人工智能（一）基本概念

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 Network，ANN），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。