人工智能基础概述

1.人工智能的起源和发展阶段

人工智能的定义

区分人工智能的人类智能的试验，图灵测试，就是评估者在不接触的情况下与黑箱对话，如果不能区分是机器还是人则表示通过图灵测试。

2.人工智能发展历史

人工智能的理论基础，得益于上世纪的逻辑学，计算机科学、信息论、控制论等多学科的发展和交汇，人工智能的理论基础是，认为人的思维活动是可以用机械的方式替代和完成的。

主要贡献者，罗素、怀德海、希尔伯特、哥德尔、图灵等。

AI的发展历史（1956年-1974年）

符号主义，基于逻辑推理的智能模拟方法模拟人的智能行为；专家系统，内部含有大量的专家水平的知识和经验，利用人类专家的知识和解决问题的方法处理领域问题。

连接主义，主张模仿人类的神经元，用神经网络的连接机制实现人工智能，感知机的提出，早期的神经网络。

第一次寒冬（1974年~1980年）

局限性，人工智能所使用的数据模型和手段有缺陷，被认为是玩具模型。

算力不足，在很多计算问题上，都有一个计算的复杂度问题，使得计算任务复杂度呈现指数级增长。

第二次的浪潮（1980年~2000年）

统计学派，统计学专家替代原有的专家系统。

机器学习，多挣神经网络的逐步发展，用于模式的识别；反向传播算法的出现，加速神经网络的发展。

第三次的浪潮（2006年~至今）

新的数学工具与力量的引入，卷积神经网络和循环神经网络。

计算能力的提升，CPU的发展，GPU、TPU的出现。

大数据的广泛应用，大规模数据采集、存储和分析成为可能。

人工智能的未来发展趋势

图像、视频、文本等生成与处理仍然是重要的发展方向。

5G技术发展促进物端计算，AI与物端的结合。

AI框架本身基于人工智能方法化。

3.人工智能的应用领域

当前四大主要应用领域：图像处理、智能语音交互、自然语言处理、机器人。

图像识别与物体检测，

自动驾驶驾驶领域，人脸识别，用于安防检测等。

智能语音交互：

智能语音客服，直播字幕，机器翻译等。

自然语言处理，语义检索，情报分析等。

机器人，基于图像识别，物体检测，语音交互等。

4.人工智能、机器学习、深度学习

三者都有着统一的目标，就是赋予机器以人的智能，让机器能够像人一样地思考和解决问题，做出决策。

机器学习实现人工智能的途径是使用算法分析数据，从中学习数据的特征，并进行归纳判断。

深度学习是机器学习的一类重要特征，采用非线性函数学习数据特征，并进行判断，属于机器习题解决图像、语音、文本等领域的一个重要分支。

机器学习

机器学习的定义，通过计算手段，利用已有的数据开发可以意思来对新数据进行预测的模型，主要研究能产生模型的算法。

基于学习策略的分类，根据经典学习策略是否基于经典数学原理还是模拟人脑进行划分。

基于学习方式进行划分，根据学习是否需要输入数据以及输入数据是否需要标注进行划分。

传统机器学习与深度学习的对比

学习策略

问题领域

算法对比

深度学习

技术栈

深度学习

执行时间

深度习题

5.深度学习的开发体系及工具

深度学习的理论支持

数学理论，微积分、线性代数、信息论、概率、图论

算法知识，机器学习，神经网络

开发技术，软件技术，硬件技术

深度学习的开发过程

总体流程

特征工程，选择和提取合适的特征进行模型构建。模型设计，依赖数据的收集和特征提取，根据一定的算法设计模型。数据预测，使用获得的模型进行预测。

常用开发工具

6.自然语言处理

定义：自然语言处理是人工智能个语言领域的一个分支，研究如何处理及运用自然语言，让计算机利用信息的语义结构来理解人类语言的含义。

自然语言理解，理解给定的文本的含义，文本内每个单词的特性及结构可以被理解。

自然语言生成，从结构化数据中以可读的方式产生文本的过程，文本规划阶段，完成结构化数据中基础内容的规划，语句规划，从结构化数据中组合语句，表达信息流。实现，产生语法通顺的语句来表达文本。

基于神经网络的NLP的处理

神经网络模型设计模型训练模型

自然语言处理

目标，基于自然语言处理，对文本分词、停用词等处理，最后分析文本或文档的正负面评价。

机器翻译

目标，根据输入文本或文档，通过自然语言处理和神经网络将其翻译成目标语言的文本或文档。

知识图谱

更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索的质量。

知识抽取

基于自然语言处理非结构化的数据处理，实体命名识别，从文本中抽取实体，并对每个实体进行分类。关系抽取，把实体间的关系从文本中提取出来。实体统一，有些实体写法不一样，但是指向同一实体。

7.图像的智能处理

定义，计算机的分支领域，获取图像后，基于计算机技术处理，分析和理解图像，对图像中的客观对象构建明确而有意义的描述，基于图像做出对客观对象和场景有用的决策。

应用领域

8.语音识别的基础

定义，以语音为研究对象，通过语音信号的处理和模式识别让机器自动识别和理解人类口述的语言。与声学、语言学、语音学、信息理论、模式识别、以及神经网络等科学有非常密切的关系。

基本原理，语音输入，语音信号的预处理，特征提取，识别模型匹配，识别结果。

构建方法，收集语音，语言数据库，信号的处理和知识挖掘，离线训练，生成声学模型和语言模型，在线识别。

语音识别系统

前端模块，端点的检测《人工智能基础》，降噪和特征的提取。

后端模块，利用声学和语言模型对用户说话的特征向量进行统计模式识别，得到其包含文字信息。

自适应反馈模块，对用户的语音进行自学习，对声学模型和语音模型进行必要的矫正，进一步提高识别的准确率。

对话系统

应用领域，搜索，连续语音识别中的搜素，寻找一个词模型序列以描述输入的语音信号，从而得到词解码系列，通常面向于一个狭窄的领域，词汇量有限的系统。

关键技术，采集声音波形，进行声音的分帧，波形的转换，举证变换。状态判断，判断词语出现的概率，完成语音的识别，基于神经网络的语音识别。

知识图谱

知识图谱是指语义网络库，既多关系图，包含多种类型的节点和多种类型的边，由 2012年提出，把所有的不同种类的信息连接在一起得到一个关系网络图，从关系的角度去分析问题的能力。

图谱的构建过程，定义具体问题，数据的收集及预处理，知识图谱的设计，知识图谱的存储，基于知识图谱的开发及应用。

知识图谱的应用，语义搜索《人工智能基础》，更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。反欺诈的分别于识别，融合不同的数据源构成知识图谱，通过检测数据不一致性，绘制出知识图谱识别出潜在的欺诈风险。金融领域的情报分析等。

本文到此结束，希望对大家有所帮助。