人工智能 — 简介

一、简介

人工智能是通过机器来模拟人类认知能力的技术。

二、发展历程

1、1956年：达特茅斯会议标志着人工智能的诞生。

2、1957年：罗森布拉特发明 Perceptron，推动神经网络研究。

3、1970年：计算机能力限制导致 AI 进入低谷，无法完成大规模数据训练。

4、1982年：霍普菲尔德神经网络提出，引入相联存储机制。

5、1986年：BP 算法使大规模神经网络训练成为可能，AI 迎来第二个黄金期。

6、1990年：DARPA 投资失败，AI 再次陷入低谷。

7、2006年：Hinton 提出深度学习，为人工智能带来突破性进展。

8、2013年：深度学习在语音和视觉识别上成功，AI 进入感知智能时代。

三、核心要素

1、数据

2、算法

3、算力

四、算法

1、概念

当你交给计算机一个任务的时候，不但要告诉它做什么，还要告诉它怎么做。 关于“怎么做”的一系列指令就叫做算法。

2、分类

• 传统算法：遍历法
• 更聪明的算法：梯度下降法
• 更复杂的算法：机器学习

五、算力

1、概念

指的是计算机系统或设备执行特定任务的处理能力，通常用于衡量计算性能和速度。

2、分类

• CPU（中央处理器）

类似于计算机的大脑，擅长执行各种任务，如运算、逻辑判断等。适用于处理顺序性和复杂性较高的任务，比如启动应用程序、运行操作系统等。

• GPU（图形处理器）

像一支强大的工具，专注于处理图形和同时进行大量相似计算。适用于处理图形、视频、游戏和深度学习等需要大规模并行计算的任务。

• FPGA（可编程门阵列）

就像一块多功能的拼图板，可以按需重新组合自己的硬件结构。适用于需要定制化硬件加速的特定任务，如信号处理、加密等。

• 分布式运算

像一支庞大的团队，各自分工合作完成任务。多台计算机协同工作，加快处理速度，适用于大数据处理和复杂计算，就像把工作分给多个人来一起完成一样。

六、人工智能关系圈

机器学习：一种实现人工智能的方法。

是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

深度学习：一种实现机器学习的技术。

是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入，是机器学习中一种基于对数据进行表征学习的方法。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

人工神经网络：一种机器学习的算法。

神经网络一般有输入层->隐藏层->输出层，一般来说隐藏层数量多于两层的神经网络就叫做深度神经网络，深度学习就是采用像深度神经网络这种深层架构的一种机器学习方法。

七、机器学习

机器学习是计算机利用已有的数据，得出了某种模型，并利用此模型预测未来的一种方法。

八、神经网络

1、生物神经网络

• 外部刺激通过神经末梢，转化为电信号，转导到神经细胞 （又叫神经元）。
• 无数神经元构成神经中枢。
• 神经中枢综合各种信号，做出判断。
• 人体根据神经中枢的指令， 对外部刺激做出反应。

2、人工神经网络

输入：x1,x2,x3

输出：output

简化模型：约定每种输入只有两种可能为1或0

所有输入都是1，表示各种条件都成立，输出就是1

所有输入都是0，表示条件都不成立，输出就是0

3、神经网络的逻辑架构

九、深度学习

传统的神经网络发展到了多隐藏层的情况，具有多个隐藏层的神经网络被称为深度神经网络，基于深度神经网络的机器学习研究称之为深度学习。

十、计算机视觉

1、概念

让计算机拥有人能所见、人能所识、人能所思的能力，就可以称计算机拥有视觉，即计算机视觉。

2、应用

2.1、图像分类

应用技术

• 卷积神经网络（CNN）

• 线性整流层（RELU）

• 池化层（pool）

2.2、目标检测

应用技术

• 目标检测（R-CNN）

2.3、目标跟踪

2.4、语义分割

应用技术

• 语义分割（FCN）

2.5、实例分割

应用技术

实例分割（Mask R-CNN）

3、技能

记录学习过程，欢迎讨论交流，尊重原创，转载请注明出处~