一、人工智能的發(fā)展現(xiàn)狀

1.1 概念

根據(jù)維基百科的解釋，人工智能是被機(jī)器展示的智力，與人類和其他動(dòng)物的自然智能相反，在計(jì)算機(jī)科學(xué)中AI研究被定義為 “代理人軟件程序”：任何能夠感受周圍環(huán)境并且能最大化它成功機(jī)會(huì)的設(shè)備。

1.2 重大事件

• 2016 年 3 月 ，AlphaGo 與當(dāng)時(shí)世界排名第四、職業(yè)九段棋手李世石，進(jìn)行圍棋人機(jī)大戰(zhàn)，以 4:1 總比分獲勝。

• 2016 年 10 月 ，美國(guó)白宮發(fā)布了《為未來(lái)人工智能做好準(zhǔn)備》和《美國(guó)國(guó)家人工智能研究與發(fā)展策略規(guī)劃》兩份重磅報(bào)告，詳細(xì)闡述了美國(guó)未來(lái)的人工智能發(fā)展規(guī)劃以及人工智能給政府工作帶來(lái)的挑戰(zhàn)與機(jī)遇。

VentureBeat 對(duì)這兩份報(bào)告進(jìn)行了總結(jié)，得出了 7 個(gè)淺顯易懂的要點(diǎn)：

1. 人工智能應(yīng)當(dāng)被用于造福人類；

2. 政府應(yīng)該擁抱人工智能；

3. 需要對(duì)自動(dòng)汽車和無(wú)人機(jī)進(jìn)行管制；

4. 要讓所有孩子都跟上技術(shù)的發(fā)展；

5. 使用人工智能補(bǔ)充而非取代人類工作者；

6. 消除數(shù)據(jù)中的偏見或不要使用有偏見的數(shù)據(jù)；

7. 考慮安全和全球影響。

• 2016 年雙十一 ，魯班首次服務(wù)雙十一，制作了 1.7 億章商品展示廣告，提升商品點(diǎn)擊率 100%。如果全靠設(shè)計(jì)師人手來(lái)完成，假設(shè)每張圖需要耗時(shí) 20 分鐘，滿打滿算需要 100 個(gè)設(shè)計(jì)師連續(xù)做 300 年。

2017 年，魯班的設(shè)計(jì)水平顯著提升，目前已經(jīng)學(xué)習(xí)百萬(wàn)級(jí)的設(shè)計(jì)師創(chuàng)意內(nèi)容，擁有演變出上億級(jí)的設(shè)計(jì)能力。此外，魯班已經(jīng)實(shí)現(xiàn)一天制作 4000 萬(wàn)張海報(bào)能力，沒有一張會(huì)完全一樣。

• 2017 年 5 月 ，AlphaGo Master 戰(zhàn)勝世界冠軍柯潔。

• 2017 年 10 月 18 日 ，DeepMind 團(tuán)隊(duì)公布了最強(qiáng)版本 AlphaGo， 代號(hào) AlphaGo Zero。

• 2017 年 10 月 25 日 ，在沙特舉行的未來(lái)投資計(jì)劃大會(huì)上，沙特阿拉伯授予美國(guó)漢森機(jī)器人公司生產(chǎn)的 “女性” 機(jī)器人索菲亞公民身份。

作為世界上首個(gè)獲得公民身份的機(jī)器人，索菲亞當(dāng)天說(shuō)，“她” 希望用人工智能 “幫助人類過(guò)上更好的生活”，同時(shí)對(duì)支持 “AI 威脅論” 的馬斯克說(shuō) “人不犯我，我不犯人”!

會(huì)后，馬斯克在推特上說(shuō)：“把電影《教父》輸入了人工智能系統(tǒng)，還能有什么比這個(gè)更糟的？” 教父是好萊塢經(jīng)典電影，劇情充滿了背叛和謀殺。

索菲亞被授予公民身份后所產(chǎn)生的倫理問題也是人們不得不考慮的

近幾年人工智能領(lǐng)域的大新聞太多，這里不一一列舉

二、人工智能、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、增強(qiáng)學(xué)習(xí)之間的關(guān)系是怎樣的

如圖所示，人工智能是一個(gè)大類，包括專家系統(tǒng)、知識(shí)表示、機(jī)器學(xué)習(xí)等等，其中機(jī)器學(xué)習(xí)是目前最火也是發(fā)展最好的一個(gè)分支，機(jī)器學(xué)習(xí)中又包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)，增強(qiáng)學(xué)習(xí)等等。

監(jiān)督學(xué)習(xí)，就是人們常說(shuō)的分類，通過(guò)已有的訓(xùn)練樣本（即已知數(shù)據(jù)以及其對(duì)應(yīng)的輸出）去訓(xùn)練得到一個(gè)最優(yōu)模型（這個(gè)模型屬于某個(gè)函數(shù)的集合，最優(yōu)則表示在某個(gè)評(píng)價(jià)準(zhǔn)則下是最佳的）。

再利用這個(gè)模型將所有的輸入映射為相應(yīng)的輸出，對(duì)輸出進(jìn)行簡(jiǎn)單的判斷從而實(shí)現(xiàn)分類的目的，也就具有了對(duì)未知數(shù)據(jù)進(jìn)行分類的能力。

舉例來(lái)說(shuō)，我們上幼兒園的時(shí)候經(jīng)常做的一個(gè)活動(dòng)叫看圖識(shí)字，如上圖所示，老師會(huì)給我們看很多圖片，下面配了文字，時(shí)間長(zhǎng)了之后，我們大腦中會(huì)形成抽象的概念，兩個(gè)犄角，一條短尾巴，胖胖的（特征）…

這樣的動(dòng)物是牛；圓的，黃的，發(fā)光的，掛在天上的 … 是太陽(yáng)；人長(zhǎng)這樣。等再看到類似的東西時(shí)我們便能認(rèn)出來(lái)，即使跟以前看到的不完全一樣，但是符合在我們大腦中形成的概念，如下圖所示。

非監(jiān)督學(xué)學(xué)習(xí)則是另一種研究的比較多的學(xué)習(xí)方法，它與監(jiān)督學(xué)習(xí)的不同之處，在于我們事先沒有任何訓(xùn)練樣本，而需要直接對(duì)數(shù)據(jù)進(jìn)行建模。

舉個(gè)例子，如圖所示，在沒有任何提示（無(wú)訓(xùn)練集）的情況下，需要把下列六個(gè)圖形分成兩類，你會(huì)怎么分呢，當(dāng)然是第一排一類，第二排一類，因?yàn)榈谝慌判螤罡咏诙判螤罡咏?/p>

非監(jiān)督學(xué)習(xí)就是在實(shí)現(xiàn)不知道數(shù)據(jù)集分類的情況下在數(shù)據(jù)中尋找特征。

深度學(xué)習(xí)是基于機(jī)器學(xué)習(xí)延伸出來(lái)的一個(gè)新的領(lǐng)域，由以人大腦結(jié)構(gòu)為啟發(fā)的神經(jīng)網(wǎng)絡(luò)算法為起源加之模型結(jié)構(gòu)深度的增加發(fā)展，并伴隨大數(shù)據(jù)和計(jì)算能力的提高而產(chǎn)生的一系列新的算法。

深度學(xué)習(xí)概念由著名科學(xué)家 Geoffrey Hinton 等人在 2006 年和 2007 年在《Sciences》等上發(fā)表的文章被提出和興起。

深度學(xué)習(xí)，作為機(jī)器學(xué)習(xí)中延伸出來(lái)的一個(gè)領(lǐng)域，被應(yīng)用在圖像處理與計(jì)算機(jī)視覺，自然語(yǔ)言處理以及語(yǔ)音識(shí)別等領(lǐng)域。

自 2006 年至今，學(xué)術(shù)界和工業(yè)界合作在深度學(xué)習(xí)方面的研究與應(yīng)用在以上領(lǐng)域取得了突破性的進(jìn)展。以 ImageNet 為數(shù)據(jù)庫(kù)的經(jīng)典圖像中的物體識(shí)別競(jìng)賽為例，擊敗了所有傳統(tǒng)算法，取得了前所未有的精確度。

增強(qiáng)學(xué)習(xí)也是機(jī)器學(xué)習(xí)一個(gè)重要的分支，是通過(guò)觀察來(lái)學(xué)習(xí)做成如何的動(dòng)作。每個(gè)動(dòng)作都會(huì)對(duì)環(huán)境有所影響，學(xué)習(xí)對(duì)象根據(jù)觀察到的周圍環(huán)境的反饋來(lái)做出判斷。

三、數(shù)學(xué)基礎(chǔ)有多重要

對(duì)于數(shù)學(xué)基礎(chǔ)知識(shí)，需要高中數(shù)學(xué)知識(shí)加上高數(shù)、線性代數(shù)、統(tǒng)計(jì)學(xué)、概率論，即使掌握的不是很完善，但是至少要知道概念，在用到的時(shí)候知道去哪查。

如果基礎(chǔ)不好，可以先看看吳軍的《數(shù)學(xué)之美》，講的比較通俗易懂。也可以邊做邊學(xué)，實(shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)，畢竟大多數(shù)人還是以工程實(shí)踐為主，如果你想做研究理論的科學(xué)家，并不適合看本文。

四、入門級(jí)機(jī)器學(xué)習(xí)算法

4.1 決策樹

判定樹是一個(gè)類似于流程圖的樹結(jié)構(gòu)：其中，每個(gè)內(nèi)部結(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)屬性輸出，而每個(gè)樹葉結(jié)點(diǎn)代表類或類分布。樹的最頂層是根結(jié)點(diǎn)。

例：現(xiàn)有一個(gè)數(shù)據(jù)集，表示一些的人的年齡、收入、是否是學(xué)生、信用、是否會(huì)買電腦。年齡有年輕，中年，老年三種；收入有高中低；信用有一般和很好。數(shù)據(jù)及保存在 AllElectronics.csv 中。

4.2 最臨近取樣

最臨近取樣就是把已有數(shù)據(jù)分成幾類，對(duì)新輸入的數(shù)據(jù)計(jì)算與已知數(shù)據(jù)的距離，距離哪一個(gè)近，就把新數(shù)據(jù)分到哪一類，例如下圖所示的電影分類，對(duì)于最后一行未知電影類型的電影，根據(jù)打斗次數(shù)和接吻次數(shù)，距離浪漫型更近，應(yīng)該被歸類為浪漫型電影。

4.3 支持向量機(jī)

支持向量機(jī)（SVM）是從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)。最優(yōu)分類面就是要求分類線不但能將兩類正確分開 (訓(xùn)練錯(cuò)誤率為 0), 且使分類間隔最大。

SVM 考慮尋找一個(gè)滿足分類要求的超平面 , 并且使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn) , 也就是尋找一個(gè)分類面使它兩側(cè)的空白區(qū)域 (margin) 最大。

這兩類樣本中離分類面最近的點(diǎn)且平行于最優(yōu)分類面的超平面上 H1,H2 的訓(xùn)練樣本就叫做支持向量。

例：使用 sklearn 庫(kù)實(shí)現(xiàn) svm 算法， 俗稱調(diào)庫(kù)，實(shí)際上調(diào)庫(kù)是一個(gè)很簡(jiǎn)單的過(guò)程，初級(jí)階段甚至都不需要知道原理。

1. #coding:utf-8

2. fromsklearnimportsvm

3. X=[[2,0],[1,1],[2,3]]

4. y=[0,0,1]

5. clf=svm.SVC(kernel='linear')

6. clf.fit(X,y) #?通過(guò).fit函數(shù)已經(jīng)可以算出支持向量機(jī)的所有參數(shù)并保存在clf中

7. printclf

8. #getsupportvectors

9. printclf.support_vectors_

10. #getindexofsupportvectors

11. printclf.support_

12. #getnumberofsupportvectorsforeachclass

13. printclf.n_support_

14. #predictdata,參數(shù)是二維數(shù)組

15. printclf.predict([[2,0],[10,10]])