1. Inteligencia artificial
1.1 ¿Qué es la inteligencia artificial?
El concepto de inteligencia artificial fue propuesto en un seminario celebrado en la Universidad de Dartmount en Estados Unidos en 1956. La Inteligencia Artificial (IA), conocida como IA, es una rama de la informática que intenta comprender la esencia de la inteligencia y producir una nueva máquina inteligente que pueda responder de manera similar a la inteligencia humana. La investigación en este campo incluye la robótica, el habla reconocimiento, reconocimiento de imágenes, procesamiento del lenguaje natural y sistemas expertos, etc. Se utiliza principalmente para ayudar a los humanos a completar cálculos complejos, mejorar la eficiencia del trabajo y recuperar cantidades masivas de información .
1.2 Funciones de la inteligencia artificial
- Reconocimiento de voz : el habla humana puede reconocerse, comprenderse y convertirse en texto o instrucciones procesables.
- Procesamiento del lenguaje natural : puede comprender y procesar el lenguaje natural, incluido el análisis de texto, la comprensión semántica, la corrección de errores gramaticales, etc.
- Recomendación inteligente : según las preferencias personales y los patrones de comportamiento del usuario, se pueden recomendar productos, servicios y contenidos adecuados.
- Conducción automática : puede realizar la navegación y el control automáticos de vehículos como automóviles y drones, y reducir la aparición de accidentes de tráfico.
- Finanzas inteligentes : puede analizar grandes cantidades de datos, realizar evaluaciones de riesgos, análisis financieros y toma de decisiones de inversión, etc.
1.3 El papel de la inteligencia artificial
1.3.1 Potenciar el desarrollo económico y servir a la vida de las personas
Como medio propicio, la integración de la inteligencia artificial y la economía real puede liderar la transformación industrial y generar nuevas industrias, nuevos modelos y nuevos formatos. Como herramienta para contribuir a una vida mejor de las personas, la aplicación de la inteligencia artificial puede ayudar a mejorar la calidad de vida. y satisfacer las necesidades de mejora del consumo de las personas.
1.3.2 Mejorar la eficiencia de la gobernanza gubernamental
En los últimos años, con la integración de tecnologías digitales de nueva generación como big data, computación en la nube e inteligencia artificial en la construcción del gobierno digital, la "gestión de mangos" y la "gestión con la punta de los dedos" se han convertido en servicios gubernamentales estándar. Los datos fluidos, la experiencia fluida, que permiten a las personas hacer menos recados y más datos, están brindando a las personas una verdadera sensación de ganancia.
1.3.3 Promover la innovación educativa
Como importante fuerza impulsora que lidera una nueva ronda de revolución tecnológica y transformación industrial, la inteligencia artificial ha generado una gran cantidad de nuevos productos, nuevas tecnologías, nuevas industrias y modelos completamente nuevos, y también ha brindado más posibilidades para la modernización de la educación. Con el apoyo de la inteligencia artificial, se contará con más recursos educativos digitales de alta calidad, promoviendo que la educación sea más equitativa.
1.3.4 Uso indebido de la información
Los rostros y otra información son únicos, y ahora que el reconocimiento facial se utiliza ampliamente, surgirán algunos problemas de seguridad.
2. Aprendizaje automático
2.1 ¿Qué es el aprendizaje automático?
El aprendizaje automático es una técnica de inteligencia artificial que utiliza algoritmos para permitir que las computadoras aprendan de los datos para poder tomar decisiones y predicciones automáticamente. El propósito del aprendizaje automático es utilizar datos para mejorar la precisión de las predicciones o decisiones sin intervención humana.
Los algoritmos de aprendizaje automático se pueden aplicar en diversos campos como el procesamiento del lenguaje natural, el reconocimiento de imágenes, el diagnóstico médico, etc. Pueden extraer automáticamente patrones de grandes cantidades de datos y utilizarlos para hacer predicciones y decisiones, ayudando así a las personas a comprender y aplicar mejor los datos. Por ejemplo, cuando utiliza la función de etiquetado automático en una plataforma de redes sociales, es posible que el sistema etiquete personas y objetos en las fotos que carga. Detrás de esto se puede reflejar el aprendizaje automático.
2.2 Algoritmos de aprendizaje automático
2.2.1 Regresión lineal
La regresión lineal es uno de los algoritmos más fáciles de entender en estadística y algoritmos automáticos.
La representación de regresión lineal es una ecuación que describe la línea de valores que mejor se ajusta a la relación entre una variable de entrada (X) y una variable de salida (Y) al encontrar pesos específicos de cantidades de entrada llamados coeficientes (B).
2.2.2 Regresión logística
La regresión logística es otra técnica que el aprendizaje automático toma prestada del campo de la estadística. Es el método elegido para problemas de clasificación binaria (problemas con dos valores de clase).
La regresión logística es similar a la regresión lineal en que el objetivo es encontrar valores de coeficientes que ponderen cada variable de entrada. A diferencia de la regresión lineal, la predicción de la salida se transforma utilizando una función no lineal llamada función logística.
2.2.3 Análisis discriminante lineal
El análisis discriminante lineal es una generalización del método discriminante lineal de Fisher, que utiliza estadísticas , reconocimiento de patrones y métodos de aprendizaje automático para intentar encontrar una combinación lineal de las características de dos clases de objetos o eventos con el fin de poder caracterizarlos o distinguirlos. . La combinación resultante se puede utilizar como clasificador lineal o, más comúnmente, para reducción de dimensionalidad para clasificación posterior. Si tiene más de dos clases, entonces el algoritmo de análisis discriminante lineal es la técnica de clasificación lineal preferida.
2.2.4 Árboles de clasificación y regresión
El inglés de árbol de clasificación y regresión es Árbol de clasificación y regresión, y la abreviatura es CART. CART es un método de aprendizaje que genera una distribución de probabilidad condicional de una variable aleatoria Y dada una variable aleatoria de entrada X. CART supone que el árbol de decisión es un árbol binario, los valores de las características del nodo interno son "sí" y "no", la rama izquierda es la rama con el valor "sí" y la rama derecha es la rama con el valor "no". Dicho árbol de decisión equivale a dividir recursivamente cada característica, dividir el espacio de entrada, es decir, el espacio de características, en un número finito de unidades y determinar la distribución de probabilidad predicha en estas unidades, es decir, la probabilidad condicional de la salida. bajo las condiciones de entrada dadas distribuidas. Consiste en generación de árboles y poda de árboles. El árbol de decisión es un algoritmo importante del aprendizaje automático.
2.2.5 Bayes ingenuo
Según el teorema de Bayes, se supone que las características son independientes entre sí y se utilizan para problemas de clasificación.
2.2.6 Máquina de vectores de soporte (SVM)
Para problemas de clasificación y regresión, encuentre un hiperplano óptimo para la clasificación asignando los datos a un espacio de alta dimensión.
2.2.7 K vecinos más cercanos
Clasifique el punto objetivo en la categoría que ocurre con más frecuencia calculando la distancia entre el punto objetivo y los K puntos más cercanos en el conjunto de datos de entrenamiento.
2.2.8 Bosque aleatorio
El método de aprendizaje integrado predice a través de los resultados de múltiples árboles de decisión para mejorar el efecto de clasificación.
2.2.9 Reducción de dimensionalidad
La llamada reducción de dimensionalidad en el campo del aprendizaje automático se refiere al uso de un determinado método de mapeo para mapear puntos de datos en el espacio original de alta dimensión a un espacio de baja dimensión. La esencia de la reducción de dimensionalidad es aprender una función de mapeo f: x->y, donde x es la expresión del punto de datos original y actualmente se usa como máximo la expresión vectorial. y es una expresión vectorial de baja dimensión después del mapeo de puntos de datos, generalmente la dimensión de y es menor que la de x (por supuesto, también es posible aumentar la dimensión). f puede ser explícito o implícito, lineal o no lineal.
2.2.10 Red neuronal artificial
Imitando la estructura y función de las redes neuronales biológicas, el aprendizaje y la detección se realizan a través de conexiones entre neuronas multicapa.
3. Aprendizaje profundo
3.1 ¿Qué es el aprendizaje profundo?
El aprendizaje profundo (DL) es una forma específica de aprendizaje automático que utiliza redes neuronales con múltiples capas de unidades de procesamiento no lineales para aprender y representar datos. En el corazón del aprendizaje profundo está el uso de redes neuronales profundas , que pueden extraer automáticamente características complejas de los datos y funcionar bien en una variedad de tareas, como el reconocimiento de imágenes, el reconocimiento de voz y el procesamiento del lenguaje natural.
3.2 Modelo de aprendizaje profundo
- Redes neuronales convolucionales (CNN): se utilizan principalmente para tareas relacionadas con imágenes y videos, extrayendo características espaciales a través de conexiones locales y reparto de peso.
- Redes neuronales recurrentes (RNN): capaces de procesar datos de secuencia, como tareas como el procesamiento del lenguaje natural y el reconocimiento de voz. Los RNN pueden utilizar información pasada como contexto para hacer predicciones.
- Memoria larga a corto plazo (LSTM): una variante especial de RNN que resuelve los problemas de desaparición y explosión de gradiente de los RNN tradicionales a través de un mecanismo de activación.
- Redes generativas adversarias (GAN): compuestas por un generador y un discriminador, el generador intenta generar muestras realistas, mientras que el discriminador intenta distinguir las muestras reales de las muestras generadas, que se optimizan mediante el aprendizaje confrontativo.
- Mecanismo de atención : al procesar datos de secuencia de longitud variable, puede darle al modelo la capacidad de seleccionar y centrarse de forma independiente en información importante.
Cuatro, la relación entre los tres.
Existe una cierta relación entre la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo. La inteligencia artificial se refiere a una disciplina y tecnología en la que las computadoras pueden simular la inteligencia humana. El aprendizaje automático es una rama de la inteligencia artificial diseñada para permitir que las computadoras aprendan y mejoren automáticamente el rendimiento a través de datos y experiencia, sin instrucciones de programación explícitas. El aprendizaje profundo es una forma especial de aprendizaje automático , que aprende y toma decisiones simulando la estructura y función de la red neuronal del cerebro humano.
En pocas palabras, el aprendizaje automático es un método para realizar inteligencia artificial y el aprendizaje profundo es una tecnología o algoritmo de aprendizaje automático. El aprendizaje profundo utiliza una gran cantidad de datos y una red neuronal multinivel, que puede realizar una mejor extracción de características y reconocimiento de patrones, y tiene capacidades de aprendizaje de representación y toma de decisiones más sólidas que los métodos tradicionales de aprendizaje automático.