AI笔记（一）：人工智能概论
1.1人工智能1.1.1人工智能1、人工智能：是指让机器获得像人类一样的智能机制的技术。2、解决抽像的概念无法用具体的代码实现，比如人类对图片的识别，对语言的理解过程，无法通过既定规则模拟。为了解决这类问题，一门通过让机器自动从数据中学习规则的研究学科诞生了，称为机器学习。3、机器学习：通过让机器自动从数据中学习规则。4、神经网络：在机器学习中，有一门通过神经网络来学习复杂、抽象逻辑的方向，称为神经网络。5、深度学习：深层神经网络的新名字。神经网络和深度学习的区别：一般来讲，神经网络和深度学习的本质区别并不大，深度学习特指基于深层神经网络实现的模型和算法。
1.1.2机器学习1、有监督学习：样本x和样本y，从x—>y的映射，计算预测值和真实y之间的误差优化网络参数，使得下一次预测更加精准。包括线性回归、逻辑回归、支持向量机、随机森林等。2、无监督学习：只有样本x数据集，算法需要自己发现数据模态。其中一种算法，x—>x，自监督学习。常见的无监督学习算法有自编码器，生成对抗网络等。3、强化学习：增强学习，与环境进行交互来学习解决问题。常见的强化学习算法有DQN、PPO等。
1.1.3神经网络与深度学习1、将利用深层神经网络实现的算法或模型称为深度学习。2、比较深度学习算法与其他算法。基于规则的系统一般会编写显示的规则逻辑，这些逻辑一般是针对特定任务设计的，并不适合其他业务。深度学习算法会认为设计具有一定通用性的特征检测方法。这些特征能够适合某一类的任务，具有一定的通用性。3、浅层的神经网络的特征提取能力较为有限，深层的神经网络擅长提取深层，抽象的高层特征。
1.2神经网络的发展简史1.2.1浅层神经网络1、最早的神经元数学模型，称为MP神经元模型。
2、MP神经元模型并没有学习能力，只能完成固有逻辑的判定。3、第一个自动学习权重的神经元模型，称为感知机。4、输出值和真实值之间的误差用于调整神经元的权重参数（w1、w2、w3…）。5、感知机等线性模型的主要缺陷：无法处理简单的异或XOR等线性不可分问题。6、反向传播算法（BP算法），依旧是现代深度学习的核心理论基础。7、相继提出卷积神经网络，循环神经网络，反向传播算法等算法模型。8、BP算法（Backpropagation）应用在多层感知机。9、应用最为广泛的循环神经网络变种之一LSTM提出。10、双向循环神经网络提出。11、支持向量机（SVM）为代表的传统机器学习算法兴起。支持向量机拥有严格的理论基础，需要的样本数量较少，同时拥有良好的泛化能力。相比较，神经网络理论基础欠缺，可解释性差，很难训练深层网络，性能也一般。
RNN循环神经网络。
1.2.2深度学习1、DeepLearning（深层神经网络——深度学习）2、线性整流单元（RecyifiedLinearUnit，ReLU）激活函数3、无监督学习和强化学习领域，生成对抗网络，通过对抗训练的方式学习样本中的真实分布，从而生成逼近度较高的图片。应用深度神经网络到强化学习领域，提出了DQN算法。
1.3深度学习特点1.3.1数据量1、随着神经网络的兴起，尤其是深度学习，网络层数较深，模型的参数两成百上千万个，为了防止过拟合，需要的数据集的规模通常也是巨大的。2、深度学习对数据集需求较高，收集数据，尤其是收集带标签的数据，代价昂贵。3、数据集的形成通常需要手动收集、爬取原始数据，并清洗掉无效样本，再通过人类智能去标注数据样本，因此不可避免地引入主观偏差和随机误差。
1.3.2计算力1、传统的机器学习算法并不像神经网络这样对数据量和计算能力有严苛的要求，通常在CPU上串行训练即可得到满意结果。但是深度学习非常依赖并行加速计算设备。2、目前的大部分神经网络均使用NVIDIAGPU和GoogleTPU或其他神经网络并行加速芯片训练模型参数。3、目前普通消费者能够使用的深度学习加速硬件设备主要来自NVIDIA的GPU显卡。
1.3.3网络规模1、早期的感知机模型和多层神经网络层数只有1层或者2-4层，网络参数也在数万左右。随着深度学习的兴起和计算能力的提升，AlexNet（8层），VGG16（16层），GoogLeNet（22层），ResNet（50层），DenseNet121（121层），输入图片的大小也逐渐增大。这些使得网络的总参数量可达到千万级别。
1.3.4通用智能1、设计一种像人脑一样可以自动学习、自我调整的通用智能机制。
1.4深度学习应用1.4.1计算机视觉1、图像识别（ImageClassification）：常见分类问题，神经网络的输入为图片数据，输出值为当前样本属于每个类别的概率，通常选取概率值最大的类别作为样本的预测类别。经典的网络模型有VGG系列、Inception系列、ResNet系列等。2、目标检测(ObjectDetection)：是指通过算法自动检测出图片中常见物体的大致位置，通常用边界框（Boundingbox）表示，并分类出边界框中物体的类别信息。3、语义分割（SemanticSegmentation）：通过算法自动分割并识别出图片中的内容，可以将语义分割理解为每个像素点的分类问题，分析每个像素点属于物体的类别。5、视频理解（VideoUnderstanding）：深度学习在2D图片上取得较好效果，在具有时间维度信息的3D视频理解上受到越来越多的关注。常见的视频理解任务有视频分类、行为检视频主体抽取等。6、图片生成（ImageGeneration）:
1.4.2自然语言处理1、机器翻译2、聊天机器人
1.4.3强化学习1、虚拟游戏2、机器人3、自动驾驶
1.5深度学习框架1.5.3功能演示深度学习的核心是算法的设计思想，深度学习框架只是我们实现算法的工具。1、加速计算：神经网络本质是由大量的矩阵相乘，矩阵相加等基本数学运算构成，TensorFlow的重要功能就是利用GPU方便实现并行计算加速功能。2、自动梯度：在使用TensorFlow构建前向计算过程的时候，除了能够获得数值结果，TensorFlow还会自动构建计算图，通过它提供的自动求导的功能，可以不需要手动推导，即可计算出输出对网络的偏导数。3、常用神经网络接口TensorFlow除了提供底层的矩阵相乘，相加等运算函数，还内建了常用网络运算函数，常用网络层，网络训练，网络保存与加载，网路部署等一系列深度学习系统的便捷功能。
人工智能时代学生如何学习
韩国围棋世界冠军李世石被人工智能打败后，很多人开始担心，人类如何抗衡人工智能。诺贝尔文学奖获得者莫言在回答高中生的提问“人工智能对世界的影响”时，幽默地说：“你们要好好学习，未来还是你们的，不是机器人的。”
“学习”的确是人们面对人工智能首先要采取的姿态。
人工智能等数字科技重塑人脑
“在计算机擅长的领域中，人类绞尽脑汁来战胜人工智能是不明智的。与其在这个领域中和机器较劲，不如把精力放在自己擅长的领域，比如创造与想象。充分发挥自己的专长，并且利用好机器的专长，岂不是更加美好？”华东师范大学教授祝智庭说。
德国波鸿市鲁尔大学的一项研究表明，大脑在学习新东西以后的3个小时内便会改变结构。人工智能支持的个性学习、协同学习、体验学习和探究学习等学习方式，对脑结构的改变会更加明显。特别是人工智能支持的深度体验与探究学习，会多方面深度激活不同脑神经区域，也就是说人类的大脑正不断地被智能科技重新塑造。
“当人工智能帮助人类处理规则确定性、动作机械性、过程重复性的日常事务后，人们将会有更多的时间和精力去处理富有情感性和创造性的活动。”祝智庭说。
那么，被人工智能重塑的大脑应该学习什么以迎接新生活呢？
“在人工智能时代，在更‘黑’的‘黑科技’时代，人怎么活着、为什么学习、怎样学习等，才是更本质的问题。”北京景山学校计算机教师吴俊杰说。新的时代，又重复起古老的命题，认识你自己，认识个人与社会的关系，即认识群体。
清华大学数学系教授、清华大学附中校长王殿军认为，在学校引入人工智能，让孩子通过研究机器人更好地理解智能和人类自身，让孩子学会如何和机器人打交道。
“从‘认识你自己’出发，学生要学会提高自我效能感。否则，在人工智能时代，你很容易被机器‘饲养’起来。所以要把自己的天赋发挥出来，在不断的正反馈中，创新成瘾。”吴俊杰说，“从‘认识群体’出发，学生要学会适应和热爱群体化创新。在人工智能时代，特别需要通过群体化方式去共同解决一些问题。”
人工智能时代需转换学习方式
我国“863超脑计划”在开发高考机器人，期望到2020年能够达到清华、北大考生的水平。在祝智庭看来，这是随着人工智能深度学习技术的发展，教育技术正在出现的第六种范式——机器自主学习。其他5种范式包括计算机辅助教学、智能教学系统、Logo-as-Latin（让儿童用LOGO语言来教计算机，以此发展儿童思维能力）、计算机支持的协作学习（CSCL）和新出现的个性化适性学习。
“到了那时，人们才会清醒地意识到，既然基于算法的机器人能够轻易超越人的逻辑思维能力，教育为什么不让学生转向审辩思维、创造思维发展呢？高考为什么不多用一些面向本真问题解决的综合能力测试题呢？这是技术促进教育变革的真正意义所在。”祝智庭说。
清华大学附小五年级的穆子雯最近在老师指导下完成了一项北京地铁空间中PM2.5及PM10的调查研究，起因是重度雾霾使她连续3天都要戴口罩。2017年7月至10月，她选择西直门、西单等7个典型车站，测试晴天、雾霾、大风和下雨等典型天气下的PM2.5和PM10的数值，积累了数百组、上千个数据，对地铁公司提出了绿色出行的建议。像穆子雯这样的学习方式，正是在人工智能背景下比较典型的学习方式。
吴俊杰认为，按照现代学习理论，根据学习中智能匹配的不同方式，可以分为基于问题的学习、基于项目的学习和基于产品的学习三种形式。
“基于问题的学习，倾向于产生知识。它适合所有学校已知的科目，主要是在校园里解决的。基于项目的学习产生的是一个方案，一定要有甲方、乙方，可以超越校园，更加接近真实生活。还有一种新的学习模式叫基于产品的学习，这种学习更倾向于真实的环境，从使用产品到设计产品，甚至将产品转化成全人类的共同财富。基于产品的学习在现在流行的创客教育中慢慢流行开来，教育不仅引导大家适应现在的生活，而且号召我们主动构建未来的生活。”
人工智能创造新的学习文化
在北京景山学校初一年级的计算机课上，学生李雨嘉演示了自己编程设计的爱心卡，按下爱心卡的一个按键，可以显示自己的名字；按两下，可以显示好朋友的名字；按三下，可以显示一颗爱心。
这样的编程看似简单，却是未来社会常见的甚至是必需的技能，编程语言可能成为人类必须掌握的新语言。“人工智能时代，需要掀起一场‘新识字运动’，所有人都要学会重新学会‘写字’，这场运动的主角是编程、创客、机器人。”吴俊杰说。只有这样，人工智能才会为人类开创一种新的文明形态。
这是迥异于传统语言文字的“语言”，代表着学习形态的变化，代表着一种新的学习文化。
南京大学教授桑新民自20世纪90年代就开始在课堂教学中研究信息时代学习理论与技术，他认为人工智能对教育的价值，正在于不断替代师生的低水平重复性教学活动，让课堂充满生命活力。这种对教育的挑战，恰恰是教育的福音和教育的未来。
这种新的学习文化，具有丰富的内涵。在祝智庭看来，人工智能使得学习者可以在任何时间、任何地点通过多种渠道接入学习，获取知识不再局限于学校教育阶段。此外，人工智能使得认知不仅发生在头脑中，还发生在人与智能工具的交互过程中。在教育关系方面，人工智能打破了教育的知识传播平衡，加强了“以学生为中心”的关系。而虚拟导师、虚拟学伴、虚拟团队、虚拟教练、虚拟班友等，是对人脑智能的延伸、强化和补充，改变了以往学习主体之间、学习主体与环境之间的交互作用，改变了学习生态。“但是无论如何变化，教育发展的总趋向是让学生从学会到会学与会创。”祝智庭说。
在这种新的学习文化中，教师也变了一个样。未来，教师不可能被人工智能所取代。但祝智庭认为，教师角色必须转变，从知识传播者变为学习促进者；教师的能力结构也必须改变，不懂技术的教师将被懂技术的教师所替代；人与机器之间必须合理分工、协同工作。
“君子不器。不要把自己变成一个物品，变成一个工具，变成一个只有一样功能的人。人工智能时代帮助教师变成智者。”吴俊杰说。
学生也同样如此。（本报记者杨桂青）