人工智能之计算智能
开发十年，就只剩下这套Java开发体系了>>>
计算智能（ComputationalIntelligence，CI）是借鉴仿生学的思想，基于人们对生物体智能机理的认识，采用数值计算的方法去模拟和实现人类的智能。
计算智能的三大基本领域包括神经计算、进化计算、模糊计算。
一、神经计算
神经计算的概念：亦称神经网络(NeuralNetwork，NN)，它是通过对大量人工神经元的广泛并行互联所形成的一种人工网络系统，用于模拟生物神经系统的结构和功能。
主要研究内容：包括人工神经元的结构和模型，人工神经网络的互连结构和系统模型，基于神经网络的联结学习机制等
人工神经元：是指用人工方法构造单个神经元，它有抑制和兴奋两种工作状态，可以接受外界刺激，也可以向外界输出自身的状态，用于模拟生物神经元的结构和功能，是人工神经网络的基本处理单元。
人工神经网络的互连结构（或称拓扑结构）是指单个神经元之间的连接模式，它是构造神经网络的基础。从互连结构的角度，神经网络可分为前馈网络和反馈网络两种主要类型。
网络模型是对网络结构、连接权值和学习能力的总括。最常用的有传统的感知器模型，具有误差前向传播功能的前向传播网络模型，采用反馈连接方式的反馈网络模型等。
神经网络具有自学习、自组织、自适应、联想、模糊推理等能力，在模仿生物神经计算方面有一定优势。目前，神经计算的研究和应用已渗透到许多领域，如机器学习、专家系统、智能控制、模式识别等。
二、进化计算
进化计算的概念
是一种模拟自然界生物进化过程与机制，进行问题求解的自组织、自适应的随机搜索技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将生物进化过程中的繁殖、变异、竞争和选择引入到了算法中，是一种对人类智能的演化模拟方法。
进化计算的主要分支
遗传算法、进化策略、进化规划和遗传规划四大分支。其中，遗传算法是进化计算中最初形成的一种具有普遍影响的模拟进化优化算法。
三、模糊计算
(美国密执安大学霍兰德教授1962提出)是使用模拟生物和人类进化的方法来求解复杂问题。它从初始种群出发，采用优胜略汰、适者生存的自然法则选择个体，并通过杂交、变异产生新一代种群，如此逐代进化，直到满足目标为止。
模糊计算：亦称模糊系统，是通过对人类处理模糊现象的认知能力的认识，用模糊集合和模糊逻辑去模拟人类的智能行为的。模糊集合与模糊逻辑是美国加州大学扎德(Zadeh)教授1965年提出来的一种处理因模糊而引起的不确定性的有效方法。
模糊概念的定义：通常，人们把那种因没有严格边界划分而无法精确刻画的现象称为模糊现象，并把反映模糊现象的各种概念称为模糊概念。例如，“大”、“小”、“多”、“少”等。
模糊概念的表示：通常是用模糊集合来表示的，而模糊集合又是用隶属函数来刻画的。一个隶属函数描述一个模糊概念，其函数值为[0,1]区间的实数，用来描述函数自变量所代表的模糊事件隶属于该模糊概念的程度。
模糊计算的争论：一方面模糊逻辑存在一定缺陷；另一方面它在推理、控制、决策等方面得到了非常广泛的应用。
参考：《人工智能原理及应用》
整理不易！！！转载请注明出处！！！
物联网、人工智能、云计算、大数据及5G的区别及联系
原创知识摆渡人PMz知识农夫
01
—
物联网的概念、核心及关键要素
物联网（IoT）顾名思义就是物体设备之间的网络通信互接，即万物互联，从以往主要以人-人连接的时代，到目前人-物连接的时代逐渐过渡到物与物连接。任何的物体都可以通过网络进行数据的交互往来，相互通信、“交流”，除了实现设备间基本的通讯外，今后将由普通的IoT逐渐发展为AIoT（AI+IoT），即智能物联网，在基础的IoT能力上，融合了AI人工智能，使得每一个设备不仅仅是可以相互连接、通讯，还能够通过AI机器学习对数据进行智能化分析实现物联设备的自我进化、自我预测、自我改造，真正做到物联设备的感知智能化、分析智能化、控制智能化。
物联网的核心在于物联设备网络互联，连接的目的在于获取设备数据，在于管理，在于提质增效，根本使命就是服务于人类生产生活发展。
物联网从技术架构上来看，可分为三层：感知层、网络层和应用层。第一层：感知层，即设备需要感知外界环境，收集数据。通常由各种传感器构成，如温、湿度传感器、二维码及RFID标签、摄像头等感知终端。第二层：网络层，由各种私有网络、互联网、有线和无线通信网、网络管理系统和云计算平台等组成，相当于人的神经中枢和大脑，负责传递和处理感知层获取的数据信息。第三层：应用层，可理解为IoT的核心目标，将获取数据处理分析之后应用于生产、生活，指导实践，提质增效。
02
—
人工智能的概念、核心及关键要素
AI人工智能就像是数学是一门学科，是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，其中一个主要的目的就是想让计算机去做过去只有人才能做的智能工作。即便AI在近些年发展迅速，但人工智能未来的发展也将发生“天花板效应”，“机器智能”除了逻辑、计算、存储等方面外，也只能是无限趋近于人类大脑，而不会超越人脑，如思维方式、情感表达等方面。
人工智能的核心在于算法，算法决定了人工智能的发展高度，没有成熟强大的算法人工智能都是空中楼阁，毫无意义。
人工智能有三大要素：算法（可理解为解决实际问题的方式、方法、模型），算力（处理海量练习数据需要强大的计算能力，这部分角色通常由AI芯片及处理器来承担，可理解为电脑CPU），数据（训练算法模型的原料，不断练习以优化算法）。那么他们之间具有怎么样的关系呢？
一句话，可以将AI理解为一个不断做题寻求最优解的一个过程。
如果将AI机器人比作一个学生，那么AI训练师（目前为一种职业）就是“老师”，老师教AI机器人不同解题、计算方法（即算法，解决实际生产、生活问题，建模等）；“老师”通过不断的将海量的数据“喂”给这个学生，让TA不断地计算、不断地学习，逐渐让这个“学生”拥有发现并改进现有解题方法的能力，直至可以实现独自解题。这是一个教学相长的过程，通过“学生”的学习反馈，“老师”也在不断调整自己教授的算法，在年复一年日复一日周而复始的练习过程中，使得“老师”培养出的这个“学生”能够较好的处理相关问题并趋于完美，总结并形成理论体系，即成熟的算法、模型。
03
—
云计算的概念、核心及关键要素
云计算较为狭义的理解：以往数据的计算大家都需要自己买一个笨重的实体计算器，而云计算则是将实体的计算器进行了虚拟化，只需要通过付费在软件上就可以实现以往的计算需求。云计算的发展离不开服务器和IDC（InternetDataCenter）的技术支持。服务器为云计算提供了强大的计算和存储能力，而IDC数据中心将规模化的硬件服务器整合虚拟到云端，为用户提供的是服务能力和IT效能，是云计算发展的重要支撑。
云计算的核心在于云服务器的数据分析处理，巨大的数据计算处理请求程序分解成无数个小程序，然后通过地面多部服务器计算结果并返回给用户。云服务器是指在实体服务器的操作系统下，利用软件，虚拟出来的服务器。相比传统的实体服务器，即不用考虑场地占用又不用担心设备资产折旧，云服务器还具有可快速部署、灵活扩容、安全稳定可靠等诸多特点。
云计算具有3种服务模式SaaS（软件即服务）、PaaS（平台即服务）和IaaS（基础设施即服务），简单的说如果你想建立一个自己的网站，那么你依次需要做几件事情：①购买服务器→②安装服务器软件→③开发网站→④投入使用。这个过程中，如果你购买他人提供的IaaS服务，那么意味着你就不用自己买服务器了，只需要从第②步开始，自己装服务器软件；如果你购买他人提供的PaaS服务，那么意味着你既不需要买服务器，也不需要自己装服务器软件，只需要从第③步开始，自己开发网站程序；如果你购买他人提供的SaaS服务，这意味着你什么也不用干，只需要使用他们开发好的程序，而且他们会负责软件的日常升级、维护，而你自己只需要专心运营即可。
04
—
大数据的概念、核心及关键要素
大数据(BigData)是指“无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。”大数据具有4V特征：①数据体量巨大(Volume)，通常是PB/EB（1PB=1024TB=1024*1024G）级别；②数据类型繁多(Variety)，除了传统的文字数字还包括照片、音视频等；③价值密度低(Value)，这些数据具有一定的相关关系，并不一定具有因果关系，而且价值密度的高低与数据总量的大小成反比；④处理速度快(Velocity)，海量的数据要求处理的速度需要不断地提升以提高效率。
大数据的核心在于预测，因为量变将会引发质变，在庞大的数据中通过数据的分析处理去挖掘复杂数据中的特定规律以此来预测未来事件的发展。
大数据有几大关键环节，分别为数据来源→数据存储→数据分析处理→生产生活实际应用。针对于数据来源主要可以分为企业数据；IoT设备数据；社交数据；数据储存通常是采用云储存的形式；数据分析处理则为其中的关键，因为要分析处理数据类型既有结构化数据也具有非结构化数据，如照片、音频、视频、符号、表情等，这对分析处理能力提出了较高的要求；最终分析处理的数据都是为了创造价值、应用于生产生活实践，去预测做到超前反应。
05
—
与5G的联系？
大数据需要依赖云计算进行储存、计算分析，而物联网则是未来大数据的主要来源之一；而人工智能则需要大数据、云计算（提供算力）结合算法不断的进化、学习并优化算法模型，物联网则会借助AI成熟算法以提升物联设备的智能化程度。而5G作为通讯网络，在这些关系链中起到的则是纽带作用，是数据的搬运工，是科技时代的血液。预计在2023年前后，我国的5G网络将会全面普及，届时无论是物联网设备入网量、数据量、AI技术等都将有一个质的改变！
现在你对以上概念有了基本认识和了解吗？喜欢可以关注“知识农夫”微信公众号哦
AI人工智能三要素：数据、算力和算法
人工智能这两年的火爆大家有目共睹，取得的一些技术进步大家想必也有所耳闻。这里就来谈谈人工智能的三要素：数据、算力和算法。
首先，这三要素缺一不可，都是人工智能取得如此成就的必备条件。如果非要给这三者排个序的话，我认为应该是数据、算力和算法。
第一是数据。因为人工智能的根基是训练，就如同人类如果要获取一定的技能，那必须经过不断地训练才能获得，而且有熟能生巧之说。AI也是如此，只有经过大量的训练，神经网络才能总结出规律，应用到新的样本上。如果现实中出现了训练集中从未有过的场景，则网络会基本处于瞎猜状态，正确率可想而知。比如需要识别勺子，但训练集中勺子总和碗一起出现，网络很可能学到的是碗的特征，如果新的图片只有碗，没有勺子，依然很可能被分类为勺子。因此，对于AI而言，大量的数据太重要了，而且需要覆盖各种可能的场景，这样才能得到一个表现良好的模型，看起来更智能。
第二是算力。有了数据之后，需要进行训练，不断地训练。AI中有一个术语叫epoch，意思是把训练集翻过来、调过去训练多少轮。只把训练集从头到尾训练一遍网络是学不好的，就像和小孩说一个道理，一遍肯定学不会，过目不忘那就是神童了，不过我至今还没见到过。当然，除了训练(train)，AI实际需要运行在硬件上，也需要推理(inference)，这些都需要算力的支撑。
第三是算法。其实大家现在算法谈得很多，也显得很高端，但其实某种程度上来说算法是获取成本最低的。现在有很多不错的paper，开源的网络代码，各种AutoML自动化手段，使得算法的门槛越来越低。另外提一点，算法这块其实是创业公司比较容易的切入点，数据很多人会觉得low，会认为就是打打标签而已，所以愿意做的不多；算力需要芯片支撑，是大公司争夺的主要阵地，留下的只有算法了。
不过，如果想做一个非常成功的AI应用，这三者都需要具备，所谓天时地利人和。
联系我：guanxs_ai@126.com
微信公众号：