当前位置: 首页 > news >正文

人工智能概要

目录

  • 前言
  • 1.什么是人工智能(Artificial Intelligence, AI)
  • 2.人工智能发展的三次浪潮
    • 2.1 人工智能发展的第一次浪潮
    • 2.2 人工智能发展的第二次浪潮
    • 2.3 人工智能发展的第三次浪潮
  • 3.人工智能发展的必备三要素
    • 3.1 数据
    • 3.2 算法(algorithm)
    • 3.3 算力
  • 4.机器学习(Machine Learning)
    • 4.1 有监督学习(Supervised learning)
    • 4.2 无监督学习(Unsupervised Learning)
    • 4.3 强化学习(Reinforcement Learning,RL)

前言

本文旨在使读者对人工智能这个领域有一个大概的了解,包括人工智能的历史、人工智能发展的必备三要素和经典算法机器学习的分类。

国内外知名人工智能企业榜单
在这里插入图片描述

1.什么是人工智能(Artificial Intelligence, AI)

首先,人工智能是一个学科,而不是一个行业。
人工智能是一门研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的科学,其研究的内容主要包括:机器学习、计算机视觉、智能语音、自然语言理解、智能机器人等方面。
可以简单理解为模拟人类智能的一种学科,包括很多方法以及各种各样的算法可以解决各行各业的问题。
在这里插入图片描述

这里介绍一位英国的科学家——图灵,图灵奖可以说是计算机领域的诺贝尔奖。图灵于1950年提出图灵测试,即测试者(一般为人)与被测试者(一般为机器)在被隔开的情况下,测试者通过装置(键盘) 向被测试者多次提问, 如果有30%的测试者不能确定与其交流的是人还是机器,说明机器通过了测试,并且是一台具有人类智能的机器。迄今为止,还没有一台机器能通过图灵测试。
我们看到图片中央有一个被咬了一口的苹果,这里有一个小外传,图灵晚年因为是同性恋者遭到迫害,最终不堪其辱,吃了一口泡过氰化物的毒苹果,自杀身亡。后世乔布斯捡起这个被咬了一口的苹果,创立了苹果公司。(当个笑话听听啦,不必太当真呢)


2.人工智能发展的三次浪潮

人工智能迄今为止大概有60年发展历史,可以分为三次浪潮。

2.1 人工智能发展的第一次浪潮

第一次浪潮是图灵测试引起的,在20世纪50~60年代,由于当时这个概念比较新,研究人员对该领域充满了想象,都研究怎么去实现,目的就是创造出一台可以通过图灵测试的机器,当时主要集中于代数、几何问题,围绕推理去展开,现在看来都是一些古老的数学方法。但由于计算能力不足以及美国国会的打压,因为没造出来 这台机器,因此人们怀疑概念难以实现。

2.2 人工智能发展的第二次浪潮

第二次浪潮是80~90年代,专家系统一些古老的手段,将知识整理成数据库,可以进行查询,以及知识工程。但在该方向与背景下,语音识别有了的突破,以及出现了反向传播算法(Backpropagation,简称BP),是神经网络模型梯度更新的手段,也是深度学习理论上的飞跃。

2.3 人工智能发展的第三次浪潮

是深度学习拉开了人工智能发展的第三次浪潮序幕,这个概念是06年提出来的,12年AlexNet(图像识别模型)在图像识别大赛上取得了惊人的成绩,相较于第二名 模型准确度高了10个百分点,这是非常夸张的。就引起了学者的好奇心和讨论,为什么深度学习这么优秀,同时引起了新一轮研究。
16年AlphaGo(下围棋的机器)打败了李世石、柯洁,说明人工智能在某些特定领域可以打败人类,但在泛化领域上离人类还差得远。
20年AlphaFold实现基因合成、蛋白质三维结构预测,号称解决了人类50年没有解决的问题,人工智能着眼于更有意义的领域——研究人类的蛋白质、基因,帮助人类破解自身的秘密。


3.人工智能发展的必备三要素

我们在用深度学习算法解决问题的时候,要同时考虑数据、算法、算力三个因素,可能有些小伙伴只考虑算法,不够严谨。

3.1 数据

实现人工智能的首要因素是数据,人类学习的也是数据,我们在学习的时候做卷子对答案,只有先学数据,才能在后续拥有自己的智能。在第二次浪潮,上世纪70年代美国康奈尔大学贾里尼克教授在做语音识别时,将大量数据输入到计算机,总结归纳、特征提取,用于算法的输入,得到非常好的性能,这让学术界意识到数据是实现人工智能的钥匙。现在我们无时无刻不在产生大量数据,例如手机、公司记录,这些数据可以是语音、文本、影像,亦或是我们刷的淘宝。深度学习亦或者是说人工智能发展的这么好的根本原因是,当代产生的海量数据而且可以对数据整理归纳。

3.2 算法(algorithm)

算法可以说是数据驱动机、人工智能的发动机,当前主流的算法是传统的机器学习算法和神经网络算法,目前神经网络算法因为深度学习的快速发展而达到了高潮。

这里插入人工智能、机器学习和深度学习概念的辨析。
如下图,人工智能是比较大的概念,可以应用在用在各行各业,比如数字金融、政府、医疗、制药、自动驾驶和语音等生活中的各行各业。正是因为其泛化能力和普世性比较强,所以经常被媒体宣称,这个概念也就比较火。
而机器学习是人工智能的子领域,是实现人工智能的手段,本质是一系列算法,有一个很有名的算法是神经网络,而深度学习几乎可以和神经网路算法画等号。
在这里插入图片描述
说回算法,最具有代表的深度学习模型算法:

  1. 深度神经网络(Deep Nueral Networ,简称DNN)
  2. 循环神经网络(Recurrent Neural Network,简称RNN)用于自然语言处理,即文本
  3. 卷积神经网络(Convolutional Neural Networks,简称CNN)用于图象
  4. 生成对抗网络(Generative AdversarialNetwork,简称GAN)做生成,生成文本、图片
  5. 图神经网络(Graph Neural Network,简称GNN)现在才兴起,之前没有硬件的支持以及算法的创新,用于图数据相关的应用,如预测分子结构、分析社交网络,用图形式表征的问题可以通过GNN得到很好的解决的。

以上变体本质上是神经网络模型,适用不同领域而被提出。

神经网络算法层可以分为三层,输入层、隐藏层和输出层
输入层(第一层)用来接收数据,输出层(最后一层)用来输出计算结果,隐藏层的层数和每层的节点数可以人为调整,经过手动调参,可以使整个网络变得大而宽,也可以调小。而深度学习算法,深度的概念,就在deep上,也就是模型大小的概念即隐藏层的多少, 深度神经网络和神经网络算法的区别是深度神经网络有很多隐藏层。

3.3 算力

算力,顾名思义是计算能力(Computing Power),是算法和数据的支撑。本质是对数据信息的处理从而实现目标结果输出的能力。在AI技术当中,算力是算法和数据的基础设施,可以看作个人的笔记本、台式机或云端的服务器,支撑算法的计算。
第一台电子计算机是在美国的宾夕法尼亚大学诞生,占地约有170平方米,如今的计算机可以做成笔记本,大约是20~30寸,并且计算单元、计算能力有飞的跃进,每秒能处理许多浮点型数据。

学习人工智能知识最好的学习方法就是在学习算法、深度入门的时候,一边学习知识,一边根据算法更好的了解知识,因此快速开始算法的学习才是关键。

pytorch封装了很多可以用来实现深度学习的功能,举个盖房子的例子,我们在盖房子的时候,不需要知道水泥怎么造,钢筋怎么冶炼,我们只需要把钢筋、水泥拿过来直接搭建房子,pytorch就相当于钢筋场、水泥厂,将底层、复杂、重复性的操作封装成产品,实现神将网络。我们不需要关注底层加减乘除算法是怎么实现的,我们只需要把pytorch底层封装好的函数、类拿来用,就可以快速搭建深度学习模型。

人工智能的预备知识 什么是人工智能,ML,DL,概念 愿景
印象
python入门学习 深度学习框架
数据处理 经典科学计算库 pandas numpy
ML 介绍经典、有名的算法——回归、分类、聚类、PCA、主成分、降维、决策树 很多模型,比如随机森林、提升树、并行树、集成学习,以及朴素贝叶斯(概率论的经典算法)、SVM、支持向量机、遗传算法等。

4.机器学习(Machine Learning)

机器学习有三个分支,即有监督学习、无监督学习和强化学习。
这是一个非常重要的概念~

4.1 有监督学习(Supervised learning)

有监督学习是Machine Learning和Deep Learning发展最火、最成熟的方向,有监督学习训练模型有数据和数据的真值,像我们上学做卷子,不仅有题还有对应的答案,训练数据,真值又称标签(Ground Truth)、标记等,模型接收训练数据,输出结果、期望,并将输出的结果与数据的真值比较,以判断模型的结果是否准确,以便向更准的方向优化;类似于我们比对答题结果和答案,看我们答题是否准确,从而思考哪里做错了,该怎么做得更好。有监督学习的训练类似于我们人类做卷子、学习认字等。
有监督学习是AI最大、最重要的分支,当前商业落地的项目基本都是基于有监督去搞的,未来就业的各行各业也是有监督学习的产品产出。

4.2 无监督学习(Unsupervised Learning)

模型、算法 优化 只有数据 没有数据的真值,不同水果 香蕉 苹果 橘子 分类 三四岁的小孩子,不知道什么是苹果香蕉橘子,也可以按照颜色、形状一堆 分开 自己学习数据之间的相关性,根据数据之间的关联,对数据进行分堆,聚类的思想,包括自监督学习、半监督学习。

4.3 强化学习(Reinforcement Learning,RL)

强化学习领域有很多名词,概念不是特别好理解,比如代理、环境、政策、动作等。代理是动作的产生者,比如模型可以输出结果,结果可以看作动作。环境是指代理的周边环境,举一个例子,比如下棋的AlphaGo就是强化学习的产物,在这个任务中,模型就是代理,环境是棋盘、对手,强化学习是代理与环境做互动,代理可以做出一些动作,比如模型可以下棋,之后环境会根据代理的动作而变化,比如对手会落子,模型也会根据环境的变化做出进一步的反应,进行迭代,最后会有一个结果,这盘棋是赢了还是输了,这也是模型的最终目的——赢得比赛。我们会设置一个回报(reward)——我们最终的期望,比如赢了比赛,给模型1w分的奖励,输了比赛给-1w分,模型会根据期望,优化一系列的动作,从下棋的第一步到最后一步,优化动作高维的策略空间,期望最后赢得比赛。

如果未来搞科研,推荐研究的问题、方向为无监督学习和强化学习。


相关文章:

人工智能概要

目录 前言1.什么是人工智能(Artificial Intelligence, AI)2.人工智能发展的三次浪潮2.1 人工智能发展的第一次浪潮2.2 人工智能发展的第二次浪潮2.3 人工智能发展的第三次浪潮 3.人工智能发展的必备三要素3.1 数据3.2 算法(algorithm&#xf…...

qt QCommandLineParser详解

1、概述 QCommandLineParser是Qt框架中提供的一个类,专门用于解析命令行参数。它简化了命令行参数的处理过程,使得开发者能够轻松定义、解析和验证命令行选项和参数。QCommandLineParser适用于需要从命令行获取输入的控制台应用程序,以及需要…...

力扣 K个一组翻转链表

K个一组翻转链表 /*** Definition for singly-linked list.* struct ListNode {* int val;* ListNode *next;* ListNode() : val(0), next(nullptr) {}* ListNode(int x) : val(x), next(nullptr) {}* ListNode(int x, ListNode *next) : val(x), next(ne…...

cnocr配置及训练测试

cnocr配置及训练测试 1,相关链接2,已有模型调用测试(1)下载相关模型(2)Cnstd文本检测模型(3)模型调用解析脚本 3,自定义数据集训练测试(1)标签转换…...

解决 Flutter 在 Mac 上的编译错误

解决 Flutter 在 Mac 上的编译错误 在使用 Flutter 进行项目开发并尝试在 Mac 设备上进行编译时,遇到了一系列的错误信息,这些错误信息给项目的构建与部署带来了阻碍。 一、错误详情 在编译过程中,Xcode 输出了大量的信息,其中…...

MR30分布式IO在新能源领域加氢站的应用

导读 氢能被誉为21世纪最具发展潜力的清洁能源,氢能科技创新和产业发展持续得到各国青睐。氢能低碳环保,燃烧的产物只有水,是用能终端实现绿色低碳转型的重要载体。氢能产业链分别为上游制氢、中游储运以及下游用氢。上游制氢工艺目前大部分…...

wxPython中wx.ListCtrl用法(二)

wx.ListCtrl是一个列表组件,可以以列表视图(list view)、报表视图(report view)、图标视图(icon view)和小图标视图(small icon view)等多种模式显示列表。 一、方法 __…...

kubernetes 资源汇总

kubernetes 资源汇总 官网 英文文档 官方英文文档 中文文档 官方中文文档 github github源码地址 培训认证 也就是linux基金会的认证,上面也提供培训课程 下载资源 官网下载资源,国内的话k8s镜像下载不了,要去镜像站 在线练习 killer…...

每日一题(对标gesp三级答案将在第二天公布)

编程题 题目描述: 小杨为数字4,5,6和7设计了一款表示形式,每个数字占用了66的网格。数字4,5,6和7的表示形式如下(此处自行设计复杂一些的表示形式示例): 数字4: …. …. …. …. *… 数字5: …...

让 Win10 上网本 Debug 模式 QUDPSocket 信号槽 收发不丢包的方法总结

在前两篇文章里,我们探讨了不少UDP丢包的解决方案。经过几年的摸索测试,其实方法非常简单, 无需修改代码。 1. Windows 下设置UDP缓存 这个方法可以一劳永逸解决UDP的收发丢包问题,只要添加注册表项目并重启即可。即使用Qt的信号与槽&#…...

Python爬虫之使用BeautifulSoup进行HTML Document文档的解析

BeautifulSoup 是一个用于解析 HTML 和 XML 文档的 Python 库,它为开发者提供了一种简单的方式来查找、遍历和修改文档树。BeautifulSoup 特别擅长处理不规则或格式不佳的标记语言,可以自动更正无效的 HTML,因此在网页抓取(Web Sc…...

vue.config.js配置参数说明新手教程

这篇文章主要是对vue.config.js配置文件的主要参数进行一下说明,方便使用时的查询, 下面进行介绍 1、vue.config.js vue.config.js 是一个可选的配置文件,如果项目的 (和 package.json 同级的) 根目录中存在这个文件,那么它会被…...

C# 关于加密技术以及应用(二)

AES(Advanced Encryption Standard)和 RSA(Rivest-Shamir-Adleman)是两种不同的加密算法,它们各自有特定的使用场景和优势。下面是它们的主要区别和适用场景: AES(高级加密标准) 特…...

视频中的某些片段如何制作GIF表情包?

动态表情包(GIF)已经成为我们日常沟通中不可或缺的一部分。GIF(Graphics Interchange Format),即图形交换格式,是一种支持多帧图像和透明度的位图文件格式。它最初由 CompuServe 公司在 1987 年推出&#x…...

图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序,GUI界面。附详细的运行说明。

图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序,GUI界面。附详细的运行说明。 目录 图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序,GUI界面。附详细的运行说明。预测效果基本介绍程序设计参考资料 预测效果 基本介绍 Matlab基…...

String【Redis对象篇】

🏆 作者简介:席万里 ⚡ 个人网站:https://dahua.bloggo.chat/ ✍️ 一名后端开发小趴菜,同时略懂Vue与React前端技术,也了解一点微信小程序开发。 🍻 对计算机充满兴趣,愿意并且希望学习更多的技…...

top命令和系统负载

1 top中的字段说明 top是一个实时系统监视工具,可以动态展现出 CPU 使用率、内存使用情况、进程状态等信息,注意这些显示的文本不能直接使用 > 追加到文件中。 [rootvv~]# top -bn 1 | head top - 20:08:28 up 138 days, 10:29, 4 users, load av…...

ES6 混合 ES5学习记录

基础 数组 let arr [数据1,数据2,...数组n] 使用数组 数组名[索引] 数组长度 arr.length 操作数组 arr.push() 尾部添加一个,返回新长度 arr.unshift() 头部添加一个,返回新长度 arr.pop() 删除最后一个,并返回该元素的值 shift 删除第一个单元…...

HTTP 状态码大全

常见状态码 200 OK # 客户端请求成功 400 Bad Request # 客户端请求有语法错误 不能被服务器所理解 401 Unauthorized # 请求未经授权 这个状态代码必须和WWW- Authenticate 报头域一起使用 403 Forbidden # 服务器收到请求但是拒绝提供服务 404 Not Found # 请求资源不存…...

Redis学习(13)| Redisson 看门狗机制深度解析

文章目录 摘要1. 引言2. 看门狗的工作原理2.1 自动续期2.2 防止意外释放2.3 合理配置 3. 应用场景4. 最佳实践4.1 设置合理的lockWatchdogTimeout4.2 避免死锁4.3 监控和日志 5. 实现方式6. 使用示例7. 结论 摘要 Redisson 是一个用于 Redis 的 Java 客户端,它提供…...

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具,该工具基于TUN接口实现其功能,利用反向TCP/TLS连接建立一条隐蔽的通信信道,支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式,适应复杂网…...

业务系统对接大模型的基础方案:架构设计与关键步骤

业务系统对接大模型:架构设计与关键步骤 在当今数字化转型的浪潮中,大语言模型(LLM)已成为企业提升业务效率和创新能力的关键技术之一。将大模型集成到业务系统中,不仅可以优化用户体验,还能为业务决策提供…...

label-studio的使用教程(导入本地路径)

文章目录 1. 准备环境2. 脚本启动2.1 Windows2.2 Linux 3. 安装label-studio机器学习后端3.1 pip安装(推荐)3.2 GitHub仓库安装 4. 后端配置4.1 yolo环境4.2 引入后端模型4.3 修改脚本4.4 启动后端 5. 标注工程5.1 创建工程5.2 配置图片路径5.3 配置工程类型标签5.4 配置模型5.…...

vue3+vite项目中使用.env文件环境变量方法

vue3vite项目中使用.env文件环境变量方法 .env文件作用命名规则常用的配置项示例使用方法注意事项在vite.config.js文件中读取环境变量方法 .env文件作用 .env 文件用于定义环境变量,这些变量可以在项目中通过 import.meta.env 进行访问。Vite 会自动加载这些环境变…...

boost::filesystem::path文件路径使用详解和示例

boost::filesystem::path 是 Boost 库中用于跨平台操作文件路径的类&#xff0c;封装了路径的拼接、分割、提取、判断等常用功能。下面是对它的使用详解&#xff0c;包括常用接口与完整示例。 1. 引入头文件与命名空间 #include <boost/filesystem.hpp> namespace fs b…...

2025-05-08-deepseek本地化部署

title: 2025-05-08-deepseek 本地化部署 tags: 深度学习 程序开发 2025-05-08-deepseek 本地化部署 参考博客 本地部署 DeepSeek&#xff1a;小白也能轻松搞定&#xff01; 如何给本地部署的 DeepSeek 投喂数据&#xff0c;让他更懂你 [实验目的]&#xff1a;理解系统架构与原…...

云原生时代的系统设计:架构转型的战略支点

&#x1f4dd;个人主页&#x1f339;&#xff1a;一ge科研小菜鸡-CSDN博客 &#x1f339;&#x1f339;期待您的关注 &#x1f339;&#x1f339; 一、云原生的崛起&#xff1a;技术趋势与现实需求的交汇 随着企业业务的互联网化、全球化、智能化持续加深&#xff0c;传统的 I…...

python可视化:俄乌战争时间线关键节点与深层原因

俄乌战争时间线可视化分析&#xff1a;关键节点与深层原因 俄乌战争是21世纪欧洲最具影响力的地缘政治冲突之一&#xff0c;自2022年2月爆发以来已持续超过3年。 本文将通过Python可视化工具&#xff0c;系统分析这场战争的时间线、关键节点及其背后的深层原因&#xff0c;全面…...

el-amap-bezier-curve运用及线弧度设置

文章目录 简介示例线弧度属性主要弧度相关属性其他相关样式属性完整示例链接简介 ‌el-amap-bezier-curve 是 Vue-Amap 组件库中的一个组件,用于在 高德地图 上绘制贝塞尔曲线。‌ 基本用法属性path定义曲线的路径,可以是多个弧线段的组合。stroke-weight线条的宽度。stroke…...

新版NANO下载烧录过程

一、序言 搭建 Jetson 系列产品烧录系统的环境需要在电脑主机上安装 Ubuntu 系统。此处使用 18.04 LTS。 二、环境搭建 1、安装库 $ sudo apt-get install qemu-user-static$ sudo apt-get install python 搭建环境的过程需要这个应用库来将某些 NVIDIA 软件组件安装到 Je…...