人工智能的算法理论支撑

【产业链图谱 | 人工智能产业链图谱_人工智能产业链全景图】

【研究报告 | 人工智能行业研究报告】

【研究报告 | 中国算法软件开发行业现状及发展趋势分析研究报告】

　　人工智能的技术应用已经在生活中得到广泛的普及，智能家居，服务机器人，智能机器人都为我们带来了和以往电子产品不一样的使用经历，那这种类人脑的背后是怎样的理论研究呢。

　　深度学习-能够实现机器学习的技术

　　1，机器学习概念

　　机器学习可以分析数据，并从中汲取数据，并根据情景使用数据进行预测/真相/确定。 机器基本上正在接受培训，或者真正地进行自我培训，学习如何正确地完成分析过的所有数据。 它正在建立自己的逻辑和解决方案。

　　机器学习可以用一堆不同的算法完成，如：

　　• 随机森林和决策树：一个简单的树预测的集合或集合，每个都可以产生一个响应，就像Netflix建议根据你的星级评定电影。

　　• 线性回归：预测具有无限结果的分类结果的价值，例如根据市场来确定可以卖出多少汽车。

　　• Logistic回归：预测一个有限数量的可能值的分类结果的价值，如找出是否可以出售一辆汽车一定的成本。

　　• 分类：将数据放入不同的组，如提交文件或电子邮件。

　　• 朴素贝叶斯：一个算法家族都有一个共同的原则，即被分类的每个特征与任何其他特征的价值无关，如预测儿童照片中的快乐。有很多人都做不同的事情，是算法家庭的一部分，和/或一起工作或一起工作。

　　机器学习算法还包括监督学习和无监督学习。监督学习需要一个人输入数据和解决方案，但允许机器弄清楚两者之间的关系。无监督是在一定的情况下随机的数字/数据，并要求电脑找到一个关系和解决方案。 这有点像在黑暗中拍摄目标，直到你打开灯，你不知道你打的是什么。

　　2，机器学习举例：

　　假设你想创建一个能够根据人的身高估算体重的系统(也许你出自某些理由对这件事情感兴趣)。那么你可以使用机器学习去找出任何可能的错误和数据捕获中的错误，首先你需要收集一些数据，制作成图，图中的每一个点对应一个数据，我们可以画出一条简单的斜线来预测基于身高的体重

　　例如这条斜线：Weight (in kg) = Height (in cm) - 100

　　这些斜线能帮助我们作出预测，尽管这些斜线表现得很棒，但是我们需要理解它是怎么表现的，我们希望去减少预测和实际之间的误差，这也是衡量其性能的方法。

　　深远一点地说，我们收集更多的数据 (experience)，模型就会变得更好。我们也可以通过添加更多变量(例如性别)和添加不同的预测斜线来完善我们的模型。

　　深度学习-实现机器学习的方法

　　深度学习的“深度”其实是代表神经网络中众多的层。

　　先了解人工神经网络。

　　人工神经网络(Artificial Neural Networks)是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

　　例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。

　　每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。

　　我们以停止(Stop)标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。

　　这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌;7%的可能是一个限速标志牌;5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。

　　神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子。当训练层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络时，才是训练结果误差度较低的事件。

　　归纳来讲，机器学习就是通过模拟两数据的关系，训练出一条因量和变量关系，类比我们学习的数学公式，再通过大量的数据来增加这个公式的可靠性，和神经网络相同，背后都需要大量的数据支撑，这也代表这人工智能的科技发展和数据量切实相关，也是人工智能和大数据的关系。