智能計(jì)算平臺(tái)應(yīng)用開發(fā)（中級(jí)）-第2章-人工智能與平臺(tái)搭建-人工智能簡(jiǎn)介

第2章人工智能與平臺(tái)搭建人工智能簡(jiǎn)介集成開發(fā)環(huán)境常用人工智能應(yīng)用框架人工智能簡(jiǎn)介人工智能人工智能（ArtificialIntelligence，AI）是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖試圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器。人工智能簡(jiǎn)介人工智能人工智能從誕生以來(lái)，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，可以設(shè)想，未來(lái)人工智能帶來(lái)的科技產(chǎn)品，將會(huì)是人類智慧的“容器”。人工智能是涵蓋范圍十分廣泛的科學(xué)，領(lǐng)域包含機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等?？傮w而言，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。人工智能應(yīng)用領(lǐng)域機(jī)器人語(yǔ)言識(shí)別圖像識(shí)別自然語(yǔ)言處理專家系統(tǒng)……人工智能發(fā)展人工智能被確立為一門學(xué)科在20世紀(jì)40年代和50年代，來(lái)自不同領(lǐng)域（數(shù)學(xué)、心理學(xué)、工程學(xué)、經(jīng)濟(jì)學(xué)和政治學(xué)）的一批科學(xué)家開始探討制造人工大腦的可能性。1956年，人工智能被確立為一門學(xué)科。在1956年達(dá)特茅斯會(huì)議中提出了“學(xué)習(xí)或者智能的任何其他特性的每一個(gè)方面都應(yīng)能被精確地加以描述，使得機(jī)器可以對(duì)其進(jìn)行模擬?！?，此外，在會(huì)上麥卡錫說(shuō)服與會(huì)者接受“人工智能”一詞作為本領(lǐng)域的名稱。在1956年達(dá)特茅斯會(huì)議上，人工智能的名稱和任務(wù)得以確定，同時(shí)出現(xiàn)了最初的成就和最早的一批研究者，因此這一事件被廣泛認(rèn)為是人工智能誕生的標(biāo)志。人工智能發(fā)展人工智能的第一次浪潮達(dá)特茅斯會(huì)議之后的數(shù)年是人工智能的第一次浪潮。對(duì)許多人而言，這一階段開發(fā)出的程序堪稱神奇，計(jì)算機(jī)可以解決代數(shù)應(yīng)用題、證明幾何定理、學(xué)習(xí)和使用英語(yǔ)，當(dāng)時(shí)大多數(shù)人幾乎無(wú)法相信機(jī)器能夠如此“智能”。研究者們?cè)谒较碌慕涣骱凸_發(fā)表的論文中表達(dá)出相當(dāng)樂(lè)觀的情緒，認(rèn)為具有完全智能的機(jī)器將在二十年內(nèi)出現(xiàn)。同時(shí)，DARPA（國(guó)防高等研究計(jì)劃署）等政府機(jī)構(gòu)向這一新興領(lǐng)域投入了大筆資金。人工智能發(fā)展人工智能的第一次低谷在70年代，人工智能進(jìn)入了第一次低谷。這一階段人工智能開始遭遇批評(píng)，隨之而來(lái)的還有因?yàn)槿斯ぶ悄苎芯空邆儗?duì)其課題的難度未能做出正確判斷，使投資者縮減或取消對(duì)人工智能的投資，所帶來(lái)的資金上的困難。同時(shí)，由于馬文·閔斯基對(duì)感知器的激烈批評(píng)，所以聯(lián)結(jié)主義（即神經(jīng)網(wǎng)絡(luò)）銷聲匿跡了十年。在70年代后期，盡管遭遇了公眾的誤解，人工智能在邏輯編程、常識(shí)推理等一些領(lǐng)域還是有所進(jìn)展的。人工智能發(fā)展人工智能的第二次浪潮在80年代，人工智能進(jìn)入了第二次浪潮。一類名為“專家系統(tǒng)”的人工智能程序開始被全世界的公司所采納，而“知識(shí)處理”成為主流人工智能研究的焦點(diǎn)。同時(shí)，日本政府在同一年代積極投資人工智能以促進(jìn)其第五代計(jì)算機(jī)工程的發(fā)展。此外，物理學(xué)家JohnHopfield證明一種新型的神經(jīng)網(wǎng)絡(luò)（現(xiàn)被稱為“Hopfield網(wǎng)絡(luò)”）能夠用一種全新的方式學(xué)習(xí)和處理信息。DavidRumelhart推廣了反向傳播算法——一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。這些發(fā)現(xiàn)使1970年以來(lái)一直遭人遺棄的聯(lián)結(jié)主義重獲新生。人工智能發(fā)展人工智能的第二次低谷在80年代末到90年代初，人工智能進(jìn)入了第二次低谷，遭遇了一系列財(cái)政問(wèn)題。1987年，人工智能硬件市場(chǎng)的需求突然下跌。Apple和IBM生產(chǎn)的臺(tái)式機(jī)性能不斷提升，到1987年時(shí)其性能已經(jīng)超過(guò)了Symbolics和其他廠家生產(chǎn)的昂貴的Lisp機(jī)。老產(chǎn)品失去了存在的理由，一夜之間這個(gè)價(jià)值五億美元的產(chǎn)業(yè)土崩瓦解。到了80年代晚期，戰(zhàn)略計(jì)算促進(jìn)會(huì)大幅削減對(duì)人工智能的資助。人工智能發(fā)展人工智能的第三次浪潮在90年代中末期，人工智能進(jìn)入了第三次浪潮。人工神經(jīng)網(wǎng)絡(luò)的一些主要研究力量轉(zhuǎn)向推動(dòng)人工智能發(fā)展，先以貝葉斯網(wǎng)絡(luò)推理為主流，后又將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)研究進(jìn)一步推廣為研究各種機(jī)器學(xué)習(xí)方法。此次浪潮帶動(dòng)模式識(shí)別與機(jī)器視覺方向的研究再度趨熱，包括集成電路、無(wú)線通信、互聯(lián)網(wǎng)、信息采集、傳感控制和物聯(lián)網(wǎng)等多種技術(shù)的積累，以及海量數(shù)據(jù)和超級(jí)計(jì)算能力的提升。大數(shù)據(jù)與人工智能數(shù)據(jù)（data）是事實(shí)或觀察的結(jié)果，是對(duì)客觀事物的邏輯歸納，是用于表示客觀事物的未經(jīng)加工的原始素材。數(shù)字文字音頻字母數(shù)字符號(hào)的組合客觀事物的屬性、數(shù)量、位置和其相互關(guān)系的抽象表示大數(shù)據(jù)與人工智能大數(shù)據(jù)（BigData）大數(shù)據(jù)（BigData）是指無(wú)法在一定時(shí)間范圍內(nèi)用常規(guī)軟件工具進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合，是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。在維克托·邁爾-舍恩伯格及肯尼斯·庫(kù)克耶編寫的《大數(shù)據(jù)時(shí)代》中，大數(shù)據(jù)是指不采用隨機(jī)分析法（抽樣調(diào)查）這樣的捷徑，而是采用所有數(shù)據(jù)進(jìn)行分析處理。大數(shù)據(jù)與人工智能大數(shù)據(jù)的5V特點(diǎn)。Volume（大量）Velocity（高速）Variety（多樣）Value（低價(jià)值密度）Veracity（真實(shí)性）大數(shù)據(jù)與人工智能麥肯錫全球研究所對(duì)大數(shù)據(jù)定義是：一種規(guī)模大到在獲取、存儲(chǔ)、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫(kù)軟件工具能力范圍的數(shù)據(jù)集合，具有以下特征。海量的數(shù)據(jù)規(guī)模快速的數(shù)據(jù)流轉(zhuǎn)多樣的數(shù)據(jù)類型價(jià)值密度低大數(shù)據(jù)與人工智能大數(shù)據(jù)與人工智能大數(shù)據(jù)與人工智能屬于一種相輔相成、互促發(fā)展的關(guān)系。大數(shù)據(jù)是人工智能發(fā)展的基石，任何智能的發(fā)展都需要一個(gè)學(xué)習(xí)的過(guò)程。而近期人工智能之所以能取得突飛猛進(jìn)的進(jìn)展，是因?yàn)檫@些年大數(shù)據(jù)長(zhǎng)足發(fā)展的結(jié)果。正是由于各類感應(yīng)器和數(shù)據(jù)采集技術(shù)的發(fā)展，才能得以擁有以往難以想象的海量數(shù)據(jù)。同時(shí)，人工智能也開始在某一領(lǐng)域擁有深度的、細(xì)致的數(shù)據(jù)。大數(shù)據(jù)與人工智能如果把人工智能看成一個(gè)嗷嗷待哺擁有無(wú)限潛力的嬰兒，那么某一領(lǐng)域?qū)I(yè)的、海量的和深度的數(shù)據(jù)就是喂養(yǎng)這個(gè)天才的奶粉，奶粉的數(shù)量決定了嬰兒是否能長(zhǎng)大，而奶粉的質(zhì)量則決定了嬰兒后續(xù)的智力發(fā)育水平。數(shù)據(jù)人工智能大數(shù)據(jù)與人工智能人工智能的發(fā)展促進(jìn)大數(shù)據(jù)的發(fā)展。大數(shù)據(jù)的處理主要針對(duì)大規(guī)模無(wú)規(guī)則數(shù)據(jù)處理。人工智能的發(fā)展可以確保數(shù)據(jù)的采集和分析處理等過(guò)程的實(shí)現(xiàn)，同時(shí)讓數(shù)據(jù)的顯示結(jié)果規(guī)制和事件驅(qū)動(dòng)的履行與數(shù)據(jù)流一樣高速。大數(shù)據(jù)數(shù)據(jù)采集數(shù)據(jù)存儲(chǔ)數(shù)據(jù)管理數(shù)據(jù)分析大數(shù)據(jù)與人工智能人工智能對(duì)大數(shù)據(jù)應(yīng)用投資回報(bào)的貢獻(xiàn)主要體現(xiàn)在兩個(gè)方面：促進(jìn)數(shù)據(jù)科學(xué)家們的多產(chǎn)性；發(fā)現(xiàn)一些被忽視的方案。在很多情況下，人工智能是大數(shù)據(jù)創(chuàng)新的最佳投資回報(bào)，人工智能的發(fā)展也讓大數(shù)據(jù)的分析更上一層樓。大數(shù)據(jù)挖掘機(jī)器學(xué)習(xí)與深度學(xué)習(xí)機(jī)器學(xué)習(xí)（MachineLearning）機(jī)器學(xué)習(xí)（MachineLearning）是關(guān)于計(jì)算機(jī)系統(tǒng)使用的算法和統(tǒng)計(jì)模型的科學(xué)研究，被視為人工智能的一個(gè)子集，主要研究計(jì)算機(jī)如何自動(dòng)獲取知識(shí)和技能，實(shí)現(xiàn)自我完善。機(jī)器學(xué)習(xí)算法是建立在一個(gè)樣本數(shù)據(jù)集（稱為“訓(xùn)練數(shù)據(jù)”）上，在沒有明確編程指示的情況下，根據(jù)任務(wù)的情況做出預(yù)測(cè)或決策的數(shù)學(xué)模型。機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于各種各樣的應(yīng)用，如電子商務(wù)中的智能推薦和垃圾郵件判定等。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)機(jī)器學(xué)習(xí)與計(jì)算統(tǒng)計(jì)學(xué)密切相關(guān)，計(jì)算統(tǒng)計(jì)學(xué)主要用于解決計(jì)算機(jī)的預(yù)測(cè)問(wèn)題。數(shù)學(xué)優(yōu)化的研究為機(jī)器學(xué)習(xí)領(lǐng)域提供了方法、理論和應(yīng)用領(lǐng)域。數(shù)據(jù)分析是機(jī)器學(xué)習(xí)中的一個(gè)研究領(lǐng)域，其重點(diǎn)是通過(guò)無(wú)監(jiān)督學(xué)習(xí)進(jìn)行探索性數(shù)據(jù)分析。“機(jī)器學(xué)習(xí)”這個(gè)名詞是由阿瑟·塞繆爾于1959年提出的。湯姆·M·米切爾給機(jī)器學(xué)習(xí)領(lǐng)域中所研究的算法下了一個(gè)被廣泛引用、更為正式的定義：“如果一個(gè)計(jì)算機(jī)程序在任務(wù)T（由P來(lái)度量）中的表現(xiàn)隨經(jīng)驗(yàn)E而改善，那么我們稱該程序從經(jīng)驗(yàn)E中學(xué)習(xí)?！边@個(gè)對(duì)機(jī)器學(xué)習(xí)所涉及任務(wù)的定義提供了一個(gè)基礎(chǔ)的操作定義而非認(rèn)知上的定義。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)深度學(xué)習(xí)（DeepLearning），也稱“階層學(xué)習(xí)”或“分層學(xué)習(xí)”，是機(jī)器學(xué)習(xí)的分支，是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法。深度學(xué)習(xí)通過(guò)組合低層特征形成更抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)的優(yōu)勢(shì)是用無(wú)監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法替代手工獲取特征。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)深度學(xué)習(xí)框架全連接神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)深度置信網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)……深度學(xué)習(xí)框架應(yīng)用領(lǐng)域計(jì)算機(jī)