六、人工智能的基礎知識

人工智能是一個宏大的愿景，學習只是實現(xiàn)人工智能的手段之一，只是增強人類腦力的方法之一。人工智能的研究歷史有著一條以推理為重點到以知識為重點，然后再到以學習為重點的自然又有清晰的脈絡。

人工智能大概是在50年代被明確提了出來，隨后對機器智能的探索一直貫穿到了現(xiàn)在。從80年代開始，以模式識別技術為基礎方法的機器學習概念被逐漸歸納和總結(jié)了出來。機器學習是指智能機器從經(jīng)驗中自動學習和改進的過程，不需要人工編寫程序、指定規(guī)則和邏輯，學習的目的就是要獲得知識。機器學習的目的是要讓機器從用戶和輸入的數(shù)據(jù)當中能夠獲得知識，以便于在生產(chǎn)和生活的實際環(huán)境中能夠做出判斷和響應，從而幫助我們解決更多的問題，比如減少圖像識別的錯誤率、或提高自動化運行的效果等等。

嚴格來說，深度學習概念是在2006年提出的。深度學習本質(zhì)上是一種以人工神經(jīng)網(wǎng)絡為架構(gòu)，以數(shù)據(jù)為基礎進行的表征學習的算法。深度學習是用于建立和模擬人腦來進行分析學習的神經(jīng)網(wǎng)絡，并且要模擬人腦的機制來解釋數(shù)據(jù)的一種機器學習技術，其主要特點就是要使用多層的非線性處理單元來進行特征的提起和轉(zhuǎn)換，每個連續(xù)的神經(jīng)網(wǎng)絡層都會使用前一層的輸出作為輸入。

機器學習和深度學習都是針對人工智能機器，特點都是要從經(jīng)驗和數(shù)據(jù)中獲得特征的表征，進而來進行表征學習的算法。

機器學習的目標就是找到特征與標簽之間的關系。當明確了機器學習的目標之后，那么理解如何訓練機器學習模型就變得容易多了。

標簽非常重點，標簽即需要學習的知識的答案。所以在機器學習領域里，可以根據(jù)是否有標簽，也就是說是否有答案和如何利用答案信息，可以將機器學習算法分為常見的3種類型：監(jiān)督學習（有標簽）、無監(jiān)督學習（無標簽）、強化學習（動態(tài)變化的環(huán)境標簽）。

強化學習是智能體（Agent）以“試錯”的方式進行學習，通過與環(huán)境進行交互獲得的獎賞指導行為，目標是使智能體獲得最大的獎賞，強化學習不同于連接主義學習中的監(jiān)督學習，主要表現(xiàn)在強化信號上，強化學習中由環(huán)境提供的強化信號是對產(chǎn)生動作的好壞做一種評價(通常為標量信號)，而不是告訴強化學習系統(tǒng)RLS(reinforcement learning system)如何去產(chǎn)生正確的動作。由于外部環(huán)境提供的信息很少，RLS必須靠自身的經(jīng)歷進行學習。通過這種方式，RLS在行動-評價的環(huán)境中獲得知識，改進行動方案以適應環(huán)境。

有點類似于人類的概念學習，人類概念學習的關鍵是指導。監(jiān)督學習就是通過“打標簽”的方式對機器進行指導學習。在監(jiān)督學習的過程中，訓練數(shù)據(jù)既要有特征、又要有標簽，通過訓練，讓機器可以自己找到特征與標簽之間的聯(lián)系，在面對只有特征而沒有標簽的數(shù)據(jù)的時候，就可以判斷出標簽。

人類對動物這個概念的認知過程，就類似于無監(jiān)督學習的過程。

深度學習最典型的特征就是使用了神經(jīng)網(wǎng)絡作為計算模型。神經(jīng)網(wǎng)絡非常擅長從數(shù)據(jù)當中去學習，這意味著它可以被訓練來識別模式、各種分類數(shù)據(jù)，以及預測未來的事件?！吧疃取蓖ǔＳ脕碇鸽[藏在神經(jīng)網(wǎng)絡中的層數(shù)。神經(jīng)網(wǎng)絡的行為是由其各個神經(jīng)元的連接方式，以及這些連接的強度或者說權(quán)重來定義的，在訓練期間，這些連接會根據(jù)指定的學習規(guī)則自動調(diào)整，直到神經(jīng)網(wǎng)絡正確的執(zhí)行我們所設定的任務為止。

特征處理有時也叫特征工程，指將領域知識放入特征提取器里面，來減少數(shù)據(jù)的復雜度，并生成使得機器學習算法可以更加高效的工作模式的過程。特征可以是像素值、形狀、紋理、位置和方向，大多數(shù)機器學習算法的性能都非常依賴于所提取的特征的準確度。

- End -