人工智能的定义与探讨
自学进度
数学计算机基础ML算法工程实践微积分Python基础K-NN基于K-NN的鸢尾花分类(201809)线性代数JavaSE/JavaEESVM基于TF-IDF与SVM的电子邮件作者识别方法(201712小美赛-数模B题)概率论与数理统计数据库NaiveBayes基于朴素贝叶斯的法律咨询文本分类方法(201708) 数据结构Word2Vec基于余弦相似度原理的人脸相似度识别(201704认证杯-数模-C题) 操作系统 /Linux TextRank
目录
一定义二数学三CS基础四ML算法五应用场景六推荐文献七精品书单人工智能
研究方法
研究领域
涉及学科
微积分语言(Python/Java)典型算法
分类
K-NN
C4.5
CART
NaiveBayes(朴素贝叶斯)
聚类
K-Means
统计学习
SVM
EM
关联学习
Apriori
链接挖掘
PageRank
集装与推进
Adaboost
实际应用全局导览
学习路径
网络资源
API
机器学习线性代数数据结构 学科与学科间关系概率论与数理统计计算机算法思想 计算机典型算法
一定义
资料来源于维基百科、西瓜书（周志华教授《机器学习》）、百度百科与网络
人工智能
“智能主体（intelligentagent）的研究与设计”，智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程。AI的核心问题包括建构能够跟人类似甚至超越的推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中 ----维基百科
计算机科学的一个分支。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。----百度百科
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
如今没有统一的原理或范式指导人工智能研究。
来源：百度云智学院
研究方法控制论/大脑模拟控制论/计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。这些研究者还经常在普林斯顿大学和英国的RATIOCLUB举行技术协会会议.直到1960，大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。GOFAI泛指用最原始的人工智能的逻辑方法解决小领域的问题，例如棋类游戏的算法。人工智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHNHAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETICINTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。子符号法计算智能学科80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上，接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEYBROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。集成方法90年代智能AGENT范式被广泛接受。智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACTAGENTS的概念）。研究领域演绎、推理和解决问题知识表示法知识表示/常识知识库规划学习机器学习运动和控制机器人知觉机器感知语言识别图像识别自然语言处理:自然语言处理探讨如何处理及运用自然语言，自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。社交情感计算创造力计算机创造力相关领域研究的包括了人工直觉和人工想像。伦理管理经济冲击涉及学科哲学和认知科学数学神经生理学心理学计算机科学信息论控制论不定性论机器学习
机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。
这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。
对于人工智能来说，机器学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机器学习：一个归纳推理的机器。
机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。
监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。
监督学习根据输出结果的离散性和连续性，分为分类和回归两类。
非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。
未显式地编程，并赋予计算机智能。-------西瓜书(周志华教授)
学科与学科间关系
二数学
微积分
线性代数
概率论
三计算机基础
语言[Python/Java/]
Python
Java
数据结构
计算机算法思想
分治
减治
计算机典型算法
四机器学习算法
典型算法
分类
K-NN
C4.5
CART
NaiveBayes(朴素贝叶斯)
聚类
K-Means
统计学习
SVM
EM
关联学习
Apriori
链接挖掘
PageRank
集装与推进
Adaboost
机器学习常见十大经典算法
五应用场景
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
实际应用机器视觉指纹识别人脸识别视网膜识别虹膜识别掌纹识别专家系统自动规划智能搜索定理证明/推理博弈自动程序设计智能控制机器人学语言和图像理解遗传编程...
自然语言处理与机器视觉的应用场景小结
2018百度-AI开发者大会现场
自然语言处理与法律领域的结合
六顶会/顶刊
本部分内容完全摘抄自如下两份知乎回答，非常感谢。
[1] 计算机科学各个方向有哪些顶刊和顶会？-李昕-知乎
[2] 计算机科学各个方向有哪些顶刊和顶会？- 硕鼠酱-知乎
6.0人工智能
1 AAAI
2 IJCAI
6.1自然语言处理
【会议】
1ACL(AnnualMeetingoftheAssociationforComputationalLinguistics)
>AACL(亚洲分会)2NAACL(AnnualConferenceoftheNorthAmericanChapterofAssociationforComputationalLinguistics) 3EMNLP(EmpiricalMethodsinNaturalLanguageProcessing) 4EACL(AnnualConferenceoftheEuropeanChapterofAssociationforComputationalLinguistics) 5COLING(InternationalConferenceonComputationalLinguistics) 6SIGKDD(ACMSIGKDDConferenceonKnowledgeDiscoveryandDataMining) 7SIGIR(ACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval) 8WWW(InternationalWorldWideWebConference)
【期刊】
1CL (ComputationalLinguistics)
2 TACL(TransactionsoftheAssociationforComputationalLinguistics)
6.2机器学习与数据挖掘/Machinelearning&datamining
1ICML
2KDD
3NIPS
6.3WEB信息检索
1SIGIR
2WWW
6.4计算机视觉
1CVPR
2ECCV
3ICCV
6.5计算机体系结构
1ASPLOS
2ISCA
3MICRO
七推荐资源
全局导览
[1] 机器学习算法
[2]原机器学习（一）：统计学习问题概述
[3] 机器学习
学习路径
博主评注：每个人的专业背景(数理统计、计算机、非数理统计非计算机等)、学历背景、自学能力、学习动机（升学科研、就业、仅仅兴趣等）均不同，每个人的学习路径不一定是一致的，应当自寻一条适合自己的道路。仅仅个人之见。
[1] 机器学习-概述/资源-Github
网络学院(系统性学)
[0] 吴恩达/Coursera-机器学习
[1] 吴恩达/斯坦福大学-机器学习
[2] Google-机器学习速成课程
[3]Google-Tesorflow
[4]Tensorflow中文社区-MNIST机器学习入门
[5]数据挖掘十大算法详解
[6]吴恩达：深度学习与神经网络-网易云课程(免费/2019最新/优质课程)
API
[1]百度
[2]阿里云-机器学习PAI快速入门与业务实践
八精品书单
[1]《统计学习方法》李航
[2]《机器学习》周志华
[3]《MachineLearning》TomM.Mitchell
DeepLearning 实战之word2vec - DeepLearning圈