人工智能十大經(jīng)典應(yīng)用領(lǐng)域及其技術(shù)原理

1、人工智能十大經(jīng)典應(yīng)用領(lǐng)域及其技術(shù)原理本文通過(guò)案例分門(mén)別類地深入探討人工智能的實(shí)際應(yīng)用。案例甚多，此處所列舉的僅是九牛一毛。本該按行業(yè)或業(yè)務(wù)對(duì)這些案例進(jìn)行分類，但相反我選擇按在行業(yè)或業(yè)務(wù)中最可能應(yīng)用的順序來(lái)分類。本文將使用“算法”一詞，以高度簡(jiǎn)化的方式來(lái)描述單個(gè)算法、模型或者使用多種算法的軟件。在每個(gè)類別中，逐一討論數(shù)據(jù)輸入的類型、作為黑箱的算法以及輸出（為了簡(jiǎn)便易行，即使真實(shí)算法不是黑箱也暫且把它當(dāng)成黑箱）。因?yàn)檫@是高層次的概述，所以我鼓勵(lì)你深入研究感興趣的具體應(yīng)用，搞清楚它們究竟是如何應(yīng)用于行業(yè)或者業(yè)務(wù)活動(dòng)的。目前也有很多資源可供使用，以學(xué)習(xí)所涉及的技術(shù)細(xì)節(jié)和具體算法。一、預(yù)測(cè)分析預(yù)測(cè)是預(yù)測(cè)

2、分析或者預(yù)測(cè)建模的同義詞，這是根據(jù)有標(biāo)簽，以及有時(shí)甚至無(wú)標(biāo)簽的輸入數(shù)據(jù)來(lái)判斷輸出數(shù)據(jù)的過(guò)程在機(jī)器學(xué)習(xí)和人工智能中，預(yù)測(cè)分析可以進(jìn)一步細(xì)分為回歸和分類。下面將對(duì)使用有標(biāo)簽數(shù)據(jù)（有監(jiān)督）進(jìn)行預(yù)測(cè)的兩個(gè)子類進(jìn)行討論。回歸圖1T展示了在回歸方法中輸入有標(biāo)簽數(shù)據(jù)，經(jīng)預(yù)測(cè)模型處理，然后從連續(xù)數(shù)列中生成數(shù)值的過(guò)程（例如股市的閉市價(jià)）。輸人一模型*偷出連續(xù)數(shù)值有標(biāo)簽數(shù)據(jù)閉市價(jià)勺5美元/股數(shù)應(yīng)用包括客戶全周期的股票價(jià)值和凈利潤(rùn)、收入及其增長(zhǎng)預(yù)測(cè)、價(jià)格變動(dòng)、信貸違約風(fēng)險(xiǎn)以及股票交易計(jì)算。分類分類指的是輸入有標(biāo)簽數(shù)據(jù)，經(jīng)過(guò)分類模型處理后，把輸入數(shù)據(jù)分成一類或多類的過(guò)程，如圖所示。垃圾郵件過(guò)濾器是二元分類應(yīng)用的標(biāo)準(zhǔn)案

3、例。電子郵件是經(jīng)分類模型處理后的輸入數(shù)據(jù)，輸出數(shù)據(jù)是確定了的垃圾郵件或者非垃圾郵件，非垃圾郵件專指那些不含垃圾內(nèi)容的好郵件。垃圾郵件會(huì)被送入垃圾箱，而非垃圾郵件則被送入收件箱。假如引入第三個(gè)類別“不確定”，那么分類器現(xiàn)在就可以把輸入的郵件分成三類。因?yàn)槌^(guò)了兩個(gè)類別，所以這是多元分類的例子。在該例子中，電子郵件的客戶端可能有“疑似垃圾郵件”的文件夾供用戶審查每封郵件，并以此訓(xùn)練分類器更好地區(qū)分垃圾與非垃圾郵件。如果要把輸入數(shù)據(jù)分成三類或更多類，那么算法可以為輸入數(shù)據(jù)選擇單一類別或者計(jì)算輸入數(shù)據(jù)屬于每個(gè)類別的概率。在后一種情況下，可以采用概率最大的類別作為選擇的結(jié)果，或者采用所有類別的概率來(lái)按你

4、自己定制的規(guī)則處理。在這種情況下，假定一封剛收到的郵件被確定有85%的可能性是垃圾郵件，10%的可能性是非垃圾郵件，5%的可能性為不確定。因?yàn)槭抢]件的可能性比較高，因此可以判定該郵件為垃圾郵件，或者以其他方式來(lái)使用計(jì)算出的概率最后，某些算法可以為同一輸入分配多個(gè)標(biāo)簽。這里有一個(gè)與圖像識(shí)別相關(guān)的例子，假設(shè)輸入的數(shù)據(jù)是紅蘋(píng)果的圖像，那么算法可以為該圖像分配紅色、蘋(píng)果和水果等多個(gè)不同的標(biāo)簽。該案例為圖像分配所有三個(gè)類別的做法是合適的應(yīng)用包括信用風(fēng)險(xiǎn)、貸款審批和客戶流失。分類可以與本文后續(xù)討論的識(shí)別應(yīng)用相結(jié)合。二、個(gè)性化和推薦系統(tǒng)推薦系統(tǒng)是依據(jù)現(xiàn)有信息進(jìn)行推薦的一種個(gè)性化形式，其結(jié)果與各個(gè)用戶甚為

5、相關(guān)。其可以用來(lái)提高客戶轉(zhuǎn)化率、銷售率、滿意度和留存率。事實(shí)上，亞馬遜就是通過(guò)增加這些引擎把營(yíng)業(yè)收入提高了35%,75%的Netflix觀賞節(jié)目也來(lái)自于這樣的推薦。推薦系統(tǒng)是一種特別的信息過(guò)濾系統(tǒng)。也可以通過(guò)用戶搜索、排名和評(píng)分的辦法來(lái)完成個(gè)性化。推薦系統(tǒng)根據(jù)諸如商品或者用戶等的輸入數(shù)據(jù)，經(jīng)過(guò)推薦模型或者引擎的處理來(lái)完成推薦（例如產(chǎn)品、文章、音樂(lè)、電影），如圖所示。粘人推薦引擎推薦貨晶數(shù)據(jù)堆于內(nèi)容的用口數(shù)據(jù)聯(lián)合過(guò)泄值得一提的是與推薦系統(tǒng)相關(guān)的“冷啟動(dòng)問(wèn)題”。冷啟動(dòng)是指智能應(yīng)用尚未擁有足夠的信息來(lái)為特定用戶或者群體做出高度個(gè)性化和關(guān)聯(lián)度的推薦。例如，用戶尚未產(chǎn)生關(guān)于它們的偏好、興趣或購(gòu)買歷史的信

6、息。另一個(gè)例子是當(dāng)商品（例如衣服、產(chǎn)品、視頻、歌曲）岡I剛面世的時(shí)候。有幾種技術(shù)有助于解決這個(gè)問(wèn)題，但因篇幅所限就不深入討論了。推薦系統(tǒng)應(yīng)用包括推薦產(chǎn)品、視頻、音樂(lè)、歌曲、書(shū)籍和電視節(jié)目（例如亞馬遜、Netflix、Spotify）。除了推薦以外，也包括個(gè)性化的內(nèi)容，包括新聞、報(bào)道、電郵和定向廣告（例如推特）。其他的案例還包括個(gè)性化醫(yī)療計(jì)劃、個(gè)性化圖像和圖標(biāo)（例如YouTube、Netflix、Yelp）、葡萄酒推薦、個(gè)性化購(gòu)物（例如完美的夾克衫搭配）、時(shí)尚穿搭（例如StitchFix）以及全套的自動(dòng)化推薦。三、計(jì)算機(jī)視覺(jué)計(jì)算機(jī)視覺(jué)是一個(gè)廣闊的領(lǐng)域，它包括涉及諸如圖像和視頻之類視覺(jué)信息的模式識(shí)

7、別（下一節(jié)將討論另外一種技術(shù)）。計(jì)算機(jī)視覺(jué)以照片、靜止的視頻圖像和一系列圖像（視頻）作為輸入，經(jīng)過(guò)模型的處理，產(chǎn)生輸出，如圖所示。輸入算法輸出圖像靜止的視頻圖橡系列圖像檢測(cè)識(shí)別發(fā)現(xiàn)動(dòng)作分析輸出可以是識(shí)別、檢測(cè)和發(fā)現(xiàn)某個(gè)目標(biāo)、特征或者活動(dòng)。視覺(jué)相關(guān)的應(yīng)用隱含著一定程度的自動(dòng)化，特別是自動(dòng)化視覺(jué)，通常需要人在應(yīng)用中參與（例如檢查）。機(jī)器視覺(jué)一詞用來(lái)描述在工業(yè)應(yīng)用中的類似或者有一定重疊度的技術(shù)，諸如檢查、過(guò)程控制、測(cè)量和機(jī)器人。計(jì)算機(jī)視覺(jué)有許多有趣而且強(qiáng)大的應(yīng)用，同時(shí)應(yīng)用場(chǎng)景也在快速增加。例如，可以在下述場(chǎng)景中使用計(jì)算機(jī)視覺(jué)：視頻分析和內(nèi)容篩選唇讀指揮自動(dòng)化機(jī)器（例如汽車和無(wú)人機(jī)）視頻識(shí)別和描述視頻

8、字幕識(shí)別像擁抱和握手之類的人際交互動(dòng)作機(jī)器人及其控制系統(tǒng)人群密度估算清點(diǎn)人數(shù)（例如排隊(duì)、基礎(chǔ)設(shè)施規(guī)劃、零售）檢查與質(zhì)量控制零售客戶步行路徑分析以及參與度分析無(wú)人航空器（UAV）經(jīng)常被稱為無(wú)人機(jī)。通過(guò)應(yīng)用計(jì)算機(jī)視覺(jué)，無(wú)人機(jī)能夠執(zhí)行檢查（例如石油管道、無(wú)線信號(hào)塔）完成建筑和區(qū)域搜索、幫助制作地圖和送貨。計(jì)算機(jī)視覺(jué)現(xiàn)在正廣泛應(yīng)用于公安、安保和監(jiān)控。當(dāng)然，這類應(yīng)用也要注意符合倫理道德，保護(hù)人們的利益。計(jì)算機(jī)視覺(jué)還有最后一件事值得一提。通過(guò)看、聞、聽(tīng)、觸和味五大感覺(jué)，人類能夠感知環(huán)境和周圍的世界。感官捕獲信息，然后傳遞到神經(jīng)系統(tǒng)進(jìn)行轉(zhuǎn)換，同時(shí)也決定應(yīng)該采取什么行動(dòng)或者應(yīng)該做出什么樣的反應(yīng)。計(jì)算機(jī)視覺(jué)是對(duì)

9、特定人工智能應(yīng)用視覺(jué)的一種類比。四、模式識(shí)別模式識(shí)別涉及輸入非結(jié)構(gòu)化數(shù)據(jù)，經(jīng)過(guò)模型處理，繼而檢測(cè)是否存在某種特定的模式（檢測(cè)），然后為識(shí)別出的模式分配一個(gè)類別（分類），或者發(fā)現(xiàn)所識(shí)別模式的主題（識(shí)別），如圖所示。這些應(yīng)用的輸入可以包括圖像（包括視頻一一一系列靜止的圖像）、音頻（例如講話、音樂(lè)和聲音）和文本。文本可以根據(jù)其特性進(jìn)一步細(xì)分為電子、手寫(xiě)或者打?。ɡ缂垺⒅?、車牌號(hào)）。以圖像為輸入的目的可能是檢測(cè)目標(biāo)、識(shí)別目標(biāo)、發(fā)現(xiàn)目標(biāo)，或者三者皆有。人臉識(shí)別就是一個(gè)好例子。訓(xùn)練模型來(lái)檢測(cè)圖像中的人臉，并對(duì)檢測(cè)到的目標(biāo)進(jìn)行分類，打上人的標(biāo)簽，這就是目標(biāo)檢測(cè)的例子，這里的目標(biāo)是未經(jīng)識(shí)別的人臉?！皺z測(cè)”

10、用來(lái)指代所發(fā)現(xiàn)的不同于背景的目標(biāo)。其也包括對(duì)目標(biāo)位置的測(cè)量和圍繞被檢測(cè)目標(biāo)邊際框的具體測(cè)量。識(shí)別是指為檢測(cè)到的目標(biāo)分類或打標(biāo)簽的過(guò)程（在本案例中是人臉），識(shí)別會(huì)更進(jìn)一步，并為所識(shí)別的人臉?lè)峙湟粋€(gè)身份，呈現(xiàn)了一些圖像識(shí)別的案例。如圖所示：諸如人臉識(shí)別這樣的生物特征識(shí)別技術(shù)可以用來(lái)為圖中的人自動(dòng)打標(biāo)簽。生物特征識(shí)別的另外一種形式是根據(jù)指紋來(lái)識(shí)別。其他的應(yīng)用包括：讀出視頻和音頻中的文字在圖像上打標(biāo)簽和分類汽車保險(xiǎn)中基于圖像來(lái)評(píng)估汽車受損程度從視頻和音頻中提取信息基于面部和聲音的情感識(shí)別面部表情識(shí)別音頻識(shí)別的應(yīng)用包括：語(yǔ)音識(shí)別將語(yǔ)音轉(zhuǎn)換為文本分離并識(shí)別出講話者基于聲音、實(shí)時(shí)客服和銷售電話的情感智能分析

11、伐木和森林砍伐聲音檢測(cè)缺陷檢測(cè)（例如制造過(guò)程中的缺陷或零配件失效）最后，手寫(xiě)或打印的文本可以通過(guò)光學(xué)字符識(shí)別（OCR）和手寫(xiě)字符識(shí)別轉(zhuǎn)換為電子文檔。文檔也可以轉(zhuǎn)換為語(yǔ)音，但這被認(rèn)為更可能是人工智能的生成性應(yīng)用，而不是識(shí)別性應(yīng)用。本文稍后會(huì)討論生成性應(yīng)用。五、聚類和異常檢測(cè)聚類和異常檢測(cè)是兩種最常見(jiàn)的無(wú)監(jiān)督機(jī)器學(xué)習(xí)技術(shù)。它們也被認(rèn)為是模式識(shí)別技術(shù)。如圖所示：這兩個(gè)過(guò)程都以無(wú)標(biāo)簽數(shù)據(jù)作為輸入，經(jīng)過(guò)相應(yīng)算法（聚類或異常檢測(cè)）的處理，在聚類的場(chǎng)景下完成分組，或者在異常檢測(cè)場(chǎng)景下確定是否屬于異常。我們首先討論聚類。聚類把無(wú)標(biāo)簽數(shù)據(jù)中相似的數(shù)據(jù)聚合成組。具體的組數(shù)由完成聚類任務(wù)的人（通常是數(shù)據(jù)科學(xué)家）決定

12、。并沒(méi)有絕對(duì)正確或者錯(cuò)誤的組數(shù)，但對(duì)某一特定的應(yīng)用，通?？梢酝ㄟ^(guò)試錯(cuò)來(lái)確定理想的組數(shù)。因?yàn)閿?shù)據(jù)沒(méi)有標(biāo)簽，所以聚類者必須為每組指定某種含義或標(biāo)簽以便清楚地描述（例如運(yùn)動(dòng)狂）。然后用模型把新數(shù)據(jù)分配給某個(gè)組，從而假定該組的標(biāo)簽或描述?？梢园堰@個(gè)過(guò)程想象成某種形式的預(yù)測(cè)分類，也就是為每個(gè)新數(shù)據(jù)點(diǎn)分配一個(gè)類（通過(guò)分組標(biāo)簽）。把新數(shù)據(jù)點(diǎn)（例如客戶）分配給集群（細(xì)分市場(chǎng)），會(huì)為我們提供一種可以精準(zhǔn)定位、個(gè)性化以及策略性定位產(chǎn)品的更好方法，并可以用合適的方式來(lái)對(duì)每個(gè)細(xì)分市場(chǎng)的客戶進(jìn)行營(yíng)銷。聚類應(yīng)用包括細(xì)分和聚焦市場(chǎng)與客戶、三維醫(yī)療影像分析、按照購(gòu)物習(xí)慣分類產(chǎn)品以及社交媒體分析。異常檢測(cè)是用來(lái)檢測(cè)異常數(shù)據(jù)（高

13、度不尋常、偏離常規(guī)或畸形）模式的一種技術(shù)。異常檢測(cè)應(yīng)用包括基于音頻的缺陷和裂紋檢測(cè)、網(wǎng)絡(luò)安全、質(zhì)量控制（例如制造缺陷檢測(cè)）以及計(jì)算機(jī)與網(wǎng)絡(luò)系統(tǒng)健康（例如NASA的缺陷和錯(cuò)誤檢測(cè)）。在網(wǎng)絡(luò)安全的異常檢測(cè)應(yīng)用方面，常見(jiàn)的威脅包括惡意軟件勒索軟件、計(jì)算機(jī)病毒、系統(tǒng)和內(nèi)存攻擊、拒絕服務(wù)（DoS）攻擊、網(wǎng)絡(luò)釣魚(yú)、不需要的程序執(zhí)行、憑據(jù)盜竊、數(shù)據(jù)傳輸和盜竊等。毋庸諱言，這方面的異常檢測(cè)場(chǎng)景層出不窮。六、自然語(yǔ)言自然語(yǔ)言是人工智能發(fā)展與應(yīng)用中非常有趣且令人激動(dòng)的領(lǐng)域，通常分成三個(gè)子領(lǐng)域：自然語(yǔ)言處理（NLP）、自然語(yǔ)言生成（NLG）和自然語(yǔ)言理解（NLU）。讓我們分別進(jìn)行討論。1.NLP自然語(yǔ)言處理（NLP

14、）輸入文本、語(yǔ)音或手寫(xiě)形式的語(yǔ)言,經(jīng)過(guò)NLP算法處理后，輸出結(jié)構(gòu)化的數(shù)據(jù)，如圖所示?，F(xiàn)在有很多潛在的NLP場(chǎng)景和輸出。值得一提的是，有時(shí)NLP也被認(rèn)為是NLG和NLU的超集，因此人工智能自然語(yǔ)言應(yīng)用在總體上可以被認(rèn)為是NLP的一種形式。也有人認(rèn)為它是自然語(yǔ)言應(yīng)用的特定集合，我們正在討論的就是其中的一部分。與NLP相關(guān)的具體任務(wù)和技術(shù)包括：量化和目標(biāo)文本分析語(yǔ)音識(shí)別（語(yǔ)音轉(zhuǎn)換為文本）話題模型（例如話題以及文檔中討論的主題）文本分類（例如電視劇權(quán)利的游戲）情感分析（例如正面、負(fù)面、中性）主體檢測(cè)（例如人、地點(diǎn)）命名識(shí)別（例如大峽谷、邁爾斯戴維斯）語(yǔ)義相似性分析（例如不同詞和文本之間在總體上意思的相

15、似性）為部分語(yǔ)音打標(biāo)簽（例如名詞、動(dòng)詞）機(jī)器翻譯（例如英文到法文的翻譯）一個(gè)具體的NLP應(yīng)用涉及公司會(huì)議錄音、文本轉(zhuǎn)換，然后提供會(huì)議總結(jié)，其中包括圍繞不同話題的分析和會(huì)議表現(xiàn),另外一個(gè)應(yīng)用采用NLP來(lái)對(duì)招聘面試進(jìn)行分析，并根據(jù)性別中立性、語(yǔ)調(diào)、措辭等因素給出整體評(píng)分。它還為提高評(píng)分和整體工作描述提供優(yōu)化建議。其他的應(yīng)用還包括：基于情感的新聞聚合情感驅(qū)動(dòng)的社會(huì)媒體調(diào)查以及品牌監(jiān)控基于消息板的父母疫苗關(guān)注分析電影評(píng)論和產(chǎn)品評(píng)論的情感分析動(dòng)物聲音轉(zhuǎn)換現(xiàn)在有許多云服務(wù)提供商通過(guò)NLP服務(wù)和API接口來(lái)提供這方面的一些功能。2.NLGNLG以結(jié)構(gòu)化數(shù)據(jù)的形式來(lái)輸入語(yǔ)言，經(jīng)過(guò)NLG算法處理，產(chǎn)生對(duì)應(yīng)語(yǔ)言作

16、為輸出，這種語(yǔ)言輸出可以是文本或者文本轉(zhuǎn)換為語(yǔ)音的形式。結(jié)構(gòu)化輸入數(shù)據(jù)的案例可以是比賽中運(yùn)動(dòng)員情況的統(tǒng)計(jì)數(shù)據(jù)、廣告效果數(shù)據(jù)或者公司的財(cái)務(wù)數(shù)據(jù)。如圖所示：應(yīng)用包括:根據(jù)句子和文檔自動(dòng)產(chǎn)生文本概述簡(jiǎn)要回顧（例如新聞和體育）關(guān)于圖片的故事業(yè)務(wù)分析報(bào)告概要招聘人員參與醫(yī)院研究自然語(yǔ)言形式的患者醫(yī)院賬單夢(mèng)幻足球選秀總結(jié)和每周比賽回顧房產(chǎn)描述和房地產(chǎn)市場(chǎng)報(bào)告與公司收入報(bào)告相關(guān)的新聞發(fā)布安德烈卡帕西創(chuàng)建的模型可以自動(dòng)產(chǎn)生維基百科文章、嬰兒姓名、數(shù)學(xué)論文、計(jì)算機(jī)代碼和莎士比亞的模型。其他的應(yīng)用包括生成手寫(xiě)文本甚至創(chuàng)作笑話。NLU最后，NLU以語(yǔ)言為輸入（文本、語(yǔ)音或手寫(xiě)），經(jīng)過(guò)NLU算法的處理，產(chǎn)生可以被理解

17、的語(yǔ)言作為輸出，所產(chǎn)生的可理解語(yǔ)言可以用來(lái)采取行動(dòng)、生成響應(yīng)、回答問(wèn)題、進(jìn)行對(duì)話等。如圖所示：語(yǔ)言NLU算法“理解”文本響應(yīng)語(yǔ)音轉(zhuǎn)換対文木基本動(dòng)作乎寫(xiě)轉(zhuǎn)檢為文本“理解”一詞可以非常深?yuàn)W且具有哲學(xué)性質(zhì)，并會(huì)涉及領(lǐng)悟的概念，注意到這一點(diǎn)非常重要。理解所指的能力，往往不僅是領(lǐng)悟信息（與死記硬背相反），而且是把理解的信息與現(xiàn)存知識(shí)整合，并以此作為不斷增長(zhǎng)的知識(shí)基礎(chǔ)。缺乏與人類相似的語(yǔ)言理解和領(lǐng)悟是今天基于自然語(yǔ)言的人工智能應(yīng)用的一大缺憾，其根源在于讓機(jī)器獲取與人類相似的語(yǔ)言理解能力難于上青天。還記得前面關(guān)于人工智能現(xiàn)狀和人工智能難題的討論嗎?這就是一個(gè)明證。在不進(jìn)行全面哲學(xué)討論的情況下，讓我們僅用術(shù)語(yǔ)

18、“理解”來(lái)表示算法（重申，大大簡(jiǎn)化）能夠?qū)斎胝Z(yǔ)言做更多的工作，而不僅是解析并執(zhí)行簡(jiǎn)單的任務(wù)，如文本分析。NLU要解決的問(wèn)題顯然比NLP和NLG（普通人工智能問(wèn)題）難得多,而且NLU是實(shí)現(xiàn)通用人工智能（AGI）的主要基本組成。目前的NLU日益完善，已經(jīng)有了包括個(gè)人虛擬助理、聊天機(jī)器人、客戶成功（支持與服務(wù)）代理、銷售代理等在內(nèi)的應(yīng)用。這些應(yīng)用通常包括某些形式的手寫(xiě)內(nèi)容或語(yǔ)音對(duì)話，經(jīng)常圍繞著信息搜集、問(wèn)題解答或者某些協(xié)助性工具。個(gè)人助理的具體應(yīng)用案例包括諸如亞馬遜的Alexa、蘋(píng)果的Siri、谷歌的Assistant以及Nuance的Nina。聊天機(jī)器人的應(yīng)用案例包括潤(rùn)滑油專家、工作面試、學(xué)生貸

19、款顧問(wèn)和商業(yè)保險(xiǎn)專家。這是人工智能研究非?；钴S和有潛在發(fā)展空間的領(lǐng)域，絕對(duì)值得關(guān)注。七、時(shí)間序列和基于序列的數(shù)據(jù)多數(shù)情況下，數(shù)據(jù)都是按照序列采集的，因此數(shù)據(jù)的序列極為重要而且由特定索引所確定。最為常見(jiàn)的數(shù)據(jù)序列索引是時(shí)間，按時(shí)間排序的數(shù)據(jù)被稱為時(shí)間序列數(shù)據(jù)。每天交易時(shí)段股票的價(jià)格波動(dòng)、DNA序列、物聯(lián)網(wǎng)傳感器數(shù)據(jù)，以及諸如風(fēng)向等科學(xué)現(xiàn)象，都是時(shí)間序列的好例子。時(shí)間序列分析和建?？捎糜趯W(xué)習(xí)、判斷和預(yù)測(cè)基于時(shí)間的事件，包括趨勢(shì)、季節(jié)變動(dòng)、循環(huán)和噪聲。對(duì)某些特定應(yīng)用，字母和單詞的序列也是有效的序列數(shù)據(jù)，這些序列被打上不同的標(biāo)簽，諸如n-grams、skip-grams、句子、段落，甚至語(yǔ)言本身，其中

20、語(yǔ)言是以語(yǔ)音、文字或者電子的方式來(lái)表達(dá)的。另外，音頻和視頻也是序列數(shù)據(jù)。應(yīng)用包括：預(yù)測(cè)（回歸與分類）異常檢測(cè)預(yù)測(cè)貨幣的未來(lái)兌換率健康趨勢(shì)的實(shí)時(shí)追蹤市場(chǎng)預(yù)測(cè)天氣預(yù)報(bào)基于序列的推薦情感分析DNA測(cè)序文本生成序列到序列的預(yù)測(cè)（如機(jī)器翻譯）八、信息搜索、提取、排序和評(píng)分許多強(qiáng)大的人工智能應(yīng)用都圍繞著信息的搜索、提取和排序（評(píng)分）。這特別適用于非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，例如文本文檔、網(wǎng)頁(yè)、圖像和視頻。可以使用這類數(shù)據(jù)（有時(shí)候輔以結(jié)構(gòu)化數(shù)據(jù)）來(lái)提取信息、提供搜索或優(yōu)化處理推薦，以及按照相關(guān)性、重要性或優(yōu)先級(jí)來(lái)對(duì)條目進(jìn)行排序或評(píng)分這組技術(shù)大多都與個(gè)性化有關(guān)，因?yàn)樗阉鹘Y(jié)果和其他條目可以按照針對(duì)某個(gè)用戶或群體的相

21、關(guān)性的大小排列或排序。目前，有許多搜索任務(wù)都是通過(guò)鍵盤(pán)輸入或者語(yǔ)音提供給諸如谷歌這樣的搜索引擎，該引擎使用谷歌獨(dú)有的人工智能搜索算法。電子商務(wù)應(yīng)用也使用他們自己的引擎來(lái)搜索產(chǎn)品，搜索過(guò)程可以由文本、聲音（語(yǔ)音）及視覺(jué)輸入驅(qū)動(dòng)。文本搜索包括谷歌搜索、微軟的Bing，以及分布式、透明和社區(qū)驅(qū)動(dòng)的搜索?；诼曇艉蛨D像的搜索應(yīng)用包括：衣服和時(shí)裝搜索歌曲和藝術(shù)家搜索Pinterest鏡頭搜索圖像和視頻搜索字體搜索視頻搜索基于圖像內(nèi)容進(jìn)行搜索。早就有購(gòu)物應(yīng)用采取這種方式。用戶把拍攝的照片提交給視頻搜索引擎。接著用照片產(chǎn)生相似性搜索結(jié)果，諸如衣服。有些圖像引擎也能以視覺(jué)方式展示相似的其他產(chǎn)品和推薦。除了分類

22、技術(shù)以外，還有排序和評(píng)分技術(shù)，包括下述這些應(yīng)用：銷售線索評(píng)分信息與文檔檢索（例如網(wǎng)頁(yè)搜索）機(jī)器翻譯致病基因搜索與發(fā)現(xiàn)測(cè)定蛋白質(zhì)的順序結(jié)構(gòu)九、強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)（RL）與這里迄今描述過(guò)的人工智能技術(shù)迥然不同（簡(jiǎn)單回想一下前面提到的人類學(xué)習(xí)的方法）?；镜南敕ㄊ怯幸粋€(gè)代理在虛擬環(huán)境中行動(dòng)以獲得積極的回報(bào)。每個(gè)動(dòng)作都會(huì)引起環(huán)境狀態(tài)的變化，而且每個(gè)動(dòng)作都由稱為策略的模型來(lái)決定。策略嘗試確定在給定狀態(tài)下要采取的優(yōu)秀操作。如果暫時(shí)不理解請(qǐng)別擔(dān)心；我會(huì)舉個(gè)例子，希望能解釋得更清楚，很形象地展示了強(qiáng)化學(xué)習(xí)。如圖所示：代理C壞境你可以考慮以游戲吃豆女士（Ms.Pac-Man，為何不是Ms.Pac-Woman?）為

23、例。吃豆女士的目標(biāo)是吃掉屏幕上所有的點(diǎn)，但是更大的目標(biāo)是從可能吃掉的點(diǎn)中獲得最多的分?jǐn)?shù)。為什么得分最多才是真正的目標(biāo)?或者說(shuō)為什么要玩這個(gè)游戲?首先，得分越多，能得到的自由生命就越長(zhǎng)，自由生命越長(zhǎng)就能玩得越久，就可以繼續(xù)積累更多的分?jǐn)?shù)。其次，如果能完成比賽或者創(chuàng)造世界紀(jì)錄，就能獲得正式的“吹牛權(quán)”誰(shuí)不希望呢?在這種情況下，得分是獎(jiǎng)勵(lì)，吃豆女士是代理，環(huán)境是屏幕，參與其中的人（玩家）是通過(guò)操縱游戲控制桿決定采取行動(dòng)的策略。當(dāng)然環(huán)境是有狀態(tài)的。有一個(gè)普通的不易察覺(jué)的情況，那就是在吃豆女士吃屏幕上的點(diǎn)和水果時(shí)，必須躲開(kāi)追趕她的幽靈，還有一個(gè)不可戰(zhàn)勝的情況，那就是當(dāng)吃豆女士吃了無(wú)敵藥丸（我不知道它到底叫什么）后，她就可以吃掉幽靈從而得到很多額外的分。決定無(wú)敵與非無(wú)敵的是環(huán)境狀態(tài)的變化，也是代理人在環(huán)境