了解AI！它包括哪些学科
原标题：了解AI！它包括哪些学科？人工智能英文缩写为AI，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，它是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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
AI从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”，人工智能可以对人的意识、思维的信息过程的模拟，人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能由不同的领域组成
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学，人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
它涉及到生物、控制、计算机和识别等方面，因此涵盖的学科范围极广，但是具体到人工智能的某一个专业的话，仅仅会接触其中的几门主要学科，人工智能是一门边缘学科，属于自然科学和社会科学的交叉，人工智能涉及的学科包括：计算机科学、信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
人工智能前景广阔人工智能已经列入国家中长期发展规划，未来，不对，现在人工智能已经或正在渗入生产生活的方方面面，目前人工智能专业的学习内容有：机器学习、人工智能导论、图像识别、生物演化论、自然语言处理、语义网、博弈论等，其实，人工智能不算难学，它需要有一定的数学相关的基础，同时还有一段时间的积淀。返回搜狐，查看更多
责任编辑：人工智能领域技术，主要包含了哪些核心技术
从语音识别到智能家居，从人机大战到无人驾驶，人工智能的“演化”给我们社会上的一些生活细节，带来了一次又一次的惊喜，未来更多智能产品依托的人工智能技术会发展成什么样呢?让我们来看看2018人工智能标准化白皮书里面，对人工智能关键技术的定义。
人工智能技术关系到人工智能产品是否可以顺利应用到我们的生活场景中。在人工智能领域，它普遍包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术。
一、机器学习
机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
根据学习方法可以将机器学习分为传统机器学习和深度学习。
二、知识图谱
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，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。
三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。
机器翻译
机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。
语义理解
语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。
问答系统
问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。
自然语言处理面临四大挑战：
一是在词法、句法、语义、语用和语音等不同层面存在不确定性;
二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性;
三是数据资源的不充分使其难以覆盖复杂的语言现象;
四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算
四、人机交互
人机交互主要研究人和计算机之间的信息交换，主要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。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。
五、计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：
一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度;
二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时;
三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。
六、生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。
识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题;确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。
生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。
七、VR/AR
虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。
虚拟现实/增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术;分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析;交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术;展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境;标准与评价体系重点研究虚拟现实/增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。
目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势。人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：在网络大时代背景下，人工智能技术是如何应用的http://www.duozhishidai.com/article-15277-1.html未来人工智能技术，主要包含哪几种？http://www.duozhishidai.com/article-4938-1.html人工智能时代，你需要了解的9大技术领域http://www.duozhishidai.com/article-3845-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
人工智能涉及的领域和技术有哪些方面
人工智能(计算机科学的一个分支)主要研究用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。有人把人工智能分成两大类：一类是符号智能，一类是计算智能。符号智能是以知识为基础，通过推理进行问题求解。也即所谓的传统人工智能。计算智能是以数据为基础，通过训练建立联系，进行问题求解。人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能。
人工智能上世纪的发展情况
从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。
传统人工智能主要运用知识进行问题求解。从实用观点看，人工智能是一门知识工程学：以知识为对象，研究知识的表示方法、知识的运用和知识获取。
人工智能从1956年提出以来取得了很大的进展和成功。1976年Newell和Simon提出了物理符号系统假设，认为物理符号系统是表现智能行为必要和充分的条件。这样，可以把任何信息加工系统看成是一个具体的物理系统，如人的神经系统、计算机的构造系统等。20世纪80年代Newell等又致力于SOAR系统的研究。SOAR系统是以知识块(Chunking)理论为基础，利用基于规则的记忆，获取搜索控制知识和操作符，实现通用问题求解。Minsky从心理学的研究出发，认为人们在他们日常的认识活动中，使用了大批从以前的经验中获取并经过整理的知识。该知识是以一种类似框架的结构记存在人脑中。因此，在70年代他提出了框架知识表示方法。到80年代，Minsky认为人的智能，根本不存在统一的理论。1985年，他发表了一本著名的书《SocietyofMind(思维社会)》。书中指出思维社会是由大量具有某种思维能力的单元组成的复杂社会。以McCarthy和Nilsson等为代表，主张用逻辑来研究人工智能，即用形式化的方法描述客观世界。逻辑学派在人工智能研究中，强调的是概念化知识表示、模型论语义、演绎推理等。McCarthy主张任何事物都可以用统一的逻辑框架来表示，在常识推理中以非单调逻辑为中心。传统的人工智能研究思路是“自上而下”式的，它的目标是让机器模仿人，认为人脑的思维活动可以通过一些公式和规则来定义，因此希望通过把人类的思维方式翻译成程序语言输入机器，来使机器有朝一日产生像人类一样的思维能力。这一理论指导了早期人工智能的研究。
近年来神经生理学和脑科学的研究成果表明，脑的感知部分，包括视觉、听觉、运动等脑皮层区不仅具有输入/输出通道的功能，而且具有直接参与思维的功能。智能不仅是运用知识，通过推理解决问题，智能也处于感知通道。
1990年史忠植提出了人类思维的层次模型，表明人类思维有感知思维、形象思维、抽象思维，并构成层次关系。感知思维是简单的思维形态，它通过人的眼、耳、鼻、舌、身感知器官产生表象，形成初级的思维。感知思维中知觉的表达是关键。形象思维主要是用典型化的方法进行概括，并用形象材料来思维，可以高度并行处理。抽象思维以物理符号系统为理论基础，用语言表述抽象的概念。由于注意的作用，使其处理基本上是串行的。
人工智能的技术应用领域
目前，人工智能在我国及欧美国家都属于热门的话题。我国更是有不少公司的产品动则加上“智能”2字。除了目前最热的机器学习，人工智能方向还有不少的技术应用，下面就简要介绍人工智能的技术应用领域。
主体技术
主体技术(agenttechnology)不仅是分布智能的研究热点，而且可能成为下一代软件开发的重要突破点。事实上，对主体的研究已经成为人工智能学科的核心内容，有人认为是人工智能研究的初始目标和最终目标
主体（agent）也叫智能体，代理，或智能agent。在本书中将agent统一采用主体。在计算机和人工智能领域中,主体可以看作是一个自动执行的实体，它通过传感器感知环境，通过效应器作用于环境。若主体是人，则传感器有眼睛、耳朵和其它器官，手、腿、嘴和身体的其它部分是效应器。若主体是机器人，摄像机等是传感器，各种运动部件是效应器。
机器学习
学习能力是人类智能的根本特征，人类通过学习来提高和改进自己的能力。学习的基本机制是设法把在一种情况下是成功的表现行为转移到另一类似的新情况中去。1983年西蒙（H.Simon）对学习定义如下：能够让系统在执行同一任务或同类的另外一个任务时比前一次执行得更好的任何改变[119]。这个定义虽然简洁，却指出了设计学习程序要注意的问题。学习包括对经验的泛化：不仅是重复同一任务，而且是域中相似的任务都要执行得更好。因为感兴趣的领域可能很大，学习者通常只研究所有可能例子中的一小部分；从有限的经验中，学习者必须能够泛化并对域中未见的数据正确的推广。这是个归纳的问题，这是学习的中心问题。在大多数学习问题中，不管用哪种算法，能用的数据不足以保证最优的泛化。学习者必须启发式的泛化，也就是说，他们必须选取经验中对未来更为有效的部分。这样的选择标准就是归纳偏置。
从事专家系统研究的人们认为，学习就是知识获取。因为在专家系统的建造中，知识的自动获取是很困难的。所以知识获取似乎就是学习的本质。也有的观点认为，学习是对客观经验表示的构造或修改。客观经验包括对外界事物的感受，以及内部的思考过程，学习系统就是通过这种感受和内部的思考过程来获取对客观世界的认识。其核心问题就是对这种客观经验的表示形式进行构造或修改。从认识论的观点看，学习是事物规律的发现过程。这种观点将学习看做从感性知识到理性知识的认识过程，从表层知识到深层知识的范化过程，也就是说，学习是发现事物规律，上升形成理论的过程。
总结以上观点，可以认为学习是一个有特定目的的知识获取过程，通过获取知识、积累经验、发现规律，使系统性能得到改进、系统实现自我完善、自适应环境。
自动推理
从一个或几个已知的判断(前提)逻辑地推论出一个新的判断(结论)的思维形式称为推理, 这是事物的客观联系在意识中的反映。人解决问题就是利用以往的知识, 通过推理得出结论。自动推理的理论和技术是程序推导、程序正确性证明、专家系统、智能机器人等研究领域的重要基础。
自动推理早期的工作主要集中在机器定理证明。机械定理证明的中心问题是寻找判定公式是否是有效的（或是不一致的）通用程序。对命题逻辑公式，由于解释的个数是有限的，总可以建立一个通用判定程序，使得在有限时间内判定出一个公式是有效的或是无效的。
从实际的观点来看, 每一种推理算法都遵循其特殊的、与领域相关的策略,并倾向于使用不同的知识表示技术。从另一方面来说,如果能找到一个统一的推理理论,当然是很有用的。人工智能理论研究的一个很强的推动力就是要设法寻找更为一般的、统一的推理算法。
数据挖掘
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。
数据挖掘可粗略地理解为三部曲：数据准备（datapreparation）、数据挖掘，以及结果的解释评估（interpretationandevaluation）。
由于数据挖掘是一门受到来自各种不同领域的研究者关注的交叉性学科，因此导致了很多不同的术语名称。其中，最常用的术语是"知识发现"和"数据挖掘"。相对来讲，数据挖掘主要流行于统计界（最早出现于统计文献中）、数据分析、数据库和管理信息系统界；而知识发现则主要流行于人工智能和机器学习界。
本体知识系统
20世纪70年代后期，专家系统、知识系统和知识密集型的信息系统的构建技术发展而形成知识工程，所建立的系统简称为知识系统（knowledge-basedsystems）。知识系统是人工智能学科最重要的工业化和商业化产物。知识系统用于辅助人们进行问题求解，如检测信用卡诈骗、加速船舶设计、辅助医疗诊断、使科学软件更加智能化、向全体决策人员提供金融服务、产品质量的评价和广告宣传、支持电子网络的服务恢复。
知识工程
1977年美国斯坦福大学计算机科学家费根鲍姆教授(B．A．Feigenbaum)在第五届国际人工智能会议—提出知识工程的新概念。他认为，“知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。”这类以知识为基础的系统，就是通过智能软件而建立的专家系统。
知识工程可以看成是人工智能在知识信息处理方面的发展，研究如何由计算机表示知识，进行问题的自动求解。知识工程的研究使人工智能的研究从理论转向应用，从基于推理的模型转向基于知识的模型，包括了整个知识信息处理的研究，知识工程已成为一门新兴的边缘学科。
专家系统
专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力的建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。这种基于知识的系统设计方法是以知识库和推理机为中心而展开的，即：
专家系统=知识库+推理机
它把知识从系统中与其他部分分离开来。专家系统强调的是知识而不是方法。很多问题没有基于算法的解决方案，或算法方案太复杂，采用专家系统，可以利用人类专家拥有丰富的知识，因此专家系统也称为基于知识的系统（Knowledge-BasedSystems）。一般说来，一个专家系统应该具备以下三个要素：
（1）具备某个应用领域的专家级知识；
（2）能模拟专家的思维；
（3）能达到专家级的解题水平。
语义Web服务
语义Web是由WWW的创始人TimBerners-Lee在2001年正式提出的，它是对万维网本质的变革，它的主要任务是使数据能被计算机自动的处理和理解，其最终目标是让计算机可以在这些海量信息中找到人所需要的任何信息，从而将万维网中现存的信息发展成一个巨大的全球信息库、知识库。它研究的主要目的就是扩展当前的万维网，使得网络中的信息具有语义，能够被计算机理解，便于人和计算机之间的交互与合作，其研究重点就是如何把信息表示为计算机能够理解和处理的形式，即带有语义。TimBerners-Lee给出了语义Web中的层次结构关系，它主要基于XML和RDF/RDFS，并在此之上构建本体和逻辑推理规则，以完成基于语义的知识表示和推理，从而能够为计算机所理解和处理。
Web服务是当前最主要的一种服务实现技术，它为上述服务概念的落实提供了使能手段。Web服务最初是由Ariba、IBM和Microsoft等共同提出的，旨在为Internet上跨越不同地域、不同行业的应用提供更强大的互操作能力。Web服务是一种软件系统，被设计用于实现机器之间通过网络的互操作。Web服务拥有极其可处理的接口描述，外部系统可依据这个描述，通过SOAP消息与其交互。
语义网格
网格是一种新兴的技术，正处在不断发展和变化当中。简单地说，网格是一种信息社会的网络基础设施，是利用互联网把分散在不同地理位置上的多个资源，包括计算资源、存储资源、通信资源、软件资源、信息资源、知识资源等全面连通和统一分配、管理及协调起来，通过逻辑关系组成一台“虚拟的超级计算机”。这台机器把每一台参与其中的、包括个人电脑在内的计算机都作为自己的一个“节点”，成千上万个这样的“节点”并联起来，就组成了“一张有超级计算能力的网格”。而每一位将自己的计算机连接到网格上的用户，也就“拥有了”这架超级计算机，可以随时随地调用其中的计算和信息资源，在获得一体化信息服务的同时，最大程度地实现资源共享。网格计算模式首先把要计算的数据分割，然后不同节点的计算机可以根据自己的处理能力下载一个或多个数据片断。只要位于某个节点的计算机的用户不使用计算机时，就会调动闲置的计算能力。网格的优势在于不但数据处理能力超强，而且能充分利用网上的闲置处理能力来节约计算成本，实现资源的共享，消除资源孤岛。
网格计算技术首先出现在科研领域的大型科学计算和项目研究中，医药、制造、气象、勘探等需要大型计算机功能的行业将首批成为这一技术的受益者，随着连接到网格系统上的计算资源的增加，网格计算技术也会造福于小企业和消费者，家庭PC用户也将能够用上公、私机构提供的更快、更廉价的服务，到那时任何设备可以在任何地方接入以享用某种层次的资源，而不必关心这些资源是从那里来的,就像用现在的电网一样。
神经网络
神经网络在文献中也称为人工神经网络、神经计算，连接主义人工智能，并行分布处理等。一个神经网络是一个由简单处理元构成的规模宏大的并行分布处理器，具有存储经验知识和使之可用的特性。神经网络从两个方面上模拟大脑。
（1）神经网络获取的知识是从外界环境中学习得来的。
（2）内部神经元的连接强度，即突触权值，用于储存获取的知识。
用于完成学习过程的程序称为学习算法，其功能是以有序的方式改变系统权值以获得想要的设计目标。突触权值修改提供神经网络设计的传统方法。这种方法和线性自适应滤波器理论很接近，滤波器理论已经很好地建立起来并成功应用在很多不同领域。但是神经网络修改它的拓扑结构亦是可能的，这也和人的神经元会死亡和新的突触连接会建立等情况相适应。
决策支持系统
长期来信息系统的研究者以及技术人员不断研究和构建决策支持系统（DSS）。DSS的大致发展历程是：60年代后期，面向模型的DSS的诞生，标志着决策支持系统这门学科的开端；70年代，DSS的理论得到长足发展；80年代前期和中期，实现了金融规划系统以及群体决策支持系统（GroupDSS）。80年代中期，通过将DDS与知识系统相结合，我们提出并实现了智能决策支持系统（IDSS）(参考:史忠植:知识工程)。文献表明，在那以后开始出现了主管信息系统，联机分析处理（OLAP）以及商业智能。90年代中期，发展基于Web的DSS成为了活跃的研究领域，并产生了广泛的影响。
人工生命
人工生命是指用计算机和精密机械等生成或构造表现自然生命系统行为特点的仿真系统或模型系统。自然生命系统的行为特点表现为自组织、自修复、自复制的基本性质，以及形成这些性质的混沌动力学、环境适应和进化。
美国圣菲研究所非线性研究组的兰顿(C.G.Langton)于1987年提出人工生命(artificiallife)[61]。人工生命的独立研究领域的地位已被国际学术界所承认。在1994年创刊并在世界著名学府麻省理工学院出版的国际刊物ArtificialLife，是该研究领域内的权威刊物。
为什么要研究人工生命？在这一领域研究时要支持哪些东西。从控制我们的生态环境的工程新应用到在自然界中为我们提供较好的前景这个广阔的范围，都可以找到它的应用。人工生命的研究可使我们更好地理解涌现特征，个体在低级组织中的集合，通过我们的相互作用，常可产生特征。该特征不仅仅是个体的重叠，而且是总体上新的出现特征。这样的现象可见于自然界的所有领域，但在生命系统中更为明显。生命本身确实有涌现性质，当总体分解为它们的组成部分时，相互作用所产生的涌现性质将全部消失。归约科学，它的研究方法今天看来是最严肃的学术研究，其中大部分是分析的方法。归约科学在各个领域都已取得很大成功。但自然的很多特性都被忽略，这并不是因为这些特性是无趣的或不重要的，相反，人们研究这些特性，但缺乏适当的工具和有效的方法来研究，人工生命领域的研究必须是综合的，把所有的因素综合考虑以创造生命形式，而不是肢解。
自然语言理解
自然语言是指人类语言集团的本族语，如汉语、英语等，它是相对于人造语言而言的，如C语言、JAVA语言等计算机语言。语言是思维的载体，是人际交流的工具，人类历史上以语言文字形式记载和流传的知识占到知识总量的80%以上。就计算机应用而言，有85%左右的应用都是用于语言文字的信息处理。在信息化社会中，语言信息处理的技术水平和每年所处理的信息总量已成为衡量一个国家现代化水平的重要标志之一。
自然语言理解作为语言信息处理技术的一个高层次的重要研究方向，一直是人工智能领域的核心课题，也是困难问题之一，由于自然语言的多义性、上下文有关性、模糊性、非系统性和环境密切相关性、涉及的知识面广等原因，使得很多系统不得不采取回避的方法；另外，由于理解并非一个绝对的概念，它与所应用的目标相关，如是用于回答问题、执行命令，还是用于机器翻译。因此，关于自然语言理解，至今尚无一致的、各方可以接受的定义。从微观上讲，自然语言理解是指从自然语言到机器内部的一个映射；从宏观上看，自然语言是指机器能够执行人类所期望的某些语言功能。这些功能包括：
回答问题：计算机能正确地回答用自然语言输入的有关问题；
文摘生成：机器能产生输入文本的摘要；
释义：机器能用不同的词语和句型来复述输入的自然语言信息；
翻译：机器能把一种语言翻译成另外一种语言。
图像处理
图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（ComputerTomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，因人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域。
信息检索
信息检索（InformationRetrieval），通常指文本信息检索，包括信息的存储、组织、表现、查询、存取等各个方面，其核心为文本信息的索引和检索。从历史上看，信息检索经历了手工检索、计算机检索到目前网络化、智能化检索等多个发展阶段。信息检索的对象从相对封闭、稳定一致、由独立数据库集中管理的信息内容扩展到开放、动态、更新快、分布广泛、管理松散的Web内容；信息检索的用户也由原来的情报专业人员扩展到包括商务人员、管理人员、教师学生、各专业人士等在内的普通大众，他们对信息检索从结果到方式提出了更高、更多样化的要求。适应网络化、智能化以及个性化的需要是目前信息检索技术发展的新趋势。
模式识别
模式识别(PatternRecognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物的传感器等对象进行测量的具体模式进行分类和辨识。
模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容,后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力,已经取得了系统的研究成果。
应用计算机对一组事件或过程进行鉴别和分类。所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。
一文了解人工智能与自然语言处理，你需要掌握哪些技能
自然语言处理(NLP)是人工智能领域从感知智能迈向认知智能领域最关键的技术之一。
自然语言处理融合了语言学、计算机科学、人工智能等多种科学，最主要的目的是解决“让机器可以理解自然语言”的问题。
要知道，认知智能到目前为止，都还只是我们人类独有的“特权”与技能，因此，自然语言处理被誉为人工智能皇冠上的明珠。
如果想系统学习并掌握自然语言处理这一技能，在东方林语看来，需要我们从理论与实战两个维度同步努力才可以。
一、必须掌握的一些理论知识1.必须要掌握的一些数学基础知识具体来说主要包括：微积分、线性代数、概率论和统计学四大基础课程。尤其是需要掌握概率论、信息论、贝叶斯法则等这些最基本知识。