前言

當(dāng)今人工智能的算法紛繁復(fù)雜：神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)CNN、遺傳算法、進(jìn)化策略、知識(shí)圖譜、貝葉斯網(wǎng)絡(luò)、支持向量機(jī)SVM、強(qiáng)化學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)GAN，自編碼器…

如果你把每個(gè)算法獨(dú)立看待簡(jiǎn)直是眼花繚亂，頭都是大的。這次我就帶你理理這些算法，有些算法其實(shí)是可以歸為一類，它們有著共同的本質(zhì)，事情可以追溯到人工智能各大學(xué)派。

想聽(tīng)嗎？跟我一起來(lái)

論述

人類是這個(gè)星球的統(tǒng)治者，是食物鏈的最頂端。歸結(jié)原因我們說(shuō)人類有著智慧、智能，這對(duì)其他生物而言望塵莫及，被迫被人類改造。

人類 智慧/智能 太誘人了，怎么這么厲害？為什么？科學(xué)家們紛紛去研究人類智慧，試圖探求智慧的本質(zhì)。有些學(xué)派就給出了它們研究出的答案。聯(lián)結(jié)主義學(xué)派認(rèn)為人類智能是大量簡(jiǎn)單神經(jīng)元（計(jì)算單元）通過(guò)復(fù)雜網(wǎng)絡(luò)相互連接和交互的結(jié)果。符號(hào)主義學(xué)派認(rèn)為人類認(rèn)知過(guò)程是對(duì)語(yǔ)言符號(hào)計(jì)算處理的過(guò)程，它將智慧定義為對(duì)符號(hào)按照一定規(guī)則計(jì)算、處理從而解決任務(wù)的能力，人類具備這種能力，以至于厲害非常。行為主義學(xué)派則將智能定義為具備面對(duì)外部環(huán)境做出適應(yīng)性的行為能力。

各個(gè)學(xué)派的觀點(diǎn)和理論在歷史上不同時(shí)代被提出，學(xué)派之間發(fā)生過(guò)很多碰撞、爭(zhēng)吵、發(fā)展甚至融合。它們渴望著人類的智慧，如果能把人類智慧實(shí)現(xiàn)出來(lái)那該有多好啊。沒(méi)有辦法，它們?cè)觳怀鰜?lái)人，于是它們紛紛開(kāi)始了去智能的模擬。它們用不同的手段紛紛實(shí)現(xiàn)了人類智能，真了不起。接下來(lái)我為大家介紹五個(gè)主流的學(xué)派，和它們實(shí)現(xiàn)手段的根本模式

聯(lián)結(jié)主義

不是說(shuō)聯(lián)結(jié)主義認(rèn)為人類智能是大量簡(jiǎn)單計(jì)算單元通過(guò)復(fù)雜網(wǎng)絡(luò)相互連接和交互的結(jié)果嗎？它們是這樣想的，也是這樣做的。怎么做？就是在計(jì)算機(jī)上通過(guò)大量計(jì)算單元相互連接和交互形成的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)模擬人類智能。

它們達(dá)到模擬目標(biāo)的根本模式是：

1.網(wǎng)絡(luò)結(jié)構(gòu)：先構(gòu)建起個(gè)原始神經(jīng)網(wǎng)絡(luò)，它通常由一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層組成。
2.前向傳播：（先開(kāi)始的神經(jīng)網(wǎng)絡(luò)完全沒(méi)有智能，需要不斷訓(xùn)練、練習(xí)）。數(shù)據(jù)從神經(jīng)網(wǎng)絡(luò)輸入層流入，經(jīng)過(guò)隱藏層的處理，最后從輸出層輸出結(jié)果。生物神經(jīng)元之間傳遞有激勵(lì)作用和抑制作用，信息在隱藏層與隱藏層傳遞我們用激勵(lì)函數(shù)模仿這種作用。
3.得到差距：損失函數(shù)是網(wǎng)絡(luò)預(yù)測(cè)值與標(biāo)準(zhǔn)答案的差值，我們用此可以看到智能的差距。
4.誤差反向傳遞：將這些誤差信號(hào)反向傳播到每層網(wǎng)絡(luò)，更新網(wǎng)絡(luò)結(jié)點(diǎn)中的權(quán)重值。于是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)又離正確答案更近了一點(diǎn)。
5.迭代學(xué)習(xí)：如此反復(fù)從前向傳播和反向傳遞，迭代更新網(wǎng)絡(luò)中的參數(shù)，直到神經(jīng)網(wǎng)絡(luò)性能達(dá)到滿意的水平。

參照著聯(lián)結(jié)主義手段的基本也是根本思想。我們可以把某些人工智能算法歸類，代表方法/算法有：深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）

符號(hào)主義

符號(hào)主義對(duì)認(rèn)知這樣認(rèn)為，雖然是一種狹隘的探索，但是憑借理論實(shí)現(xiàn)的手段卻取得了一些成就。既然人類認(rèn)知就完全是對(duì)符號(hào)的處理加工過(guò)程，機(jī)器當(dāng)然可以勝任，機(jī)器完全可以有智慧。符號(hào)主義實(shí)現(xiàn)手段的核心是使用符號(hào)來(lái)表示知識(shí)（如果天上打雷，那么很可能會(huì)下雨。這是知識(shí)、也可以說(shuō)是規(guī)則），然后用邏輯推理和規(guī)則來(lái)處理這些符號(hào)以產(chǎn)生新知識(shí)。

它通常涉及以下模式步驟：
1.知識(shí)表示：將知識(shí)編碼為一組符號(hào)和規(guī)則。
2.知識(shí)處理：使用推理算法（如前向鏈推理或后向鏈推理）來(lái)操作這些符號(hào)和規(guī)則。
3.產(chǎn)生新知：最后推理出的結(jié)論，是產(chǎn)生的新知識(shí)。

代表方法：專家系統(tǒng)、決策樹(shù)、知識(shí)圖譜。

貝葉斯主義

貝葉斯主義將模型的參數(shù)看成未知的變量，而貝葉斯主義手段實(shí)際上就是解這個(gè)參數(shù)的過(guò)程。手段模式它通常涉及以下步驟：

1.先驗(yàn)信念：根據(jù)先前的知識(shí)和經(jīng)驗(yàn)確定一個(gè)事件或假設(shè)的概率分布。
2.觀測(cè)數(shù)據(jù)：收集新的數(shù)據(jù)或證據(jù)。
3.貝葉斯更新：使用貝葉斯定理來(lái)計(jì)算考慮新證據(jù)后事件或假設(shè)的概率。
4.決策或預(yù)測(cè)：使用最大化后驗(yàn)概率的方法求解參數(shù)、做出預(yù)測(cè)
5.迭代學(xué)習(xí)：隨著更多數(shù)據(jù)的收集，重復(fù)進(jìn)行貝葉斯更新，不斷改進(jìn)對(duì)事件或假設(shè)的概率估計(jì)。

代表方法：貝葉斯網(wǎng)絡(luò)、隱馬爾可夫模型（HMM）、條件隨機(jī)場(chǎng)（CRF）、概率圖模型。

行為主義

行為主義說(shuō)擁有智能也就是能面對(duì)外部環(huán)境做出適應(yīng)性的行為，它們也是模擬這樣的智能的。

它有下面這些步驟：

1.感知環(huán)境：智能體感知“外部環(huán)境”的狀態(tài)。
2.行為選擇：根據(jù)當(dāng)前環(huán)境狀態(tài)和內(nèi)部狀態(tài)，選擇一個(gè)或多個(gè)行為來(lái)執(zhí)行。
3.執(zhí)行行為：執(zhí)行選定的行為。
4.環(huán)境反饋：智能體執(zhí)行完行為后環(huán)境會(huì)給予它反饋。
5.行為調(diào)整：根據(jù)環(huán)境反饋，調(diào)整行為選擇策略，以實(shí)現(xiàn)更優(yōu)的適應(yīng)性。

代表方法：強(qiáng)化學(xué)習(xí)、行為樹(shù)。

演化主義

最后要介紹的學(xué)派是演化主義，它們認(rèn)為智能是長(zhǎng)達(dá)幾億年自然選擇的結(jié)果，這不是對(duì)智能本質(zhì)的探索，但是個(gè)絕好的達(dá)到智能的策略。怎么做？自然環(huán)境實(shí)際上就是對(duì)種群做篩選，讓適應(yīng)環(huán)境（這里是表現(xiàn)更好的算法）存活繁衍，不適者淘汰。這個(gè)邏輯啟發(fā)了人們，于是有了演化主義。

它們運(yùn)用這樣手段實(shí)現(xiàn)：

1.初始群體：隨機(jī)生成或設(shè)計(jì)一組候選算法（個(gè)體）。
2.適應(yīng)度評(píng)估：評(píng)估每個(gè)個(gè)體在針對(duì)性環(huán)境的適應(yīng)度，即它們?cè)诮鉀Q問(wèn)題方面的表現(xiàn)。
3.群體篩選：淘汰掉表現(xiàn)差的算法，優(yōu)質(zhì)算法成為了新的優(yōu)勢(shì)種群，它們會(huì)被更多的“繁衍”。
4.迭代演化：反復(fù)這個(gè)群體迭代演化的過(guò)程。最后找出足夠好的算法，它能很好解決問(wèn)題。

代表方法：遺傳算法、進(jìn)化策略。

總結(jié)

本篇博文主要有兩個(gè)目的，一是讓大家了解各個(gè)學(xué)派實(shí)現(xiàn)手段的根本模式，二是組織歸類看似零亂的算法。大家可以自己復(fù)述下

~ ~ ~ ~ ~

以上就是我本篇想講的所有內(nèi)容了，如果這篇文章對(duì)你有價(jià)值的話，還請(qǐng)點(diǎn)個(gè)贊，你的支持對(duì)我非常重要！

我是阿航，一位膽大包天、夢(mèng)想成為大牛的學(xué)生~

我們下篇文章接著聊文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-840103.html

到了這里，關(guān)于從 人工智能學(xué)派 視角來(lái)看 人工智能算法的文章就介紹完了。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)！