關(guān)于 AI 丨不知道這些概念你就落伍了

對所有事情都有一定了比擁有一項專業(yè)技能更實用。對于進入新興市場領(lǐng)域的人來說尤其如此，特別是科技領(lǐng)域。

許多人認為他們對 AI 有一些了解。但是這個領(lǐng)域很新，而且在飛速發(fā)展，專家們每天都在開拓新領(lǐng)域。

這就是本文的切入點。我希望通過簡短易懂的語言，讓有科技頭腦的人群快速熟悉 AI 術(shù)語、語言和技術(shù)。同時希望許多非該領(lǐng)域的人群能夠讀懂本文，并作為參考。

AI 是什么 ?

人工智能(Artificial intelligence)，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)是用來描述強大的機器學(xué)習(xí)技術(shù)的術(shù)語，這些技術(shù)可以解決許多現(xiàn)實世界的問題。

盡管演繹推理，推理和決策與人腦相比還有一段距離，但 AI 技術(shù)和相關(guān)算法已有許多最新進展。AI 可以從中學(xué)習(xí)的大型數(shù)據(jù)集也越來越多。

AI 領(lǐng)域涉及到數(shù)學(xué)、統(tǒng)計學(xué)、概率論、物理學(xué)、信號處理、機器學(xué)習(xí)、計算機科學(xué)、心理學(xué)、語言學(xué)和神經(jīng)科學(xué)等領(lǐng)域。圍繞 AI 的社會責(zé)任和道德問題與許多哲學(xué)問題有相似之處。

進一步推進 AI 技術(shù)的動機是，解決許多變量問題所需的解決方案非常復(fù)雜，難以理解且不容易手動完成。

越來越多的公司、研究人員和個人都依靠機器學(xué)習(xí)來解決問題，而不需要全面的編程指導(dǎo)。程序員發(fā)現(xiàn)編寫模型和解決數(shù)據(jù)問題所需的算法越來越復(fù)雜和耗時。即使當(dāng)我們形成有用的模式來處理大數(shù)據(jù)集時，這往往是非常復(fù)雜，難以維護并且不能充分測試。

現(xiàn)代機器學(xué)習(xí)和人工智能算法，以及訓(xùn)練數(shù)據(jù)都能夠為我們編程。

智能是什么？

智能(Intelligence)：能夠感知信息，并將其作為知識應(yīng)用于環(huán)境中的適應(yīng)性行為。

以上維基百科對智能的定義可以適用于大腦和機器。智能并不意味著意識，這是科幻小說家普遍存在的誤解。

在網(wǎng)上搜索 AI 的例子，你會看到 IBM 的 Watson。這是一種機器學(xué)習(xí)算法，由于在2011年在電視問答節(jié)目《危險邊緣》中獲勝而出名。此后，它被重新定位，并被用作各種商業(yè)應(yīng)用的模板。蘋果，亞馬遜和谷歌正努力在我們的家庭和手機中構(gòu)建類似的系統(tǒng)。

自然語言處理和語音識別是機器學(xué)習(xí)的第一個商業(yè)應(yīng)用。之后實現(xiàn)了許多其他自動識別任務(wù)(模式、文本、音頻、圖像、視頻、面部等)。應(yīng)用范圍正在飛速增長，包括自動駕駛汽車、醫(yī)療診斷、游戲、搜索引擎、垃圾郵件過濾、打擊犯罪、市場營銷、機器人技術(shù)、遙感技術(shù)、計算機視覺、交通、音樂識別、分類等方面。

AI 已經(jīng)深入到我們所使用的技術(shù)中，現(xiàn)在許多人并不將其視為”人工智能”，而只是計算的延伸。如果上街采訪詢問行人他們手機上是否有AI，他們可能會說不。但是 AI 算法已經(jīng)嵌入了各個領(lǐng)域，從預(yù)測文本到相機中的自動對焦系統(tǒng)。人們通常認為 AI 時代尚未到來，但實際上我們已處于 AI 時代，而且已經(jīng)有一段時間了。

AI 是一個相當(dāng)普遍的術(shù)語。大多數(shù)研究的重點是人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)這類較狹窄的領(lǐng)域。

人腦如何工作

人腦是一個精密的碳計算機，估計每秒執(zhí)行一百萬兆次計算，消耗約20瓦的功率。中國的超級計算機天河二號(截止到本文是目前世界上最快的超級計算機)每秒只能計算33.86 千萬億次計算，消耗1760萬瓦。顯然機器要像媲美人腦還有一段路要走。

大腦用于進行思維的確切機制需要辯論和深入研究。然而，內(nèi)部運行原理往往圍繞神經(jīng)元和其構(gòu)成的網(wǎng)絡(luò)。大腦約包含1000億個神經(jīng)元。

神經(jīng)元之間的相互作用和溝通能夠傳遞信息。在激活其他神經(jīng)元之前，單個神經(jīng)元的信號被進行加權(quán)和合并。消息傳遞、結(jié)合、激活其他神經(jīng)元的過程是跨層重復(fù)的。在人腦的1000億個神經(jīng)元中，整體的信息加權(quán)是非常復(fù)雜的。

每個神經(jīng)元在將功能或變化應(yīng)用于加權(quán)輸入前，會先測試是否達到在激活閾值。這些因素加起來可能是線性或非線性的。

初始輸入信號來自各種來源......我們的感官、身體機能的內(nèi)部監(jiān)測(血氧水平，胃內(nèi)容物等)。在決定如何反應(yīng)之前，單個神經(jīng)元可能會接收到數(shù)十萬個輸入信號。

思考或處理給肌肉的結(jié)果指令是輸入信號和反饋在神經(jīng)網(wǎng)絡(luò)中經(jīng)過多層和多個周期處理的總和。但大腦的神經(jīng)網(wǎng)絡(luò)也在發(fā)生變化和更新，包括神經(jīng)元間權(quán)重的調(diào)整。這是由學(xué)習(xí)和經(jīng)驗造成的。

人類大腦的模型被用作模板在計算機仿真環(huán)境下復(fù)制大腦，即人工神經(jīng)網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)(ANNs)

人工神經(jīng)網(wǎng)絡(luò)是受到生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的模擬數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)能夠?qū)斎牒洼敵鲋g的非線性關(guān)系進行建模和處理。人工神經(jīng)元之間的權(quán)重通過學(xué)習(xí)算法進行調(diào)整，該算法能夠讀取觀測數(shù)據(jù)，并以提高輸出為目標(biāo)。

使用優(yōu)化技術(shù)讓人工神經(jīng)網(wǎng)絡(luò)解決方案盡可能接近最佳解決方案。如果優(yōu)化成功，人工神經(jīng)網(wǎng)絡(luò)能夠以高性能解決特定問題。

人工神經(jīng)網(wǎng)絡(luò)建模時使用到神經(jīng)元層。這些層的結(jié)構(gòu)被稱為模型的結(jié)構(gòu)。神經(jīng)元是獨立的計算單元，能夠接收輸入并應(yīng)用數(shù)學(xué)函數(shù)來確定消息是否能傳遞。

在簡單的三層模型中，第一層是輸入層，接下來是隱藏層和輸出層。每層可以包含一個或多個神經(jīng)元。

隨著模型變得越來越復(fù)雜，需要更多的層和更多的神經(jīng)元，解決問題的能力也隨之增加。但是如果模型對于給出的問題來說太大了，那么模型不能被有效地優(yōu)化。這被稱為過擬合。

基本的模型結(jié)構(gòu)和調(diào)整是人工神經(jīng)網(wǎng)絡(luò)技術(shù)的主要元素，同時還包括讀取數(shù)據(jù)的學(xué)習(xí)算法。所有部分都具備模型的性能。

模型具有激活函數(shù)的特征。這用于將神經(jīng)元的加權(quán)輸入轉(zhuǎn)換為輸出激活。有一些轉(zhuǎn)換可用作激活函數(shù)。

人工神經(jīng)網(wǎng)絡(luò)非常強大。即使少數(shù)神經(jīng)元中的數(shù)學(xué)很簡單，整個網(wǎng)絡(luò)也會變得復(fù)雜。由于人工神經(jīng)網(wǎng)絡(luò)被認為是“黑盒”算法。選擇人工神經(jīng)網(wǎng)絡(luò)作為解決問題的工具應(yīng)該小心，因為之后無法取消系統(tǒng)的決策過程。

深度學(xué)習(xí)

深度學(xué)習(xí)是用來描述消耗原始數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)和相關(guān)算法的術(shù)語。數(shù)據(jù)通過模型層進行處理，目標(biāo)是計算輸出。

無監(jiān)督學(xué)習(xí)是深度學(xué)習(xí)技術(shù)的卓越之處。正確配置的人工神經(jīng)網(wǎng)絡(luò)能夠自動識別輸入數(shù)據(jù)的重要特征，從而得出期望的輸出。傳統(tǒng)意義上，理解輸入數(shù)據(jù)的重任通常落在構(gòu)建系統(tǒng)的程序員身上。然而，在深度學(xué)習(xí)設(shè)置中，模型本身可以識別如何解釋數(shù)據(jù)，從而獲得有意義的結(jié)果。一旦優(yōu)化的系統(tǒng)進行訓(xùn)練，模型的計算、內(nèi)存和功耗要求就會大大降低。

簡而言之，特征學(xué)習(xí)算法讓機器使用合適的數(shù)據(jù)學(xué)習(xí)特定任務(wù)，即算法學(xué)習(xí)如何學(xué)習(xí)。

深度學(xué)習(xí)應(yīng)用于各種各樣的任務(wù)，這被認為是創(chuàng)新的 AI 技術(shù)之一。其中有用于監(jiān)督、無監(jiān)督和半監(jiān)督學(xué)習(xí)問題的算法。

陰影學(xué)習(xí)用于描述更簡單的深度學(xué)習(xí)形式，其中數(shù)據(jù)的特征選擇需要程序員進行預(yù)先處理和更深入的知識。由此產(chǎn)生的模型更加透明和性能更高，但會增加設(shè)計階段的時間。

結(jié)語

AI 是強大的數(shù)據(jù)處理領(lǐng)域，能夠比程序員開發(fā)的傳統(tǒng)算法更快地得出復(fù)雜的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)可以解決多種難題。缺點是創(chuàng)建的優(yōu)化模型不能被取消。這可能會導(dǎo)致道德問題，因為數(shù)據(jù)透明是很重要的。

原文鏈接：

https://medium.com/@AdamTemper/ai-for-dinosaurs-67848a90fce3

如何學(xué)習(xí)AI

人工智能的發(fā)展離不開人才的培育，而CDA數(shù)據(jù)分析師作為行業(yè)的領(lǐng)頭羊，將從各個應(yīng)用場景入手，用實際案例教學(xué)來使CDA人工智能工程師就業(yè)班課程更能符合行業(yè)要求。

掃描二維碼，報名CDA人工智能工程師就業(yè)班，抓住機遇，贏在未來。咨詢電話：趙老師 18510169390。

掃描二維碼 加入CDA人工智能工程師就業(yè)班