人工智能及其应用——第一章学习笔记
人工智能及其应用第一章绪论1.1人工智能的定义与发展1.1.1人工智能的定义智能：智能是一种应用知识处理环境的能力或由目标准则衡量的抽象思考能力智能机器：智能机器是一种能够在不确定环境中执行各种拟人任务达到预期目标的机器人工智能（学科）：是计算机科学中设计研究、设计和应用智能机器的一个分支，它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术人工智能（能力）：是智能机器所执行的通常与人类智能有关的智能行为1.1.2人工智能的起源与发展孕育时期(1956年前)→形成时期(1956−1970年)→暗淡时期(1966−1974年)→知识应用时期(1970−1988年)→集成发展时期(1986年至今)孕育时期(1956年前) o形成时期(1956-1970年) o暗淡时期(1966-1974年) o知识应用时期(1970-1988年) o集成发展时期(1986年至今)孕育时期(1956年前)→形成时期(1956−1970年)→暗淡时期(1966−1974年)→知识应用时期(1970−1988年)→集成发展时期(1986年至今)
1.2人工智能的各种认知观1.2.1人工智能各学派的认知观目前人工智的主要学派有下列三家：
符号主义，又称为逻辑主义，其原理主要为物理符号系统假设和有限合理性原理认为人工智能源于数理逻辑，代表人物有西蒙和尼尔逊(NilssonNilssonNilsson)连接主义，又称为仿生学派或生理学派，其原理主要为神经网络及神经网络间的连接机制与学习算法认为人工智能源于仿生学，特别是人脑模型的研究行为主义，又称进化主义或控制论学派，其原理为控制论及感知——动作型控制系统认为人工智能源于控制论，代表人物布鲁克斯(BrooksBrooksBrooks)1.2.2人工智能的争论对人工智能理论的争论符号主义：认为人的认知基元是符号，而且认知过程即符号操作过程；知识是信息的一种形式，是构成智能的基础连接主义：认为人的思维基元是神经元，而不是符号处理过程行为主义：认为智能取决于感知和行动，提出智能行为的“感知——动作”模式对人工智能方法的争论符号主义：认为人工智能的研究方法应为功能模拟方法，力图用数学逻辑方法来建立人工智能的统一理论体系连接主义：认为人工智能应着重于结构模拟，即模拟人的生理神经网络结构，并认为功能、结构和智能行为是密切相关的行为主义：认为人工智能的研究方法应采用行为模拟方法，也认为功能、结构和智能行为是不可分的1.3人类智能与人工智能（见PDF）1.3.1智能信息处理系统的假设一个完善的符号系统应具有下列六种基本功能：
输入符号输出符号存储符号复制符号建立符号结构：通过找出各符号之间的关系，在符号系统中形成符号结构条件性迁移：根据已有的符号，继续完成活动过程人认知本质研究的几个方面：
认知生理学：主要研究人的神经系统的活动，是认知科学研究的底层认知心理学：研究认知行为的心理活动，主要研究人的思维策略，是认知科学研究的顶层认知信息学：研究人的认知行为在人体内的初级信息处理，主要研究人的认知行为如何通过初级信息自然处理认知工程学：研究认知行为的信息加工处理，主要研究如何通过以计算机为中心的人工信息处理系统，对人的各种认知行为进行信息处理1.3.2人类智能的计算机模拟人脑能够复制大量的交互作用，快速处理及其大量的信息，同时执行多项任务。
迄今为止的所有计算机，基本上都未能摆脱冯诺依曼机的结构，只能依次对单个问题进行“求解”。即使是现有的并行处理计算机，其运行性能仍十分有限。
1.4人工智能系统的分类专家系统：是人工智能和智能系统应用研究最活跃和最广泛的领域之一==（第一个专家系统DENDRALDENDRALDENDRAL在美国斯坦福大学问世）==，是把专家系统技术和方法，尤其是工程控制论和反馈机制有机结合而建立的。一般由知识库、推理机、控制规则集合集和算法等组成。专家系统所研究的问题一般具有不确定性，是以模仿人类智能为基础的模糊系统：扎德(L.Zadeh)(L.Zadeh)(L.Zadeh)于1965年提出，是一类应用模糊集合理论的智能系统。模糊系统的价值可以从两个方面来考虑。一方面提出了一种新的机制用于实现基于知识甚至语义描述的表示、推理和操作规律。另一方面为非线性系统提出一个比较容易的设计方法，尤其是当系统含有不确定性而且很难用常非线性理论处理时，更有效神经网络系统学习系统仿生系统：是应用数学和科学模仿与模拟人类和生物行为的智能系统群智能系统多真体系统：把真体看作能够通过传感器感知其环境，并借助执行器作用于该环境的任何事物，其具有分布式系统的许多特性混合智能系统1.5人工智能的研究目标和内容1.5.1人工智能的研究目标人工智能的一般研究目标为：
更好的理解人类智能：通过编写程序来模仿和检验有关人类智能的理论创造有用的灵巧程序：该程序能够执行一般需要人类专家才能实现的任务人工智能的研究目标又可分为近期研究目标和远期研究目标：
近期研究目标：建造智能计算机以代替人类的某些智力活动
远期研究目标：用自动机模仿人类的思维活动和治理功能，建造能够实现人类思维活动和智力功能的智能系统
1.5.2人工智能研究的基本内容认知建模（浩斯顿把认知归纳为如下五种类型）：
信息处理过程
心理上的符号运算
问题求解
思维
诸如知觉、记忆、思考、判断等关联活动
认知科学是人工智能的重要理论基础，设计非常广泛的研究课题
知识表示：是传统人工智能的基础，把人类知识概念化、形式化或模型化。主要包括：符号表示法和神经网络表示法两种
知识推理：从一些已知判断或前提推导出一个新的判断或结论的思维过程。形式逻辑中分为演绎推理、归纳推理和类比推理等。包括不确定性推理和非经典推理。
知识应用
机器感知：是使机器具有类似于人的感觉，其中最重要的和应用最广的要算计算机视觉和机器听觉。机器感知是机器获取外部信息的基本途径
机器思维：是对传感信息和机器内部的工作信息进行有目的的处理
机器学习：是使机器具有学习新知识和新技术，并在实践中不断改进和完善的能力
机器行为：指智能系统具有的表达能力和行动能力
智能系统构建
1.6人工智能的研究于计算方法1.6.1人工智能的研究方法功能模拟法（符号主义）：是人工智能最早和应用最广泛的研究方法，以符号处理为核心对人脑功能进行模拟。在用符号表示知识的概念时，其有效性很大程度上取决于符号表示的正确性和准确性，且难以对含有噪声的信息、不确定性信息和不完全信息进行处理结构模拟法（连接主义）：通过人脑神经网络、神经元之间的连接以及在神经元之间的并行处理，实现对人脑智能的模拟行为模拟法（行为主义）：模拟自动控制过程的有效方法集成模拟法1.6.2人工智能的计算方法概率计算：传统数学计算方法
符号规则逻辑运算：适用于描述过程的因果关系和非解析的映射关系
模糊计算：利用模糊集合及其隶属度函数等理论，对不确定性信息进行模糊化、模糊决策和模糊判决等，实现模糊推理于问题求解
神经计算：认为知识在人脑中以神经网络形式存储，神经网络由可在不同水平上被激活的结点组成，节点间有连接作用，并通过学习对神经网络进行训练，形成了人工神经网络学习模型
进化计算与免疫计算：以模拟计算模型为基础，具有分布并行计算特征，强调自组织、自学习与自适应
此外还有群优化计算、蚁群算法等
1.7人工智能的研究与应用领域问题求解与博弈逻辑推理与定理证明计算智能分布式人工智能与 AgentAgent Agent自动程序设计专家系统机器学习自然语言处理机器人学模式识别计算机视觉神经网络智能控制智能调度与指挥智能检索系统与语言工具《人工智能》读书笔记及心得感悟2000字
《人工智能》读书笔记及心得感悟2000字：
这个“夏日时光”在广州长长的夏日里一直荒着，广州一日进入了秋天，在阴凉的午后，听着音乐，在荒芜的地里种种草。
转岗做数据分析之后，要学习的东西挺多的，但日子过得也算充实而美好。这些年，觉得非常幸运的是自己一直有机会做自己喜欢的事情。数据领域，可以玩的东西挺多的，抛开数据质量数据管理，从数据分析的角度来看，很多公司包括本司还停留在底层的静态报表，离真正发挥数据的价值，和机器学习结合做一些预测和推荐还有点距离。即使在静态报表方面，由于涉及到的部门多，再加上快消行业数据量大，销售端业务复杂，报表怎是一个“乱”字了得。希望能借新技术之光，重建新世界。
话归正题，到底数据分析和如今非常火爆的AI是怎样的关系，抱着这样的疑问，拜读了李开复先生的《人工智能》和《AI未来》，吐个槽先，《人工智能》是2017版的，《AI未来》是今年出的，但是内容重合度挺高的，不知道开复同学怎么想的，针对不同的用户群？希望不是奔着钱的目的。先读《人工智能》还觉得收获不少，再读《AI未来》时，就味同嚼蜡，花了两小时，匆匆掠过。
总结几个点和思考。
“人工智能经历了三次浪潮，而现在火热的第三次浪潮正是基于大数据的深度学习。深度学习不等于人工智能，但是深度学习是当今乃至未来很长一段时间内引领人工人能发展的核心技术。基于多层神经网络的机器学习模型后来被人们称为深度学习，深度学习受限于计算能力和数据不足这两大痼疾蛰伏了很久，最近几年终于发力了。人工智能时代，深度学习和大数据成了密不可分的一对儿，深度学习可以从大数据中发掘出以往难以想象的有价值的数据，知识和规律。”（上述多数引用不同章节原文，后期加工组合）。这样看来，数据分析和AI还是关联度很高的，而且中国这些年在AI的研发能力和美国有的一拼，加上人口红利和移动终端的普及，大数据有更好的基础，在这次浪潮中，中国是有自己的优势的，不一定要跟在别人的屁股后面走了。
“大数据，因为信息交换，信息存储，信息处理三个方面能力的大幅增长而产生的数据，大数据的价值在于数据分析以及分析基础上的数据发掘和智能决策。”（引用原文）。除了电商的数据之外，到底怎样的企业数据可以称之为大数据可以和深度学习结合呢，怎样利用物联网来开拓我们的数据，我还没找到答案，但可以肯定的一点是，我们应该以更加开放的眼光去发掘数据来源。附了一张微软对数据的定义供大家一起学习。
“战略方面，我们丝毫不用担心AI能否落地，能否商业化，Google,Facebook搜索和广告业务本质上就是机器学习驱动的，而且早已被证明是成功的。我们需要关心的只是人工智能在接下来的时间内，以何种趋势，何种方式在其它领域落地的问题。"（引用原文）。书中着重讲了语音识别，图像识别，自动驾驶，金融等领域。回看传统企业，这些技术的应用，在消费者洞察，机器人客服等开始的比较早，但其它领域呢，能不能做更准确的销售预测，经销商TP优化，库存预测，工厂维修和异常管理呢，还是要接着研习和尝试，才能有更深刻的认知。
“一个会玩游戏的人工智能和一个会帮助医生诊疗疾病的人工智能，它们之间的技术，竟有如此之多的共同点，技术的神奇莫过于此。”（引用原文）。为什么这句话引起了我的注意是因为一直在思考在企业实施AI进程中的人才储备，到底哪些是可迁移技能，行业数据的理解和AI技术能力孰重孰轻。读后感m.simayi.net书中有提到，人工智能时代创业的五大基石：清晰的领域界限/闭环的自动标注的数据/千万级的数据量/超大规模的计算能力/顶尖的科学家。而吴霁虹在她的《未来地图》里提到，人工智能技术和产业的关键点有三个要素，核心算法，行业数据和行业专家。企业里的“数据科学家”和科学界或者创业公司的“数据科学家”到底定位和技能需求有什么不一样，是要偏行业还是要偏技术，我还没有答案。
书里穿插了一些趣闻轶事，有两个小故事挺打动我的。第一个是开复打算抛弃专家系统，用统计学的方法去做语音识别，这相当于推翻了他的老师瑞迪教授的研究方向，但瑞迪教授说：科学没有绝对的对错，我们都是平等的，而且，我更相信一个有激情的人是可能找到更好的解决方案。我的理念也是人的激情是非常重要的，人做自己喜欢的事情时会迸发出更多的能量。而且，做人做事一定要像瑞迪教授一样有点格局。另外一个有趣的人是马文闵斯，他除了在人工智能研究之外，也是一个跨界的人才，即兴创作古典赋格音乐，在他看来理解音乐是理解人类大脑的一种有效途径，反之，理解人类的大脑也有助于我们欣赏音乐的本质。对我的启发是培养孩子还是要培养多方面的兴趣，知识是相通的，尤其在人工智能的年代，未来对人才的需求更加多元化。
就到这里吧，书里还讲了奇点啊（Singularity）--超人工智能到来的那个神秘时刻，哪些职业会消失啊，有兴趣的自己去看吧，同样一本书，每个人读到的内容是不一样的。
文章快写完的时候，读到了虎嗅上那篇《那些给人工智能打工的人》，瞬间觉得自己写的东西好肤浅，犹豫要不要发，但还是发上来吧，人的认知就是在一点点精进的，多年后回头，希望能够见到自己的成长。