汕头制作网站软件,wp去掉又一个WordPress,临沂网站建设推荐,win2012 iis配置网站一.人工智能的概念
人工智能#xff08;artificial intelligence,AI#xff09;是利用数字计算机或者数字计算机控制的机器模拟#xff0c;延伸和扩展人的智能#xff0c;感知环境#xff0c;获取知识并使用知识获取最佳结果的理论#xff0c;方法技术及应用系统。人工…一.人工智能的概念
人工智能artificial intelligence,AI是利用数字计算机或者数字计算机控制的机器模拟延伸和扩展人的智能感知环境获取知识并使用知识获取最佳结果的理论方法技术及应用系统。人工智能的目标是了解智能 的实质并产生一种新的能以人类智能相似的方式 做出反应的智能 机器。该领域的研究包括机器人自然语言处理计算机视觉和专家系统等。 根据人工智能是否真正实现推理思考和解决问题可将人工智能分为弱人工智能 和强人工智能。
1.弱人工智能
弱人工智能是指不能真正实现推理和解决问题的智能机器这些机器表面看像是智能的但是并不是真正拥有智能也不会有自主意识。迄今为止的人工智能系统都还是实现特定功能的专用智能而不是像人类智能那样能够不断适应复杂的新环境并不断涌现新的功能因此都还是弱人工智能。目前的主流研究还是集中于弱人工智能并取得了显著进步如在语音识别图像处理和物体分别机器翻译等方面都 取得重大突破某些方面甚至可以接近或者超越人类水平。
2.强人工智能
强人工智能是指真正能思维的智能机器并且认为这样的机器是有知觉的和自我意识的这类机器人可以分为类人机器的思考和推理类似人的思维与非类人机器产生了和人完全不一样的知觉和意识使用和人完全不一样的推理方式两大类。
二.人工智能的关键技术
1.自然语言处理natural language processing NLP 自然语言处理是计算机 科学与语言学的交叉学科也是人工 智能的重要方向研究实现人与计算机之间用自然语言进行的各种理论和方法。自然语言处理涉及的领域主要 包括机器翻译语义理解和问答系统等。
2.计算机视觉computer vision
计算机视觉是使用计算机模仿人类视觉系统的科学让计算机有类似人类 提取处理理解和分析图形序列的 能力将图像分析任务分解为便于管理的小任务自动驾驶机器人智能医疗等领域均需要通过计算机 视觉技术从视觉信号中提取并处理信息。
3.知识图谱knowledge graph
知识图谱本质上是结构化的语义知识库是一种由节点和边组成的图数据结构以符号形式描述物理世界中的概念及其相互关系。知识图谱就是把所有不同种类的信息连接在一起而得到一个关系网络提供了从关系的角度去分析问题的能力。
4.人机交互human computer interaHCI 人机交互主要研究人和计算机的信息交换包括人到计算机 和计算机到人的 两部分信息交换是人工智能领域的重要的外围技术 。
5.虚拟现实 或增强现实VR、AR 虚拟现实或增强现实是以计算机为核心的新型视听技术。结合相关科学技术在一定范围内生成与真是环境在视觉听觉等方面高度近视的 数字化环境。用户借助必要的装备 与数字化环境的对象进行交互相互影响获得近似真实环境的感受与体验通过显示设备 跟踪定位设备触力觉交互设备数据获取设备 专用芯片等实现。 6.机器学习machine learning ML 机器学习是人工智能的核心研究领域之一是一门涉及统计学系统辨识逼近理论神经网络优化理论计算机 科学脑科学等诸多领域的交叉学科。其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。
6.1机器学习定义 广义上来说机器学习指专门研究计算机怎么模拟或实现人类的学习行为以获取新的知识或技能 的学科试计算机 重新组织已有的组织结构并不断改善自身的性能。更精确地说一个机器学习的程序就是可以从经验数据中对任务 进行学习的算法。 6.2机器学习的分类 监督学习 监督学习是利用已标记的有限训练数据集通过某种学习策略、方法简历一个模型从而实现对新数据。实例的标记映射。 无监督学习无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构、规律。无监督学习不需要以人工标注数据作为训练样本。
半监督学习半监督学习介于监督学习和无监督学习之间可以利用少量的标注样本和大量的未标注样本进行训练和分类从而达到减少标注代价提高学习能力的目的。 强化学习强化学习可以学习从环境状态到行为的映射使得智能体选择的行为能够活的环境的最大奖赏最终能目标是使外部环境对学习系统在某种意义下的评价最佳。 6.3 机器学习综合应用 机器学习已经无处不在应用遍及人功能智能的各个领域包括数据挖掘计算机视觉自然语言处理语音和手写识别生物特征识别搜索引擎医学诊断等。
6.4 机器学习的未来 机器学习虽然取得了长足的进步也解决了很多实际问题但是客观来说机器学习领域仍然存在巨大的挑战。首先主流的机器学习是黑箱技术因此就无法预知暗藏的危机为了解决这个问题需要让机器学习具有可理解性可干预性。其次目前主流的机器学习的计算成本很高亟待发明轻量级的机器学习算法。如此的挑战还有很多但是由于学习领域具有巨大的研究和应用潜能研究者们对于这个领域未来的仍然充满信心。
