Введение

1. Что такое искусственный интеллект?

Если вы энтузиаст новых технологий или студент, занимающийся инженерными исследованиями, вы, должно быть, слышали об искусственном интеллекте (ИИ), Что касается искусственного интеллекта, Baidu определяет его следующим образом:

Искусственный интеллект (ИИ), сокращенно ИИ. Это новая техническая наука, изучающая и разрабатывающая теории, методы, приемы и прикладные системы для моделирования, расширения и расширения человеческого интеллекта. Искусственный интеллект — это отрасль компьютерных наук, которая пытается понять сущность интеллекта и создать новый тип интеллектуальной машины, которая может реагировать аналогично человеческому интеллекту.Исследования в этой области включают робототехнику, распознавание языка, распознавание изображений, естественный язык. процессинговые и экспертные системы и др. С момента рождения искусственного интеллекта теория и технология становились все более и более зрелыми, а область применения также продолжала расширяться.Возможно, что технологические продукты, принесенные искусственным интеллектом, в будущем станут «контейнером» человека. интеллект. Искусственный интеллект может имитировать информационный процесс человеческого сознания и мышления. Искусственный интеллект — это не человеческий интеллект, но он может мыслить как люди и может превосходить человеческий интеллект. Искусственный интеллект — чрезвычайно сложная наука, и те, кто ею занимается, должны разбираться в компьютерной грамотности, психологии и философии. Искусственный интеллект — это очень широкая наука, которая состоит из различных областей, таких как машинное обучение, компьютерное зрение и т. д. Вообще говоря, одна из основных целей исследований искусственного интеллекта — дать машинам возможность выполнять некоторые задачи, которые обычно требуют человеческого интеллекта. , сложная работа. Но в разные времена и у разных людей разное понимание этой «сложной работы». В декабре 2017 года искусственный интеллект был включен в «десятку самых модных словечек в китайских СМИ в 2017 году». ---- из Байду

Затем, согласно определению профессора Калифорнийского университета в Лос-Анджелесе Чжу Сунчуня, ИИ можно условно разделить на следующие шесть категорий:

(1) Компьютерное зрение -> Зрительные способности человека (2) Обработка естественного языка -> способность человеческого языка (3) Распознавание и генерация речи -> способность человека слушать и говорить (4) Робототехника -> Способность человека двигаться и кинезиология (5) Игра и сотрудничество -> человеческая способность противостоять и сотрудничать (6) Машинное обучение -> Способность человека к обучению

2. Практическое применение

Машинное зрение, распознавание отпечатков пальцев, распознавание лиц, распознавание сетчатки глаза, распознавание радужной оболочки глаза, распознавание отпечатков пальцев, экспертные системы, автоматическое планирование, интеллектуальный поиск, доказательство теорем, игры, автоматическое программирование, интеллектуальное управление, робототехника, понимание языка и изображений, генетическое программирование и т. д.

3. Тематические области

Искусственный интеллект — маргинальный предмет, находящийся на стыке естествознания и социальных наук.

4. Вовлеченные субъекты

Философия и когнитивные науки, математика, нейрофизиология, психология, информатика, теория информации, кибернетика, неопределенность

5. Объем исследования

Обработка естественного языка, представление знаний, интеллектуальный поиск, рассуждение, планирование, машинное обучение, получение знаний, проблемы комбинаторного планирования, проблемы восприятия, распознавание образов, логическое программирование, мягкие вычисления, управление неточностями и неопределенностями, искусственная жизнь, нейронные сети, сложные системы, Генетические алгоритмы

6. Сознание и искусственный интеллект

По своей сути искусственный интеллект — это имитация информационного процесса человеческого мышления.

Существует два способа имитации человеческого мышления: структурное моделирование, которое имитирует структуру и механизм человеческого мозга для создания «человекоподобной» машины, и функциональное моделирование, которое временно игнорирует внутреннюю структуру человеческого мозга. и использует его. Моделируется функциональный процесс. Появление современных электронно-вычислительных машин является моделированием мыслительной функции человеческого мозга и моделированием информационного процесса мышления человеческого мозга.

Слабый искусственный интеллект сегодня быстро развивается, особенно после экономического кризиса 2008 г. США, Япония и Европа надеются использовать роботов для достижения реиндустриализации.Промышленные роботы развиваются быстрее, чем когда-либо, что еще больше подтолкнуло слабый искусственный интеллект и связанные Благодаря непрерывным прорывам многие работы, которые должны выполняться людьми, теперь могут выполняться роботами.

Однако сильный искусственный интеллект временно оказался узким местом и требует усилий ученых и людей.

2. Введение

Вернемся к основной теме нашей статьи, методам достижения искусственного интеллекта (ИИ): машинное обучение, глубокое обучение.

1. Машинное обучение: подход к искусственному интеллекту

По своей сути, машинное обучение использует алгоритмы для анализа данных, обучения на них, а затем принятия решений и прогнозов о реальных событиях. В отличие от традиционных программ, которые жестко закодированы для решения конкретных задач, машинное обучение «обучается» на большом количестве данных, используя различные алгоритмы, чтобы узнать на основе данных, как выполнить задачу. Для простого примера, когда мы просматриваем интернет-магазин, часто появляется информация о рекомендациях по продуктам. Это торговый центр, чтобы определить, какие продукты вы действительно заинтересованы и готовы купить, основываясь на ваших предыдущих покупках и длинных списках коллекций. Такая модель принятия решений может помочь торговому центру предоставить покупателям рекомендации и стимулировать потребление продукта. Машинное обучение происходит непосредственно из ранней области искусственного интеллекта, а традиционные алгоритмы включают деревья решений, кластеризацию, байесовскую классификацию, машины опорных векторов, EM, Adaboost и многое другое. С точки зрения методов обучения, алгоритмы машинного обучения можно разделить на обучение с учителем (например, проблемы классификации), обучение без учителя (например, проблемы кластеризации), обучение с частичным учителем, обучение ансамблем, глубокое обучение и обучение с подкреплением. Применение традиционных алгоритмов машинного обучения в областях распознавания отпечатков пальцев, обнаружения лиц на основе Хаара и обнаружения объектов на основе признаков HoG в основном достигло требований коммерциализации или уровня коммерциализации конкретных сценариев, но каждый шаг чрезвычайно сложен до появления. алгоритмов глубокого обучения.

2. Глубокое обучение: метод реализации машинного обучения

Глубокое обучение не является независимым методом обучения, и оно также использует методы обучения с учителем и без учителя для обучения глубоких нейронных сетей. Однако из-за быстрого развития этой области в последние годы некоторые уникальные методы обучения были предложены один за другим (например, остаточная сеть), поэтому все больше и больше людей рассматривают его как метод обучения. Первоначальное глубокое обучение — это процесс обучения, в котором используются глубокие нейронные сети для решения представления признаков. Сама по себе глубокая нейронная сеть не является новой концепцией, ее можно примерно понимать как структуру нейронной сети, содержащую несколько скрытых слоев. Чтобы улучшить обучающий эффект глубокой нейронной сети, люди вносят соответствующие коррективы в способ подключения и функцию активации нейронов. На самом деле, есть много идей, которые были предложены в первые годы, но из-за недостаточного количества обучающих данных и отсталой вычислительной мощности на тот момент конечный эффект был неудовлетворительным. Глубокое обучение разрушительно для множества задач, делая, казалось бы, все функции с помощью машин возможными. Беспилотные автомобили, профилактическое здравоохранение и еще более качественные рекомендации фильмов — все это уже на горизонте или на горизонте.

3. Различия и связи между тремя

Машинное обучение — это метод достижения искусственного интеллекта, а глубокое обучение — это технология машинного обучения. Мы используем самый простой метод — концентрические круги, чтобы наглядно показать взаимосвязь между тремя.

В настоящее время в отрасли существует ложное и более здравое мнение, что «глубокое обучение может в конечном итоге сделать все другие алгоритмы машинного обучения устаревшими». Это осознание в основном связано с тем, что текущее применение глубокого обучения в области компьютерного зрения и обработки естественного языка намного превышает применение традиционных методов машинного обучения, а средства массовой информации делают преувеличенные сообщения о глубоком обучении. Глубокое обучение, как самый популярный метод машинного обучения в настоящее время, не означает, что это конец машинного обучения. По крайней мере существуют следующие проблемы:

Модель глубокого обучения требует большого количества обучающих данных, чтобы показать волшебный эффект, но в реальной жизни часто возникают проблемы с небольшими выборками.В настоящее время метод глубокого обучения нельзя использовать, и с этим справится традиционный метод машинного обучения. ;
В некоторых областях традиционные и простые методы машинного обучения могут быть хорошо решены, и нет необходимости использовать сложные методы глубокого обучения;
Идея глубокого обучения исходит из вдохновения человеческого мозга, но это ни в коем случае не симуляция человеческого мозга.Например, после показа трех- или четырехлетнему ребенку велосипеда, даже если он увидит совсем другой велосипед, ребенок с большой долей вероятности увидит его еще раз.Восемьдесят девять раз можно судить, что это велосипед, то есть процесс обучения человека часто не требует крупномасштабных обучающих данных, и текущий метод глубокого обучения, очевидно, не является симуляцией человеческого мозга.

3. Начало работы

Как энтузиаст новых технологий, я считаю, что все такие же, как и я. Я хочу соприкоснуться с новыми технологиями, но не знаю, с чего начать. Далее я дам вам несколько рекомендаций:

1. Книги

«Статистические методы обучения»: классический учебник доктора Ли Ханга. Описывать алгоритмы машинного обучения самым изощренным языком и обязательно читать книги, чтобы изменить карьеру ИИ.

«Машинное обучение»: «Арбузная книга» профессора Чжоу Чжихуа. Охват статистических методов обучения слишком узок, а ширина расширена книгой-арбузом.

«Машинное обучение и реализация Python»: подходит для входа, кривая обучения плавная, а теоретическая книга утомлена, просто следуйте этой книге, чтобы ввести код, и у вас будет общее представление о kaggle.

«Мудрость коллективного программирования»: существуют коды реализации различных алгоритмов, и чтение теоретических книг может помочь вам глубже понять алгоритмы.

«PRML»: классика машинного обучения, классика байесовского подхода.

«Нейронные сети и глубокое обучение»: книга Цю с открытым исходным кодом.

«Глубокое обучение»: «Цветочная книга» также является классической книгой по глубокому обучению.

«Машинное обучение в действии».

Практическое глубокое обучение.

«Машинное обучение со сотней лиц»: широко известный как тыквенная книга, метод задавания вопросов обобщает различные знания в интервью с машинным обучением, и рекомендуется подготовить копию алгоритма лица.

《Предложение по фехтованию》: Книги обязательны для собеседований, потому что многие интервьюеры ищут вопросы изнутри.

2. Видео

Машинное обучение Stanford CS229 — Эндрю Нг:

Версия видео 2009 года: видео для занятий в Стэнфорде, содержание более существенное, но вам нужно читать на доске, а некоторые ненужные взаимодействия в классе легко отвлечь.

Видео версии 2014 года: это обучающее видео Нг Энды на Coursera, одно видео имеет одну тему, более лаконичную и ясную.

Основы машинного обучения и методы машинного обучения — Линь Сюаньтянь:

Одна из главных проблем курсов Ву Энда в том, что они преподаются на английском языке, а некоторые друзья боятся английского языка, поэтому отступают. В этом случае краеугольный камень машинного обучения и методы профессора Линь Сюаньтяня из Национального университета Тайваня — очень хороший выбор. Этот курс более глубокий и математический, и он будет обучать некоторым очень базовым теориям машинного обучения, таким как размерность VC, условия KKT и т. д. Мой совет: переходите прямо к делу, если вы не понимаете его сначала, а затем извергайте его после того, как вы его выучили.

Машинное обучение и нейронные сети — Хинтон:

Говоря о нейронных сетях, я боюсь, что нет ничего лучше, чем предки.Мысли мистера Хинтона очень глубоки, другими словами, это может быть непросто понять, но это не влияет на это очень хороший курс.

Stanford CS231 — Компьютерное зрение с глубоким обучением — Фейфей Ли:

Компьютерное зрение, несомненно, является волной этой волны глубокого обучения.Это классическое вводное видео в направлении компьютерного зрения, в котором будут представлены различные сверточные нейронные сети.

Stanford CS224 — Глубокое обучение для обработки естественного языка — Крис Мэннинг:

Еще одной важной областью искусственного интеллекта является обработка естественного языка, классическим вводным видео в этом направлении является CS224.

Машинное обучение — Ли Хунъи:

Хотя приведенное выше видео является классическим, оно преподается на английском языке, из-за чего многие младенцы теряют сознание, но ничего страшного, давайте посмотрим глубокое обучение в Национальном университете Тайваня!

Машинное обучение — серия выводов доски:

Учебные видеоролики, запущенные станцией b, четко организованы и сфокусированы, и объяснение каждой главы занимает всего около 20 минут.Скорость движения вверх низкая, и нет проблем со скоростью в 1,5 или 2 раза, что очень подходит для входа.

4. Рекомендации

Сколько бы вы ни учились, лучше делать это самостоятельно, будь то проект или конкурс.