认识达内从这里开始

随着社会的不断发展，人工智能成为了当下互联网中比较热门的探讨话题，今天，我们就一起来给大家简单介绍一下，成都人工智能技术的一些基本概念和运行的原理都有哪些。

简单地说，AI就是机器实现的人类智能，即让计算机实现原来只有人类才能完成的任务，即能够以人类智能相似的方式来解决问题，包括计算智能、感知智能、认知智能等。最早(1956年)提出的AI是通用的AI概念，即指拥有人类的所有感觉、理智，能够像人类一样思考的神奇机器。现在还很难做到，就退而求其次，机器能够将特殊任务处理得同人类一样好(甚至超过人类处理的结果)，如图像分类、人脸识别等，这就出现了机器学习(狭义的人工智能)。而在机器学习中，深度学习是最有效的一类算法，目前在深度学习上我们已经获得极大成功，AlphaGo就是一个范例。也有学者说，复杂的中国驾驶场景，正是深度学习的优势。自动驾驶是深度学习和增强学习融合而成的机器学习。所以从时间看，上个世纪50、60年代就开始提AI，然后到了80年代提出机器学习，而深度学习直到2010年才获得实质性的突破。

AI具体体现在机器人、语言识别、图像识别、自然语言处理和专家系统等方面，主要包括以下几个方面的应用：

人类感情:分析人脸特征,应对人类感情(心理治疗)和识别罪犯，如英国机器人索非亚就能展现多种表情。

自然语言处理：语言上下文的理解、生成、翻译、改编，如机器翻译、机器新闻编辑等。

视觉和图像处理：视觉情感、对象识别(如人脸识别、指纹识别)、行为识别、活动识别、自动驾驶等。

语音：语音识别、声音鉴别、吟诵(语音合成+上下文理解+人类情感模拟，包括诗词吟诵，甚至有一天说相声、说评书)等。

机器人：机器学习、多机器人协同(多机器人系统)、多腿行走、感性认知等。

基于概率的推论：常识、行为推理、非单调性推理等。

从技术上看，AI目前依赖机器学习来实现，而机器学习的主要算法来自深度学习的算法。在机器学习上，主要的算法有：

感知器(Perceptron)二元线性分类算法，属于有监督学习。

SVM(Supportvectormachine，支持向量机)，也是线性分类算法，找到“最大间隔”的划分超平面。

集成学习：主要有Bagging、Boosting，将多个弱分类器组合成强分类器，从而提升分类效果。

RBM(RestrictedBoltzmannMachine，受限玻尔兹曼机)是一种用随机神经网络来解释的概率图模型(probabilisticgraphicalmodel)。

DBN(DeepBeliefNetworks，深度信念网络)是基于RBM发展而成的深度学习的核心算法，得益于对比散度(ContrastiveDivergence,CD)的高效近似算法。它由若干层RBM级联而成，绕过了多隐层神经网络整体训练的难题，将其简化为多个RBM的训练问题，使得识别效果和计算性能得到显著提升。

DBM(deepboltzmannmachines，深度玻尔兹曼机)，类似DBN，深层次的数据拟合，多个RBM连接起来构成DBM，模仿人脑多层神经元对输入数据进行层层预处理，但DBM是无向图，还可以延伸出自编码神经网络和栈式神经网络。

RNN(RecurrentNeuralNetworks，递归神经网络)神经元的输出可以在下一个时间戳直接作用到自身。

CNN(ConvolutionalNeuralNetwork，卷积神经网络)是一种前馈的、深层的、非全连接的神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，适用于大型图像的处理。

SparseCoding(稀疏编码)是根据降低变量相关性的方法之一是降低个体的熵，从而寻找一个最小熵编码，使得每个系数的概率分布是单模态并且在0处是峰分布的低熵(low-entropy)方法。

BayersNet，贝叶斯网络是一个带有概率注释的有向无环图，其概率是利用贝叶斯公式计算出其后验概率。贝叶斯分类器是用于分类的贝叶斯网络，主要有四种：NaiveBayes、TAN、BAN和GBN。