系统架构设计师教程 第11章 11.2 人工智能技术概述 笔记

11.2 人工智能技术概述 ★★★☆☆

11.2.1 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得最佳结果的理论、方法、技术及应用系统。

根据人工智能是否能真正实现推理、思考和解决问题，可以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，不会有自主意识。

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有自我意识的，这类机器可分为类人和非类人。

11.2.2 人工智能的发展历程

省略

11.2.3 人工智能关键技术

1.自然语言处理 (Natural Language Processing,NLP)

主要包括 机器翻译(利用计算机实现从一种自然语言到另外一种自然语言的翻译)、语义理解(利用计算 机理解文本篇章内容，并回答相关问题)和问答系统(让计算机像人类一样用自然语言与人交 流)等。

2.计算机视觉 (Computer Vision)

使用计算机模仿人类视觉系统的科学，提取、处理、 理解和分析图像

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。

4.人机交互 (Human-Computer Interaction,HCl)

人机交互主要研究人和计算机之间的信息交换，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(Virtual Reality /Augmented Reality,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。

6.机器学习

机器学习 (Machine Learning,ML) 是人工智能的核心研究领域之一

机器学习是以数据为基础，通过研究样本数据寻找规律，并根据所得规律对未来数据进行预测。

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，使计算机重新组织已有的组织结构并不断改善自身的性能。更加精确地说， 一个机器学习的程序就是可以从经验数据 E 中对任务T 进行学习的算法，它在任务 T 上的性能度 量P 会随着对于经验数据E 的学习而变得更好。

2)机器学习分类

首先，按照学习模式的不同，机器学习可分为监督学习、无监督学习、半监督学习、强化学习。其中，监督学习需要提供标注的样本集，无监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样本，而强化学习需要反馈机制。

(1)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/方法建立一个模型，从而 实现对新数据/实例的标记(分类)/映射。监督学习在自然语言处理、 信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。最典型的监督学习算法包括回归和分类等。

(2)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。便于压缩数据存储、减少计算量、提升算法速 度，可以避免正负样本偏移引起的分类错误问题。无监督学习主要用于经济预测、异常检测、 数据挖掘、图像处理、模式识别等领域。无监督学习常见算法包括Apriori 算法、 KMeans 算法、随机森林、主成分分析等。

(3)半监督学习。

半监督学习介于监督学习与无监督学习之间，可以利用少量的标注样本和大量的未标识样 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。半监督学习的应用场景包括分类和回归，算法包括一些常用监督学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。例如，图论推理算法或者拉普拉斯支持向量机等。

(4)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获得环境的最大奖赏，最终目标是使外部环境对学习系统在某种意义下的评价最佳。目前，强化学习在机器人控制、无人驾驶、 工业控制等领域获得成功应用。强化学习的常见算法包括Q-Leamning、 时间差学习等。

按照学习方法的不同，机器学习可分为传统机器学习和深度学习。区别在于，传统机器学习的领域特征需要手动完成，且需要大量领域专业知识；

深度学习不需要人工特征提取，但需要大量的训练数据集以及强大的 GPU服务器来提供算力。

(1)传统机器学习。

传统机器学习从一些观测(训练)样本出发，试图发现不能通过原理分析获得的规律，实 现对未来数据行为或趋势的准确预测。传统机器学习的相关算法包括逻辑回归、隐马尔科夫方 法、支持向量机方法、 K 近邻方法、三层人工神经网络方法、 Adaboost算法、贝叶斯方法以及决策树方法等。传统机器学习平衡了学习结果的有效性与学习模型的可解释性，为解决有限样 本的学习问题提供了一种框架。传统机器学习方法在自然语言处理、语音识别、图像识别、信 息检索等许多计算机领域获得了广泛应用。

(2)深度学习。

深度学习是一种基于多层神经网络并以海量数据作为输入规则的自学习方法，依靠提供给 它的大量实际行为数据(训练数据集),进行参数和规则调整。深度学习算法网络的隐藏层数量 多，算法复杂，更注重特征学习的重要性。典型的深度学习算法 包括卷积神经网络 (CNN)、 循环神经网络 (RNN) 等。

机器学习的常见算法还包括迁移学习、主动学习和演化学习

(1)迁移学习。

迁移学习是指当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。迁移学习把已训练好的模型参数迁移到新的模型指导新模型训练， 更有效的学习底层规则、减少数据量。迁移学习主要在变量有限的小规模应用中使用，如基于传感器网络的定位、文字分类和图像分类等。未来迁移学习将被广泛应用于解决更有挑战性的问题，如视频分类、社交网络分析、逻辑推理等。

(2)主动学习。

主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到 的样本训练分类模型来提高模型的精度。主动学习能够选择性地获取知识，通过较少的训练样 本获得高性能的模型，最常用的策略是通过不确定性准则和差异性准则选取有效的样本。

(3)演化学习。

演化学习基于演化算法提供的优化工具设计机器学习算法，针对机器学习任务中存在大量的复杂优化问题，应用于分类、聚类、规则发现、特征选择等机器学习与数据挖掘问题中。演化算法通常维护一个解的集合，并通过启发式算子来从现有的解产生新解，并通过挑选更好的 解进入下一次循环，不断提高解的质量。演化算法包括粒子群优化算法、多目标演化算法等。