一只会飞的旺旺
文章109
标签76
分类8
面向AI初学者的教程

面向AI初学者的教程

小卖铺上新啦!ChatGPT账号大甩卖! 一键直达

什么是人工智能

人工智能是让计算机具有智能行为的科学,比如让计算机能够做一些人类擅长做的事情。我们可以用图灵测试来判断一个系统是否具有智能。

主要有两种方法来实现人工智能:

  • 自上而下(符号推理):从人类专家提取知识规则,用计算机表示并推理
  • 自下而上(神经网络):模拟人脑,从数据中学习知识

知识表示与专家系统

知识表示是将人类知识转化为计算机可用形式的技术。专家系统是利用知识表示来模拟人类专家解决问题的能力的系统。

专家系统主要包含:

  • 问题内存:存储当前问题信息
  • 知识库:存储领域知识
  • 推理引擎:根据问题内存和知识库进行推理

例如一个笔记本电脑推荐系统,它可以通过询问用户需求,并应用知识库中的规则,来推荐合适的笔记本电脑。

感知器模型

感知器是一种神经网络模型,可以用来识别不同的图形或数字。

它包含一个权重向量,可以根据输入计算输出。通过训练可以调整权重,使感知器识别不同模式。

例如一个感知器可以识别手写数字,输入是一个图像,输出是判断结果。通过不断训练,感知器可以适应不同样式的手写数字。

神经网络模型

神经网络是模仿人脑结构的计算模型,可以从数据中学习各种特征和规律。

它由多个单元组成,单元之间通过权重相连。权重通过梯度下降算法训练。

例如一个判断奇偶数的神经网络,输入是一个数字,隐藏层对数字的每位求和,输出层根据结果判断奇偶。通过训练可以提高判断准确度。

张量表示文本

张量是多维数组,可以表示各种数据,包括文本。

表示文本的方法:

  • 字符级:每个字符映射为一个数字
  • 单词级:每个单词映射为一个数字
  • 词袋模型:无序表示

例如单词”apple”可以表示为[1, 2, 3, 4, 5]这样的向量。

需要用更高级的模型处理上下文和顺序信息。

计算机视觉

计算机视觉让计算机从图像中提取信息,如OpenCV

应用:

  • 图像处理:滤镜、美颜
  • 人脸检测:信息提取
  • 特征检测:边缘、形状等

例如可以用OpenCV来处理一本盲文书籍的图像,或者检测视频中的运动。

卷积神经网络

卷积神经网络是处理图像的神经网络。

它通过卷积滤波器提取各级特征图,然后分类。

卷积层提取特征,池化层减少参数,全连接层分类。

例如识别MNIST手写数字,输入图像,输出类别概率。

卷积网络广泛用于图像处理任务。

迁移学习

迁移学习是将一个任务的知识迁移到另一个相关任务。

例如先在ImageNet上训练模型提取特征,然后在新的数据集上训练分类器。

好处:

  • 节省时间和资源
  • 提高准确度
  • 应对少量或低质数据

例如用迁移学习进行猫狗识别,先提取通用图像特征,然后微调分类器。

自编码器

自编码器可以学习数据的有效特征编码,主要用于无标签数据。

它包含编码器和解码器,可以重建数据。

应用:

  • 降维
  • 去噪
  • 超分辨率
  • 生成新数据

例如,编码器把图片编码为向量,解码器再解码为图片,实现压缩和重构。

生成对抗网络

生成对抗网络包含生成器和判别器,可以生成新的数据,如艺术创作。

生成器创建数据,判别器判断真伪。两者对抗训练。

可以做风格转换,把内容图片与风格图片结合。

例如,生成器生成猫图片,判别器判断真假,重复训练until生成图片逼真。

物体检测

物体检测可以识别图像中的物体及位置。

主要方法:

  • 基于区域:先生成区域,再分类
  • 单次检测:一次完成检测

主要模型:R-CNN、Fast R-CNN、Faster R-CNN、YOLO等。

例如,Faster R-CNN使用注意力机制,端到端地完成检测。

图像分割

图像分割将图片中的目标提取出来。

  • 语义分割:分类每个像素
  • 实例分割:区分同类不同实例

使用编码器-解码器结构的全卷积网络,输出与输入大小相同的掩膜。

例如,输入图片,输出每个像素的语义标签,实现分割。

递归神经网络

递归神经网络可以处理序列数据。

它根据当前输入和前一状态计算当前状态,实现顺序处理。

应用:

  • 文本分类
  • 语音识别
  • 机器翻译
  • 文本生成

例如,输入一个句子,输出句子的语义向量表示。

词嵌入

词嵌入将词映射为密集向量,表示语义信息。

方法:

  • 连续词袋:根据上下文预测词
  • 连续跳跃:根据词预测上下文

例如,单词”apple”映射为[0.1, 0.3, -0.2, …]这样的向量。

词嵌入是自然语言处理的重要技术。

命名实体识别

命名实体识别可以从文本中提取实体,如人名、地点等。

方法:使用循环神经网络或变换器,对词进行BIO标注。

应用:聊天机器人、知识图谱等。

例如,识别句子中的人名、城市名等关键词。

变换器

它使用编码器-解码器结构。

编码器输出向量表示输入序列特征。

解码器根据编码器输出生成目标序列。

例如,编码器编码”I love you”,解码器解码”我爱你”。

GPT

GPT是一个预训练语言模型,可以生成逼真文本。

它通过预测下一个词来进行文本生成任务的通用训练。

可用于文本编辑、问答、翻译等任务。

例如,GPT可以根据提示接着写一篇故事。

遗传算法

遗传算法用于搜索、优化和机器学习,模拟自然进化。

基本思路:

  1. 编码表示问题的解
  2. 评价解的适应度
  3. 进行选择、交叉和变异产生新解
  4. 重复直到满意

例如,用遗传算法求解背包问题。

强化学习

强化学习让智能体通过环境交互学习最优策略。

目标是最大化累积回报。

方法:策略梯度、Actor-Critic等。

例如,让计算机学习玩游戏直到胜利。

多智能体系统

多智能体系统由多个智能体协作完成复杂任务。

每个智能体有自己的目标和行为规则。

可以组成更智能的整体。

应用:游戏、模拟、自动化等。

例如,一个旅游推荐系统包含查询机票、酒店、景点的智能体。

微信支付码 微信支付
支付宝支付码 支付宝支付