道一個(gè)程序怎樣才能學(xué)到如此豐富的信息。由于缺乏進(jìn)展，對(duì)人工智能提供資助的機(jī)構(gòu)（如英國(guó)政府、美國(guó)國(guó)防部高級(jí)研究計(jì)劃局和美國(guó)國(guó)家科學(xué)委員會(huì)）對(duì)無(wú)方向的人工智能研究逐漸停止了資助。美國(guó)國(guó)家科學(xué)委員會(huì)（NRC）在撥款二千萬(wàn)美元后停止資助。
1997年5月10日，IBM“深藍(lán)”超級(jí)計(jì)算機(jī)再度挑戰(zhàn)卡斯帕羅夫，比賽在5月11日結(jié)束，最終“深藍(lán)”以3.5:2.5擊敗卡斯帕羅夫，成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國(guó)際象棋世界冠軍的電腦系統(tǒng)。供
4、 人工智能的繁榮期（1980年~1987年）
1981年：日本研發(fā)人工智能計(jì)算機(jī)
1981年，日本經(jīng)濟(jì)產(chǎn)業(yè)省撥款8.5億美元用以研發(fā)第五代計(jì)算機(jī)項(xiàng)目，在當(dāng)時(shí)被叫做人工智能計(jì)算機(jī)。隨后，英國(guó)、美國(guó)紛紛響應(yīng)，開(kāi)始向信息技術(shù)領(lǐng)域的研究提供大量資金。
1984年：?jiǎn)?dòng)Cyc（大百科全書(shū)）項(xiàng)目
在美國(guó)人道格拉斯·萊納特的帶領(lǐng)下，啟動(dòng)了Cyc項(xiàng)目，其目標(biāo)是使人工智能的應(yīng)用能夠以類(lèi)似人類(lèi)推理的方式工作。
1986年：3D打印機(jī)問(wèn)世
美國(guó)發(fā)明家查爾斯·赫爾制造出人類(lèi)歷史上首個(gè)3D打印機(jī)。
5、 人工智能的冬天（1987年~1993年）
“AI（人工智能）之冬”一詞由經(jīng)歷過(guò)1974年經(jīng)費(fèi)削減的研究者們創(chuàng)造出來(lái)。他們注意到了對(duì)專(zhuān)家系統(tǒng)的狂熱追捧，預(yù)計(jì)不久后人們將轉(zhuǎn)向失望。事實(shí)被他們不幸言中，專(zhuān)家系統(tǒng)的實(shí)用性?xún)H僅局限于某些特定情景。到了上世紀(jì)80年代晚期，美國(guó)國(guó)防部高級(jí)研究計(jì)劃局（DARPA）的新任領(lǐng)導(dǎo)認(rèn)為人工智能并非“下一個(gè)浪潮”，撥款將傾向于那些看起來(lái)更容易出成果的項(xiàng)目。
6、 人工智能真正的春天（1993年至今）
1997年：電腦深藍(lán)戰(zhàn)勝?lài)?guó)際象棋世界冠軍
1997年5月11日，IBM公司的電腦“深藍(lán)”戰(zhàn)勝?lài)?guó)際象棋世界冠軍卡斯帕羅夫，成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國(guó)際象棋世界冠軍的電腦系統(tǒng)。
2011年：開(kāi)發(fā)出使用自然語(yǔ)言回答問(wèn)題的人工智能程序
2011年，Watson（沃森）作為IBM公司開(kāi)發(fā)的使用自然語(yǔ)言回答問(wèn)題的人工智能程序參加美國(guó)智力問(wèn)答節(jié)目，打敗兩位人類(lèi)冠軍，贏得了100萬(wàn)美元的獎(jiǎng)金。
2012年：Spaun誕生
加拿大神經(jīng)學(xué)家團(tuán)隊(duì)創(chuàng)造了一個(gè)具備簡(jiǎn)單認(rèn)知能力、有250萬(wàn)個(gè)模擬“神經(jīng)元”的虛擬大腦，命名為“Spaun”，并通過(guò)了最基本的智商測(cè)試。
2013年：深度學(xué)習(xí)算法被廣泛運(yùn)用在產(chǎn)品開(kāi)發(fā)中
Facebook人工智能實(shí)驗(yàn)室成立，探索深度學(xué)習(xí)領(lǐng)域，借此為Facebook用戶提供更智能化的產(chǎn)品體驗(yàn)；Google收購(gòu)了語(yǔ)音和圖像識(shí)別公司DNNResearch，推廣深度學(xué)習(xí)平臺(tái)；百度創(chuàng)立了深度學(xué)習(xí)研究院等。
2015年：人工智能突破之年
Google開(kāi)源了利用大量數(shù)據(jù)直接就能訓(xùn)練計(jì)算機(jī)來(lái)完成任務(wù)的第二代機(jī)器學(xué)習(xí)平臺(tái)Tensor Flow；劍橋大學(xué)建立人工智能研究所等。

機(jī)器學(xué)習(xí)算法分類(lèi)

有監(jiān)督學(xué)習(xí)：需要從有標(biāo)簽的數(shù)據(jù)中學(xué)到或者建立一個(gè)模式。
無(wú)監(jiān)督學(xué)習(xí)：數(shù)據(jù)是無(wú)標(biāo)簽的，機(jī)器學(xué)習(xí)算法需要先將數(shù)據(jù)分類(lèi)，然后對(duì)數(shù)據(jù)結(jié)構(gòu)進(jìn)行描述，使復(fù)雜的數(shù)據(jù)看起來(lái)簡(jiǎn)單，以便進(jìn)行后續(xù)分析工作。
強(qiáng)化學(xué)習(xí)：與監(jiān)督學(xué)習(xí)相似，通過(guò)不斷地探索學(xué)習(xí)，從而獲得一個(gè)好的策略。

常用算法：
Find-S
決策樹(shù)
隨機(jī)森林算法
神經(jīng)網(wǎng)絡(luò)

名詞解釋

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是Machine Learning，英文簡(jiǎn)稱(chēng) ML。一句話就能明白什么是機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能技術(shù)的方法。

機(jī)器學(xué)習(xí)是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、算法理論等多門(mén)學(xué)科。

這里需要強(qiáng)調(diào)一下，機(jī)器學(xué)習(xí)可不是一門(mén)編程語(yǔ)言哦，它是專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為、以獲取新的知識(shí)或技能，讓計(jì)算機(jī)重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。

舉一個(gè)例子看看機(jī)器學(xué)習(xí)是什么。例如這里有上百萬(wàn)張圖片，需要分出哪些圖片包含小狗、哪些圖片沒(méi)有小狗。如果人類(lèi)通過(guò)眼睛來(lái)分，那豈不是要累慘了，可以通過(guò)機(jī)器來(lái)幫忙。機(jī)器學(xué)習(xí)就是構(gòu)建出一個(gè)模型，該模型經(jīng)過(guò)特殊的訓(xùn)練后，可以將圖片標(biāo)記為包含狗或不包含狗。一旦準(zhǔn)確度達(dá)到足夠高，機(jī)器就“學(xué)會(huì)”了分辨狗的樣子。這個(gè)過(guò)程就是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)主要是提供一個(gè)算法、訓(xùn)練出一個(gè)模型，該模型實(shí)現(xiàn)特殊的功能。

深度學(xué)習(xí)

機(jī)器學(xué)習(xí)發(fā)展發(fā)展，就出現(xiàn)了很多新的方法，例如深度學(xué)習(xí)，DeepLearning，簡(jiǎn)稱(chēng)DL。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的眾多方法之一。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本。

深度學(xué)習(xí)的靈感完全來(lái)自我們?nèi)祟?lèi)本身，來(lái)自大腦的結(jié)構(gòu)和功能，即許多神經(jīng)元的互連互通。人工神經(jīng)網(wǎng)絡(luò)是模擬生物大腦結(jié)構(gòu)的算法來(lái)訓(xùn)練模型的。

深度學(xué)習(xí)的概念由Hinton等人于2006年提出。深度學(xué)習(xí)的提出，為人工智能的發(fā)展帶來(lái)了質(zhì)的飛躍。帶來(lái)了意想不到的效果。

深度學(xué)習(xí)是從數(shù)據(jù)中學(xué)習(xí)表示的一種新方法，強(qiáng)調(diào)從連續(xù)的層（layer）中進(jìn)行學(xué)習(xí)，這些層對(duì)應(yīng)于越來(lái)越有意義的表示?！吧疃葘W(xué)習(xí)”中的“深度”指的并不是利用這種方法所獲取的更深層次的理解，而是指一系列連續(xù)的表示層。數(shù)據(jù)模型中包含多少層，這被稱(chēng)為模型的深度（depth）。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)區(qū)別

機(jī)器學(xué)習(xí)更多關(guān)注解決現(xiàn)實(shí)世界的問(wèn)題，與人工智能技術(shù)有異曲同工之妙。深度學(xué)習(xí)則是通過(guò)模擬人類(lèi)決策能力的神經(jīng)網(wǎng)絡(luò)找出問(wèn)題解決方法。深度學(xué)習(xí)可看作是特殊的機(jī)器學(xué)習(xí)，我們可以利用深度學(xué)習(xí)來(lái)解決任何需要思考的問(wèn)題。

1、數(shù)據(jù)依賴(lài)
當(dāng)數(shù)據(jù)量很少的時(shí)候，深度學(xué)習(xí)的性能并不好，因?yàn)樯疃葘W(xué)習(xí)算法需要大量數(shù)據(jù)才能很好理解其中蘊(yùn)含的模式。

2、硬件支持
深度學(xué)習(xí)算法嚴(yán)重依賴(lài)高端機(jī)，而傳統(tǒng)的機(jī)器學(xué)習(xí)算法在低端機(jī)上就能運(yùn)行。深度學(xué)習(xí)需要GPUs進(jìn)行大量的矩陣乘法運(yùn)算。

3、特征工程
特征工程就是將領(lǐng)域知識(shí)輸入特征提取器，降低數(shù)據(jù)復(fù)雜度。從時(shí)間和專(zhuān)業(yè)性來(lái)講，這個(gè)過(guò)程開(kāi)銷(xiāo)很高。

4、執(zhí)行時(shí)間
由于深度學(xué)習(xí)中含有非常多的參數(shù)，較機(jī)器學(xué)習(xí)而言會(huì)耗費(fèi)更多的時(shí)間。機(jī)器學(xué)習(xí)在訓(xùn)練數(shù)據(jù)的時(shí)候費(fèi)時(shí)較少，同時(shí)只需幾秒到幾小時(shí)。

5、可解釋性
假設(shè)我們適用深度學(xué)習(xí)去自動(dòng)為文章評(píng)分。深度學(xué)習(xí)可以達(dá)到接近人的標(biāo)準(zhǔn)，這是相當(dāng)驚人的性能表現(xiàn)。但是這仍然有個(gè)問(wèn)題。深度學(xué)習(xí)算法不會(huì)告訴你為什么它會(huì)給出這個(gè)分?jǐn)?shù)。當(dāng)然，在數(shù)學(xué)的角度上，你可以找出來(lái)哪一個(gè)深度神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)被激活了。但是我們不知道神經(jīng)元應(yīng)該是什么模型，我們也不知道這些神經(jīng)單元層要共同做什么。所以無(wú)法解釋結(jié)果是如何產(chǎn)生的。另一方面，為了解釋為什么算法這樣選擇，像決策樹(shù)(decision trees)這樣機(jī)器學(xué)習(xí)算法給出了明確的規(guī)則，所以解釋決策背后的推理是很容易的。因此，決策樹(shù)和線性/邏輯回歸這樣的算法主要用于工業(yè)上的可解釋性。

消融實(shí)驗(yàn)

消融實(shí)驗(yàn)類(lèi)似于之前學(xué)習(xí)實(shí)驗(yàn)方法中的控制變量法

在一個(gè)實(shí)驗(yàn)中，涉及到a,b,c三個(gè)部分，不知道那個(gè)部分對(duì)實(shí)驗(yàn)起到效果，如果想知道a部分對(duì)整個(gè)實(shí)驗(yàn)的作用，去掉a部分，從而知道a在實(shí)驗(yàn)中起到的效果。

專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)是一種模擬人類(lèi)專(zhuān)家解決領(lǐng)域問(wèn)題的計(jì)算機(jī)程序系統(tǒng)。

檢測(cè)分割

人工智能中的圖像處理，通常有兩種方法可以用于此：目標(biāo)檢測(cè)（Object Detection）和圖像分割（Image Segmentation）。
目標(biāo)檢測(cè)：

YOLO模型（You Only Look Once）是解決此問(wèn)題的偉大發(fā)明。 YOLO模型的開(kāi)發(fā)人員已經(jīng)構(gòu)建了一個(gè)神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)能夠立即執(zhí)行整個(gè)邊界框方法

圖像分割：
當(dāng)下圖像分割的最佳模型

Mask RCNN
Unet
Segnet文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-498107.html

到了這里，關(guān)于人工智能發(fā)展歷史與常見(jiàn)名詞解釋的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！