人工智能 入门-智能人工气候箱

人工智能基础知识文章目录什么是深度学习TensorFlow：Google开源的基于数据流图的科学计算库人工智能 入门，适合用于机器学习。官网链接的含义：张量在图中流动TensorFlow基本架构：TensorFlow详细架构：TensorFlow的特点：跨平台:LinuxRaspberryPi等等Java,Go等等速度快:包含了XLA这款强大的线性代数编译器上手快:KerasEstimiators,等等高层APITPU等等TensorFlow的著名用途：DeepMind(Google)的AlphaGoAlphaGoZero的底层技术Google产品:搜索,Gmail,翻译,地图,Android,照片,YouTube开发出击败Dota2世界顶级选手的AI的OpenAl使用TensorFlow使用TensorFlow的中国公司：人工智能什么是人工智能人工智能之父麦卡锡给出的定义：思考的模式类似于人类什么是智能智力(IQ:智商。比较类似计算机的计算能力)如何算有智能自主能力,自我意识,等等图灵测试（TuringTest图灵于1950年提出的一个关于判断机器是否足够智能的著名试验图中的意思是：评委事先并不知道墙对面谁是人谁是机器，如果靠着评委的大量问题还是无法判断谁是人谁是机器，那么这个测试就评判出那个机器有着与人类似的智能。

但是到目前为止这个测试没有成功过。自然智能人和动物的智能：纯天然人工智能 入门，无添加人工智能人造出来的智能人工智能前景人工智能的需求人工智能的前进好在哪里？人工智能相关动向月20日中国国务院发布了《新一代人工智能发展规划》Excel等将用Python替代VBAPython被加入高考CCTV的《机智过人》节目月25日在CCTV-1周末黄金时段推出人工智能需要的基本数学知识人工智能简史人工神经网络被提出(AI缘起)ArtificialNeuralNetwork(简称NeuralNetwork沃伦-麦卡洛克和沃尔特-皮茨在1943创造了神经网络的计算模型达特茅斯学院(DartmouthCollege)是一所美国私立大学月31日发起感知器(Perceptron）由罗森布拉特于1957年发明一种递归神经网络(RecurrentNeuralNetwork)由约翰霍普菲尔德在1982年发明具有反馈(Feedback)机制反向传播(BackPropagation)算法1974年哈佛大学的保罗:沃伯斯发明,当时没有受到重视1986年大卫.鲁姆哈特等学者出版的书中完整地提出了BP算法1990年开始人工智能计算机Darpa没能实现深度学习(DeepLearning基于深度(指"多层")神经网络GeoffreyHinton)提出2013年开始AlphaGo击败众多人类选手Google买下的DeepMind公司的AlphaGo(基于TensorFlow2016年接连击败围棋届顶尖棋手但人工智能是大势所趋,学了绝对不吃亏AI、机器学习和深度学习的关联人工智能的知识图谱AIML和DL的关系机器学习是实现人工智能的一种方法,深度学习是机器学习一个分支人工智能王者归来,深度学习功不可没深度学习作为"后代",却给"爷爷"(人工智能)和"爸爸"(机器学习)争光了什么是机器学习什么是学习热力学第二定律:一个孤立系统倾向于增加熵(混乱程度)熵就是混乱程度；比如生命活着就是在减熵机器学习的必要性人类常会犯错(比如紧张、累了、困了),机器不容易犯错机器的计算能力越来越强,提高我们生活质量、加快科技发展“晦涩”的机器学习定义对某类任务T(Task)和性能度量PExperience)改进后在任务T上由性能度量P衡量的性能有所提升简单的机器学习定义数据对应训练解答问题对应推测人类思考VS机器学习练习和考试学生学习：用做练习题做练习题对应训练考试对应推测AlphaGo学下围棋围棋博弈:用和自己下棋和自己下棋对应训练与人类下棋对应推测传统编程VS机器学习机器学习机器学习大致等同于找一个好的函数(Function)/模型机器学习的分类SupervisedLearning:有标签。

近义词:分类(ClassificationUnsupervisedLearning:没有标签。近义词:聚类(ClusterSemi-SupervisedLearning:有少部分标签。最类似人的生活如果c经常在一起；机器就会判断c也是精英。按照物以类聚的方式。ReinforcementLearning:基于环境而行动,以取得最大化预期利益按照得分强化学习；得分越高越好；就会刺激人工智能得高分机器学习步骤：判断该用哪种算法。为什么回归叫regression(回归)？回归用于预测(比如股票),它的输出是连续的,与离散的分类不同两种身高父亲的儿子的身高,有向他们父辈的平均身高回归的趋势机器学习的“六步走”机器学习的"关键三步"找一系列函数来实现预期的功能:建模问题找一组合理的评价标准,来评估函数的好坏:评价问题快速找到性能最佳的函数:优化问题(比如梯度下降就是这个目的)面对AI我们应有的态度火到连Android都被比了下去,连Kotlin和Go都有点黯然失色面对AI正确的态度反省自己比担心AI更重要“人心比万物都诡诈”。与人心相比，AI真的太简单了可能AI会在不断学习得过程中习得一些不可控得【思维】AI有"机智过人"和"技不如人"。

人机合力，惊为天人什么是过拟合过拟合：Overfitting过分拟合的意思拟合:FittingUnderFitting:欠拟合。样本不够或算法不精,测试样本特性没学到Fittingright:拟合完美。恰当地拟合测试数据,泛化能力强OverFitting:过拟合。"一丝不苟"拟合测试数据,泛化能弱回归（Regression）问题中三种拟合状态分类（Classification）问题中三种拟合状态打个比方：谈恋爱。如果针对一个女孩的兴趣爱好出了一本恋爱攻略，那么这就是过拟合，你过度针对这个女孩，如果拿这个攻略去追其他女生就会没有效果。解决过拟合的一些方法Dropout:丢弃、退出什么是深度学习基于深度神经网络的学习研究称之为深度学习深度学习为什么兴起？深度学习能有高回报的必要条件复杂模型:一般来说隐藏层越多,效果越好深度学习的形象比喻：恋爱第三阶段稳定期:相当于神经网络的输出层。输出结果与预期比较比如说：女友说：“今天约会你没陪我好好街”女友说:“蛋糕不要买巧克力味的,我要榴莲味”女友说：“你都不怎么陪我聊天”女友说：“你说，你错了没?"错(Error)了:与期望的误差(Loss/CostP算法:误差反向传递(BackPropagation) 改:调整(Tuning)参数的权重( Weight 调整对应参数的权重调高"逛街"的权重(重要性)调高“榴莲味蛋糕”的权重 调低"I 巧克力味蛋糕”的权重 调高"聊天"的权重 磨合的过程就是不断调整各个参数 计算和预期的差距(误差),反向传播误差,调整网络参数权重 不断地进行:正向传播->计算误差->反向传播->调整权重比如 林俊杰作曲的《修炼爱情》 :恋爱就像调参 最终结果 磨合得好:结婚(神经网络模型合格), 磨合不好:分开(神经网络模型不合格) -全文完-