对人工智能的认识
对人工智能的认识 摘要：人工智能（AI）是机器智能和计算机科学的一个分支。人工智能将是21世纪逻辑学发展的主要动力源泉，并且在很大程度上将决定21世纪逻辑学的面貌。这些年来,人工智能在计算机科学、逻辑学等领域已取得重大成就,但离真正的人类智能还相差甚远。 关键字：人工智能、博弈、机器人、专家系统 人工智能是一门研究机器智能和智能机器的新型的、综合性的、具有强大生命力的边缘学科，它研究怎样让计算机或智能机器（包括硬件和软件）模仿、延伸和扩展人脑从事推理、规划、计算、思考、学习等思维活动，解决迄今为止需要人类专家才能处理好的复杂问题。 问题求解、推理和博弈等活动是人工智能的重要特征。 人工智能研究的基本技术有：推理技术、搜索技术、知识表示与知识库技术、知识获取技术和智能系统与智能计算机的构成技术。 目前，人工智能最主要的研究和应用领域有模式识别、自然语言理解、自动定理证明、自动程序设计、博弈、机器人、智能计算机、人工神经网络、专家系统及神经网络计算机等。 其中模式识别是使计算机能对给定的事物进行分析、判断、分类的学科。 博弈是一个有关对策和斗智问题的研究领域。例如，下棋、打牌、战争等这一类竞争性智能活动都属于博弈问题。博弈为人工智能提供了一个很好的试验场所，人工智能中很多概念和方法都是从博弈程序对人工智能的理解
原标题：对人工智能的理解人工智能是21世纪世界三大尖端技术之一,它在社会生产生活中起到了无可替代的巨大作用,它研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。作为计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,通过改变交流技术和媒介，通过社交网络、新型数据交互方式，在很大程度上改变了现代社会的人际交流方式。
在我看来,人工智能可以分成两个部分来理解,即“人工”和“智能”。人工,自然就是一些人力所能做到的事情,由人去完成活动。智能,应该理解为智慧和能力。既然走智能平台之路,就必须做到两点:一、通过向开发者开放免费的API接口,方便导入后台数据库;二、平台具备自我学习能力,不断完善信息和丰富数据库。
人工智能的本质就是机器自学习的过程。机器学习包括两大模块:一是数据来源,即大数据;二是数据处理方式,即机器学习算法,机器在自学习过程中两大模块同时运行。深度学习是机器学习研究中的全新领域,主要为建立、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。深度学习能增强机器学习的能力,整个机理得到大幅改进
展开全文但受限于技术瓶颈,目前人工智能远未到达成熟的地步。人工智能一旦做成,将对现有移动互联网产品商业模式产生巨大的颠覆,甚至很多移动互联网、互联网产品将不复存在。它的到来,将改变现有的购物、聊天和通信方式,甚至对社交产生冲击。
科技始终是一把双刃剑，科学技术的应用不完全能为人类造福。假如存在造物主，世界是造物主创造的，那么造物主的智能是我们不能想象的，是完美的，而由于基因突变，环境选择随机产生的人类的智能不可能超过造物主的智能，人类智能的进化也仅仅是为了增加基因的存活概率，人类越智慧就越可能存活下去，保证基因有更多机会复制传播下去。而人类创造的人工智能是不可能全面超过人类智能的，只能在某些领域超过人类，比如计算速度等等，人工智能不一定会惠及所有人类，说不定就会有人因为人工智能反而步入糟糕的境地，但这不是人工智能本身的错。错，也是它背后的人错了。返回搜狐，查看更多
责任编辑：我对人工智能的理解与看法
人工智能
研究让计算机具备模拟、延伸和扩展人的智能的一门技术科学。主要是来源于大量的数据来使机器学习能比人更快的计算出结果,这可能就是我眼中的大数据.
或许大数据分析出结果,再往上一个级别的建模就叫做人工智能吧!鄙人理解尚浅,还请多多指教,自学总结笔记不易.
机器学习
是利用算法或逻辑，在大量的数据上进行运算（从数据中学习如何完成任务即学习训练的过程），产生模型，通过模型对真实事件做出决策和预测。
1.机器学习从方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习。
2.传统的算法包括k-邻近算法、决策树、贝叶斯分类、聚类、支持向量机等。
深度学习
是利用包含多个隐含层的神经网络结构的人工神经网络（深度神经网络），通过优化神经元的连接方法和激活函数等方面，来提高训练效果，产生模型后，通过模型对真实事件作出决策和预测。
机器学习与深度学习的关系
机器学习是一种实现人工智能的方法。深度学习是一种实现机器学习的技术（新算法）。
机器学习与深度学习的对比
1、应用场景：应用场景
机器学习在指纹识别、特征物体，检测等领域的应用基本达到了商业化的要求。
深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。
2、数据依赖性
机器学习能够适应各种数据量，特别是数据量较小的场景。在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。
深度学习的精准度，需要大量的数据来训练，当数据量很少时，深度学习算法的性能并不好。
3、硬件依赖
深度学习算法需要进行大量的矩阵运算，GPU主要用来高效优化矩阵运算，所以GPU是深度学习正常工作的必须硬件。
机器学习对硬件配置要求相对，深度学习没有那么高！
4、训练算法时间
深度学习算法，因为包含有很多参数，需要大量时间进行训练，完整地训练一次可能需要消耗两周的时间或更长时间！
机器学习的训练会消耗的时间相对较少，只需要几秒钟到几小时的时间。
5、预测时间
深度学习算法的预测时间，相比机器学习，只需要很少的时间去运行。
6、解决问题的方法
机器学习算法遵循标准程序解决问题。它将问题拆分成数个部分，对其进行分别解决，而后再将结果结合起来以获得所需的答案。
深度学习则以集中方式解决问题，而不必进行问题拆分，提倡直接的端到端的解决问题。
7、可解释性
深度学习可以达到接近人的标准，但是这仍然有个问题。在数学的角度上，你可以找出来哪一个深度神经网络节点被激活了。但是我们不知道神经元应该是什么模型，我们也不知道这些神经单元层要共同做什么。所以无法解释结果是如何产生的。
机器学习算法给出了明确的规则，所以解释背后的推理是很容易的。
8、特征处理
机器学习算法的性能依赖于所提取的特征的准确度，而特征数据的处理，需要更专业的知识，且很耗时。
深度学习尝试从数据中直接获取高等级的特征，深度学习削减了对每一个问题设计特征提取器的工作。
机器学习和深度学习应用领域
1、计算机视觉用于车牌识别和面部识别等的应用。
2、信息检索用于诸如搜索引擎的应用-包括文本搜索和图像搜索。
3、市场营销针对自动电子邮件营销和目标群体识别等的应用。
4、医疗诊断诸如癌症识别和异常检测等的应用。
5、自然语言处理，如情绪分析和照片标记等的应用。
6、无人驾驶。
总结
机器学习算法在指纹识别、人脸检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现，人工智能才开始大爆发，继续拓展人工智能的领域，如：无人驾驶、预防性医疗保健等！深度学习很早就出现过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习模型需要大量的训练数据，才能展现出神奇的效果！
本文来自博客园，作者：后山人，转载请注明原文链接：https://www.cnblogs.com/zhuhuibiao/p/11960763.html
经营好自己的现在，等待未来向我飞奔而来。