【產(chǎn)業(yè)鏈圖譜 | 人工智能產(chǎn)業(yè)鏈圖譜_人工智能產(chǎn)業(yè)鏈全景圖】

【研究報(bào)告 | 人工智能行業(yè)研究報(bào)告】

【研究報(bào)告 | 中國(guó)算法軟件開(kāi)發(fā)行業(yè)現(xiàn)狀及發(fā)展趨勢(shì)分析研究報(bào)告】

　　人工智能的技術(shù)應(yīng)用已經(jīng)在生活中得到廣泛的普及，智能家居，服務(wù)機(jī)器人，智能機(jī)器人都為我們帶來(lái)了和以往電子產(chǎn)品不一樣的使用經(jīng)歷，那這種類人腦的背后是怎樣的理論研究呢。

　　深度學(xué)習(xí)-能夠?qū)崿F(xiàn)機(jī)器學(xué)習(xí)的技術(shù)

　　1，機(jī)器學(xué)習(xí)概念

　　機(jī)器學(xué)習(xí)可以分析數(shù)據(jù)，并從中汲取數(shù)據(jù)，并根據(jù)情景使用數(shù)據(jù)進(jìn)行預(yù)測(cè)/真相/確定。 機(jī)器基本上正在接受培訓(xùn)，或者真正地進(jìn)行自我培訓(xùn)，學(xué)習(xí)如何正確地完成分析過(guò)的所有數(shù)據(jù)。 它正在建立自己的邏輯和解決方案。

　　機(jī)器學(xué)習(xí)可以用一堆不同的算法完成，如：

　　? 隨機(jī)森林和決策樹：一個(gè)簡(jiǎn)單的樹預(yù)測(cè)的集合或集合，每個(gè)都可以產(chǎn)生一個(gè)響應(yīng)，就像Netflix建議根據(jù)你的星級(jí)評(píng)定電影。

　　? 線性回歸：預(yù)測(cè)具有無(wú)限結(jié)果的分類結(jié)果的價(jià)值，例如根據(jù)市場(chǎng)來(lái)確定可以賣出多少汽車。

　　? Logistic回歸：預(yù)測(cè)一個(gè)有限數(shù)量的可能值的分類結(jié)果的價(jià)值，如找出是否可以出售一輛汽車一定的成本。

　　? 分類：將數(shù)據(jù)放入不同的組，如提交文件或電子郵件。

　　? 樸素貝葉斯：一個(gè)算法家族都有一個(gè)共同的原則，即被分類的每個(gè)特征與任何其他特征的價(jià)值無(wú)關(guān)，如預(yù)測(cè)兒童照片中的快樂(lè)。有很多人都做不同的事情，是算法家庭的一部分，和/或一起工作或一起工作。

　　機(jī)器學(xué)習(xí)算法還包括監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)需要一個(gè)人輸入數(shù)據(jù)和解決方案，但允許機(jī)器弄清楚兩者之間的關(guān)系。無(wú)監(jiān)督是在一定的情況下隨機(jī)的數(shù)字/數(shù)據(jù)，并要求電腦找到一個(gè)關(guān)系和解決方案。 這有點(diǎn)像在黑暗中拍攝目標(biāo)，直到你打開(kāi)燈，你不知道你打的是什么。

　　2，機(jī)器學(xué)習(xí)舉例：

　　假設(shè)你想創(chuàng)建一個(gè)能夠根據(jù)人的身高估算體重的系統(tǒng)(也許你出自某些理由對(duì)這件事情感興趣)。那么你可以使用機(jī)器學(xué)習(xí)去找出任何可能的錯(cuò)誤和數(shù)據(jù)捕獲中的錯(cuò)誤，首先你需要收集一些數(shù)據(jù)，制作成圖，圖中的每一個(gè)點(diǎn)對(duì)應(yīng)一個(gè)數(shù)據(jù)，我們可以畫出一條簡(jiǎn)單的斜線來(lái)預(yù)測(cè)基于身高的體重

　　例如這條斜線：Weight (in kg) = Height (in cm) - 100

　　這些斜線能幫助我們作出預(yù)測(cè)，盡管這些斜線表現(xiàn)得很棒，但是我們需要理解它是怎么表現(xiàn)的，我們希望去減少預(yù)測(cè)和實(shí)際之間的誤差，這也是衡量其性能的方法。

　　深遠(yuǎn)一點(diǎn)地說(shuō)，我們收集更多的數(shù)據(jù) (experience)，模型就會(huì)變得更好。我們也可以通過(guò)添加更多變量(例如性別)和添加不同的預(yù)測(cè)斜線來(lái)完善我們的模型。

　　深度學(xué)習(xí)-實(shí)現(xiàn)機(jī)器學(xué)習(xí)的方法

　　深度學(xué)習(xí)的“深度”其實(shí)是代表神經(jīng)網(wǎng)絡(luò)中眾多的層。

　　先了解人工神經(jīng)網(wǎng)絡(luò)。

　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)是早期機(jī)器學(xué)習(xí)中的一個(gè)重要的算法，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨。神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個(gè)神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡(luò)具有離散的層、連接和數(shù)據(jù)傳播的方向。

　　例如，我們可以把一幅圖像切分成圖像塊，輸入到神經(jīng)網(wǎng)絡(luò)的第一層。在第一層的每一個(gè)神經(jīng)元都把數(shù)據(jù)傳遞到第二層。第二層的神經(jīng)元也是完成類似的工作，把數(shù)據(jù)傳遞到第三層，以此類推，直到最后一層，然后生成結(jié)果。

　　每一個(gè)神經(jīng)元都為它的輸入分配權(quán)重，這個(gè)權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān)。最終的輸出由這些權(quán)重加總來(lái)決定。

　　我們以停止(Stop)標(biāo)志牌為例。將一個(gè)停止標(biāo)志牌圖像的所有元素都打碎，然后用神經(jīng)元進(jìn)行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標(biāo)志的典型尺寸和靜止不動(dòng)運(yùn)動(dòng)特性等等。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論，它到底是不是一個(gè)停止標(biāo)志牌。神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)所有權(quán)重，給出一個(gè)經(jīng)過(guò)深思熟慮的猜測(cè)——“概率向量”。

　　這個(gè)例子里，系統(tǒng)可能會(huì)給出這樣的結(jié)果：86%可能是一個(gè)停止標(biāo)志牌;7%的可能是一個(gè)限速標(biāo)志牌;5%的可能是一個(gè)風(fēng)箏掛在樹上等等。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò)，它的結(jié)論是否正確。

　　神經(jīng)網(wǎng)絡(luò)是調(diào)制、訓(xùn)練出來(lái)的，時(shí)不時(shí)還是很容易出錯(cuò)的。它最需要的，就是訓(xùn)練。需要成百上千甚至幾百萬(wàn)張圖像來(lái)訓(xùn)練，直到神經(jīng)元的輸入的權(quán)值都被調(diào)制得十分精確，無(wú)論是否有霧，晴天還是雨天，每次都能得到正確的結(jié)果。只有這個(gè)時(shí)候，我們才可以說(shuō)神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個(gè)停止標(biāo)志的樣子。當(dāng)訓(xùn)練層數(shù)非常多，神經(jīng)元也非常多，然后給系統(tǒng)輸入海量的數(shù)據(jù)，來(lái)訓(xùn)練網(wǎng)絡(luò)時(shí)，才是訓(xùn)練結(jié)果誤差度較低的事件。

　　歸納來(lái)講，機(jī)器學(xué)習(xí)就是通過(guò)模擬兩數(shù)據(jù)的關(guān)系，訓(xùn)練出一條因量和變量關(guān)系，類比我們學(xué)習(xí)的數(shù)學(xué)公式，再通過(guò)大量的數(shù)據(jù)來(lái)增加這個(gè)公式的可靠性，和神經(jīng)網(wǎng)絡(luò)相同，背后都需要大量的數(shù)據(jù)支撐，這也代表這人工智能的科技發(fā)展和數(shù)據(jù)量切實(shí)相關(guān)，也是人工智能和大數(shù)據(jù)的關(guān)系。