人工智能讲义【大杂烩】（持续更新）

前言：

本文主要面向但不限于非人工智能的专业从业者，只是希望在聊到AI的时候能吹上两句的。可聊话题包括但不限于“AI技术的发展现状”，“AI技术有哪些分类”，“神经网络是什么”等等等

人工智能发展现状

人工智能的现状是：强人工智能很弱、弱人工智能很强。弱人工智能已经强大到可以替代许多的岗位。而人类目前最先进的强人工智能，也远远比不上一个三岁孩子的智力。

强人工智能：指能制造出真正地推理和解决问题的智能机器。比如日本动漫里的“阿童木”、钢铁侠的AI管家“贾维斯”就可以说是一个强人工智能。
弱人工智能：只用于解决某些特定领域的问题，比如 AlphaGo，只会下围棋。

强人工智能很弱的一个原因：机器还没法很好理解人类的语言。

强人工智能很弱的一个原因：机器还没法很好理解人类的语言、思维。

工程上怎么解决呢（强人工智能很弱）？

答案是“人机协作平台”——有别于提供AI算力的平台（后面我们还会提到），人机协作平台旨在提升行业专家参与AI产品开发及运营维护的效率。

>> 举个栗子：智能客服平台

人工智能分类

人工智能分类体系_chenxy02的博客-CSDN博客_人工智能分类

深度学习、神经网络是什么

人工智能讲义（基本概念讲解）_chenxy02的博客-CSDN博客_人工智能讲解

深度学习是什么？

神经网络体验网站

为什么是神经网络

为什么是神经网络&深度学习_chenxy02的博客-CSDN博客_神经网络scale

神经网络怎么训练

朝着大概率正确的方向去试(想像了一下我们玩“愤怒的小鸟”的，试多了也就大概知道以某组角度及力度能把小鸟弹多远)，这也就是所谓的学习，所谓的训练。其中有两个步骤必不可少：

定义Loss Function（代价/损失函数，判定与现实情况的差距，机器学习的目标即为求解损失函数的最小值）
定义Optimizer （优化器，决定神经网络权重参数的变化）

怎么得到大概率正确的方向？

梯度下降是什么意思？

在求解损失函数的最小值最经典且常用的方法就是使用梯度下降法进行迭代求解。

梯度下降（Gradient Descent GD）简单来说就是一种寻找目标函数最小化的方法，它利用梯度信息，通过不断迭代调整参数来寻找合适的目标值。

想具体的理解梯度下降的原理，可参见：什么是梯度下降 - 知乎

神经网络有哪些

1、全连接网络

全连接网络的缺点：计算量大，使用全局信息，无法提取局部特征

2、卷积神经网络

传说在上个世纪90年代扬·乐昆受人脑视觉皮层的启发，发明了卷积神经网络。经过不断优化，开始在图像识别上大放异彩

在CNN卷积神经网络结构中，卷积层的作用是用于提取出图像的特征。并且卷积层的参数是可以学习得到的，高层卷积层根据你的目标，提取出你想要的特征。
“局部感知，参数共享”。来大大降低了网络参数，保证了网络的稀疏性，防止过拟合。

目前工业界所使用的神经网络分类大概如下：

人工智能的应用场景

CV（Computer Vision，计算机视觉）常见名词解析

人脸检测：检测图片中是否包含人脸以及人脸位置坐标与5个关键点坐标。(把人脸框出来)

人脸识别：用户给定一张图片，对人脸库中的注册人脸进行检索，并返回人脸信息。（认出谁是谁）

人证对比：判断某个人脸与证件照是否为同一个人

（NLP——Natural Language Processing）

为什么需要“向量化”：

答案：需要计算！如图片、文本、声音等非结构化数据无法很好的进行“相似度”等计算，需要化先转化为相应的数值。

eg: 在"人脸识别"的场景中，人脸注册即将相应的人脸照片转化为固定维度的向量（如128维）保存在人脸底库，人脸识别即通过向量计算度计算检索出最相似的人脸。