人工智能的定义与探讨

自学进度

数学	计算机基础	ML算法	工程实践
微积分	Python基础	K-NN	基于K-NN的鸢尾花分类(201809)
线性代数	Java SE / Java EE	SVM	基于TF-IDF与SVM的电子邮件作者识别方法(201712小美赛-数模B题)
概率论与数理统计	数据库	Naive Bayes	基于朴素贝叶斯的法律咨询文本分类方法(201708)
	数据结构	Word2Vec	基于余弦相似度原理的人脸相似度识别(201704认证杯-数模-C题)
	操作系统 / Linux	TextRank

人与AI的能力层次

 

目录(本博文)

一 定义	二 数学	三 CS基础	四 ML算法	五 应用场景	六 推荐文献	七 精品书单
人工智能 　　研究方法 　　研究领域 　　涉及学科	微积分	语言(Python/Java)	典型算法 　　分类 　　　　K-NN 　　　　C4.5 　　　　CART 　　　　Naive Bayes(朴素贝叶斯) 　　聚类 　　　　K-Means 　　统计学习 　　　　SVM 　　　　EM 　　关联学习 　　　　Apriori 　　链接挖掘 　　　　PageRank 　　集装与推进 　　　　Adaboost	实际应用	全局导览 学习路径 网络资源 API
机器学习	线性代数	数据结构
学科与学科间关系	概率论与数理统计	计算机算法思想
		计算机典型算法

 

一 定义

　　资料来源于维基百科、西瓜书（周志华教授 《机器学习》）、百度百科与网络

　　人工智能

“智能主体（intelligent agent）的研究与设计”，智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程。AI的核心问题包括建构能够跟人类似甚至超越的推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中 ----维基百科

计算机科学的一个分支。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 ----百度百科

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

如今没有统一的原理或范式指导人工智能研究。

来源：百度云智学院

　　　　

　　　　研究方法

• • 控制论/大脑模拟
    • 控制论 / 计算神经科学
      • 20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。
  • 符号处理
    • GOFAI
      • 当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学， 斯坦福大学和麻省理工学院，而各自有独立的研究风格。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
      • GOFAI 泛指用最原始的人工智能的逻辑方法解决小领域的问题， 例如棋类游戏的算法。
      • 人工智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。
  • 子符号法
    • 计算智能学科
      • 80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。
      • 自下而上， 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。
  • 统计学法
    • 90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。
    • 共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。
    • 有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。
  • 集成方法
    • 90年代智能AGENT范式被广泛接受。
    • 智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。
    • 最简单的智能AGENT是那些可以解决特定问题的程序。
    • 更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。

　　　　研究领域

• • 演绎、推理和解决问题
  • 知识表示法
    • 知识表示 / 常识知识库
  • 规划
  • 学习
    • 机器学习

• • 运动和控制
  • 机器人
  • 知觉
    • 机器感知
    • 语言识别
    • 图像识别
  • 自然语言处理:自然语言处理探讨如何处理及运用自然语言，自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

• • 社交
  • 情感计算
  • 创造力
  • 计算机创造力
    • 相关领域研究的包括了人工直觉和人工想像。
  • 伦理管理

• • 经济冲击

　　　　涉及学科

• • 哲学和认知科学
  • 数学
  • 神经生理学
  • 心理学
  • 计算机科学
  • 信息论
  • 控制论
  • 不定性论

　　机器学习

　　　　机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。

　　　　这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。

　　　　对于人工智能来说，机器学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机器学习：一个归纳推理的机器。

　　　　机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。

　　　　监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。

　　　　监督学习根据输出结果的离散性和连续性，分为分类和回归两类。

　　　　非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。

　　　　未显式地编程，并赋予计算机智能。-------西瓜书(周志华教授)

• 

　　学科与学科间关系

二 数学

　　微积分

　　线性代数

　　概率论

三 计算机基础

　　语言[Python/Java/]

　　　　Python

　　　　Java

　　数据结构

　　计算机算法思想

　　　　分治

　　　　减治

　　计算机典型算法

四 机器学习算法

　　典型算法

　　　　分类

　　　　　　K-NN

　　　　　　C4.5

　　　　　　CART

　　　　　　Naive Bayes(朴素贝叶斯)

　　　　聚类

　　　　　　K-Means

　　　　统计学习

　　　　　　SVM

　　　　　　EM

　　　　关联学习

　　　　　　Apriori

　　　　链接挖掘

　　　　　　PageRank

　　　　集装与推进

　　　　　　Adaboost

机器学习常见十大经典算法

 

五 应用场景

　　机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

　　实际应用

• • 机器视觉
  • 指纹识别
  • 人脸识别
  • 视网膜识别
  • 虹膜识别
  • 掌纹识别
  • 专家系统
  • 自动规划
  • 智能搜索
  • 定理证明/推理
  • 博弈
  • 自动程序设计
  • 智能控制
  • 机器人学
  • 语言和图像理解
  • 遗传编程
  • ...

自然语言处理与机器视觉的应用场景小结

2018百度-AI 开发者大会现场

自然语言处理与法律领域的结合

六 顶会/顶刊

本部分内容完全摘抄自如下两份知乎回答，非常感谢。

[1] 计算机科学各个方向有哪些顶刊和顶会？ - 李昕 - 知乎 

[2] 计算机科学各个方向有哪些顶刊和顶会？ - 硕鼠酱 - 知乎

6.0 人工智能

1 AAAI

2 IJCAI

6.1 自然语言处理

【会议】

1 ACL (Annual Meeting of the Association for Computational Linguistics) 

 > AACL(亚洲分会)
2 NAACL (Annual Conference of the North American Chapter of Association for Computational Linguistics) 
3 EMNLP (Empirical Methods in Natural Language Processing) 
4 EACL (Annual Conference of the European Chapter of Association for Computational Linguistics) 
5 COLING (International Conference on Computational Linguistics) 
6 SIGKDD (ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 
7 SIGIR (ACM SIGIR Conference on Research and Development in Information Retrieval) 
8 WWW (International World Wide Web Conference)

【期刊】

1 CL (Computational Linguistics)

2 TACL (Transactions of the Association for Computational Linguistics)

【数据集】

1  自然语言处理数据集免费资源开放（附学习资料）

6.2 机器学习与数据挖掘 / Machine learning & data mining

1 ICML

2 KDD

3 NIPS

6.3 WEB 信息检索

1 SIGIR

2 WWW

6.4 计算机视觉

1 CVPR

2 ECCV

3 ICCV

6.5 计算机体系结构

1 ASPLOS

2 ISCA

3 MICRO

七 推荐资源

       其它科普性文章

            [1] 人工智能的三个层次：运算智能，感知智能，认知智能

            [2] 工智能的三个层次：运算智能，感知智能，认知智能

　　全局导览

　　　　[1] 机器学习算法

　　　　[2] 原机器学习（一）：统计学习问题概述

　　　　[3] 机器学习

　　学习路径

　　　　博主评注：每个人的专业背景(数理统计、计算机、非数理统计非计算机等)、学历背景、自学能力、学习动机（升学科研、就业、仅仅兴趣等）均不同，每个人的学习路径不一定是一致的，应当自寻一条适合自己的道路。仅仅个人之见。

　　　　[1] 机器学习 - 概述/资源 - Github

　　网络学院(系统性学)

　　　　[0] 吴恩达/Coursera-机器学习

　　　　[1] 吴恩达/斯坦福大学-机器学习

　　　　[2] Google-机器学习速成课程

　　　　[3] Google-Tesorflow

　　　　[4] Tensorflow中文社区-MNIST机器学习入门

　　　　[5] 数据挖掘十大算法详解

　　　　[6] 吴恩达：深度学习与神经网络 - 网易云课程(免费/2019最新/优质课程)

　　API

　　　　[1] 百度

　　　　[2] 阿里云-机器学习PAI快速入门与业务实践

八 精品书单

　　[1]《统计学习方法》李航

　　[2] 《机器学习》周志华

　　[3]《Machine Learning》Tom M. Mitchell

Deep Learning  实战之 word2vec  -  Deep Learning 圈