人工智能入门

确定性计算，符号主义（早期人工智能）

 

不确定性计算：建模、机器学习（世界的随机性、不确定性和动态性 - 需要模式识别（学习）的能力，从数据中总结规律）

 

智能即学习。人类的学习，是有类比思维的，得出方法论、哲学；机器的学习，只是在训练特征参数，没有灵性。

 

 

机器学习常见的问题

 

机器学习的经典模型，决策树

 

信息熵，表示信息量的大小。越不确定的信息，信息熵越大，信息的“纯度”越低。

信息增益，经过某个分支后，信息熵的减小量。某个分支的信息增益越大，则该分支对样本集划分所获得的“纯度”越大，信息不确定性减少的程度越大。

 

 

仿生派：如果我们想要学飞翔，就得向“飞鸟”来学习。

 

神经网络：模拟人脑神经元的连接来达到学习功能，通过逐层抽象将输入数据逐层映射为概念等高等语义。

 

 

 

 

神经网络 & 深度学习。模拟神经元信号传递，分层构建模型、分层训练学习。

 

神经元的功能：

 

 

激活函数：决定激活下游的哪些神经元的函数？？？

反向传播：求解出神经网络模型中权重层对代价函数的偏导数，然后我们就可以使用梯度下降法来更新模型权重。

 

 

几种经典神经网络：

 

卷积神经网络（CNN），对空间拓扑相关的数据建模。一般应用是图片识别、智能驾驶等

 

 

 

 

 

循环神经网络（RNN），对顺序敏感的序列数据进行建模。一般应用是预测计算、自然语言处理等