南京中小企业网站制作,平面设计培训机构排行,wordpress在线邮箱验证,wordpress设置假阅读量人工智能之基本概念 常见问题什么是人工智能#xff1f;人工智能应用在那些地方#xff1f;人工智能的三种形态图灵测试是啥#xff1f;人工智能、机器学习和深度学习之间是什么关系#xff1f;为什么人工智能计算会用到GPU#xff1f; 机器学习什么是机器学习#xff1f… 人工智能之基本概念 常见问题什么是人工智能人工智能应用在那些地方人工智能的三种形态图灵测试是啥人工智能、机器学习和深度学习之间是什么关系为什么人工智能计算会用到GPU 机器学习什么是机器学习标签、特征、样本、模型监督学习、无监督学习、半监督学习、弱监督学习、自监督学习强化学习、对抗学习、对比学习回归和分类聚类模式识别和机器学习的区别 神经网络什么是神经网络神经网络的逻辑架构 常见问题
什么是人工智能
人工智能Artificial Intelligence,AI根据对环境的感知做出合理行动并获得最大收益的计算程序。
人工智能应用在那些地方
计算机视觉Computer Vision,CV图像分类、物体检测、语义分析、视频分析等等。 语音识别Speech Recognition,SR声纹识别、语音合成。 自然语言处理Natural Language Processing,NLP机器翻译、阅读理解、自动摘要、文本分类、中文分词。 推荐系统Recommendation System实现个性化推荐例如抖音。 专家系统Expert System模拟人类专家解决特定的问题专家系统知识库推理机。
人工智能的三种形态
弱人工智能 Artificial Narrow Intelligence, ANI擅长与单个方面的人工智能例如围棋大胜中韩顶尖高手的阿尔法狗。 强人工智能Artificial General Intelligence, AGI人类级别的人工智能指在各方面都能和人类比肩的人工智能目前还做不到。 超人工智能 Artificial Super Intelligence, ASI几乎所有领域都比最聪明的人类大脑都聪明很多小说电影里面经常见到。
图灵测试是啥
图灵测试The Turing test是用来判断机器是否又类似人类“智能”的测试。测试人在与被测试者(一个人和一台机器)隔开的情况下通过一些装置如键盘向被测试者随意提问如果有超过30%的测试者不能确定被测者是人还是机器那么这个机器就通过了图灵测试。
人工智能、机器学习和深度学习之间是什么关系
机器学习是实现人工智能最常用的方法而深度学习是机器学习的一个分支主要用于神经网络。 人工智能机器学习深度学习神经网络。
为什么人工智能计算会用到GPU
CPU和GPU的区别 结构上来说虽然CPU和GPU都有控制单元、运算单元和缓存但是CPU需要大量空间存放控制单元和缓存而GPU中运算单元占了大部分。 功能上来说由于结构上占比所以CPU在大规模并行计算能力上极受限制而更擅长逻辑控制。而GPU有数量众多的计算单元和超长的流水线非常适合计算海量同类型处理的数据。
GPU比CPU的优势在于能提供高性能的并行运算而对模型训练常常需要大规模的数据集可以通过算法并行优化来提高运行效率。
机器学习
什么是机器学习
机器学习Machine Learning从数据中自动分析获得模型并利用模型对未知数据进行预测。 例如人脸识别从大量的人脸数据集中训练得到模型模型可以对没见过的图片进行人脸识别。
标签、特征、样本、模型
标签输出变量例如要判断图片动物品种这个品种结果就是标签。 特征输入变量例如要判断图片动物品种动物有没有角、毛发等就是特征。 样本指的是数据特定的实例分为有标签样本标签特征和无标签样本特征。 模型模型定义了特征和标签之间的关系通过训练后的模型来预测无标签样本的标签。
监督学习、无监督学习、半监督学习、弱监督学习、自监督学习
监督学习Supervised Learning训练数据有输入值也有输出值也就是既有特征也有标签训练其能够给数据正确的标签。 无监督学习Unsupervised Learning训练数据是没有输出值的有特征没有标签训练其能够对观察值就行分类或区分。
弱监督学习Weakly Supervised Learning只有很弱的标签但是要去完成一个很强的任务。例如要对目标进行分割但是数据的标签只有类别没有位置。 半监督学习Semi-supervised Learning利用少量有标签的数据和大量无标签的数据来训练网络减少标注成本。通常分为两个阶段训练先用有标签数据训练一个Teacher模型再用Teacher模型对无标签数据预测伪标签让伪标签的数据集作为Student模型的训练数据。 自监督学习Self-supervised Learning 属于无监督的一个分支它的目标是更好地利用无监督数据提升后续监督学习任务的效果。首先定义一个Pretext task (辅助任务)即从无监督的数据中通过巧妙地设计自动构造出有监督伪标签数据学习一个预训练模型。
强化学习、对抗学习、对比学习
强化学习Reinforcement Learning通过不断试错来学习需要和环境大量的交互尝试例如AlphaGo。 对抗学习Adversarial Learning 一些精心设计的对抗样本可以使机器学习模型输出错误的结果研究有什么办法攻击学习器。 对比学习Contrastive Learning是一种自监督学习的方法通过学习目标之间的相似性来判断目标的类别。对比学习被称为自监督学习是因为人们可以使用代理任务Pretext task来定义谁与谁相似。
回归和分类
监督学习分为两大类问题回归和分类。 回归预测连续值例如某地区的房价。 分类预测离散值例如判断图片动物配种。
聚类
聚类聚类属于无监督学习是一种数据分组技术。可以把数据组的每个数据划分到特定组里相似的数据处在同一簇不相似数据处在不同簇。 和分类的区别分类是一开始就知道要分多少种类而聚类是不会事先预定类别。
模式识别和机器学习的区别
模式识别根据样本的特征将样本划分到一定的类别中去通常分为分类已知类别和聚类创建新类别。
模式识别和机器学习的区别机器学习是从大量数据中自动分析获得规律并利用规律对未知数据进行预测模式识别根据样本的特征将样本划分到一定的类别中去其过程包括特征提取与选择、训练学习和分类识别。
神经网络
什么是神经网络
神经网络Neural Network又称为人工神经网络Artificial Neural NetworkANN模仿神经网络来模拟大脑。
神经网络的逻辑架构
神经网络的逻辑架构输入层、中间层、输出层。 输入层负责接收信号。 中间层又称之为隐藏层对数据的分解与处理。 输出层最后的结果会被整合到输出层。
节点图中的每个圆是一个节点相当于模拟了大脑神经元。 激活函数每个节点代表一种特定输出函数通常称为激活函数。 权重每两个节点之间的联接的加权值称之为权重。
运作方式每个节点会获得输入值通过激活函数计算得到输出值输出值通过联接权重的加权传给下一个节点或者直接输出。
