解读人工智能、机器学习和认知计算

《解读人工智能、机器学习和认知计算》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、IBM长文解读人工智能、机器学习和认知计算人工智能的发展曾经经历过几次起起伏伏，近来在深度学习技术的推动下又迎来了一波新的前所未有的高潮。近日，IBM官网发表了一篇概述文章，对人工智能技术的发展过程进行了简单梳理，同时还图文并茂地介绍了感知器、聚类算法、基于规则的系统、机器学习、深度学习、神经网络等技术的概念和原理。人类对如何创造智能机器的思考从来没有中断过。期间，人工智能的发展起起伏伏，有成功，也有失败，以及其中暗藏的潜力。今天，有太多的新闻报道是关于机器学习算法的应用问题，从癌症检查预测到图像理解、自然语言处理，人工智能正在赋能并改变着这个

2、世界。现代人工智能的历史具备成为一部伟大戏剧的所有元素。在最开始的1950年代，人工智能的发展紧紧围绕着思考机器和焦点人物比如艾伦·图灵、冯·诺伊曼，迎来了其第一次春天。经过数十年的繁荣与衰败，以及难以置信的高期望，人工智能及其先驱们再次携手来到一个新境界。现在，人工智能正展现着其真正的潜力，深度学习、认知计算等新技术不断涌现，且不乏应用指向。本文探讨了人工智能及其子领域的一些重要方面。下面就先从人工智能发展的时间线开始，并逐个剖析其中的所有元素。现代人工智能的时间线1950年代初期，人工智能聚焦在所谓的强人工智能，希望机器可以像人一样完成任何

3、智力任务。强人工智能的发展止步不前，导致了弱人工智能的出现，即把人工智能技术应用于更窄领域的问题。1980年代之前，人工智能的研究一直被这两种范式分割着，两营相对。但是，1980年左右，机器学习开始成为主流，它的目的是让计算机具备学习和构建模型的能力，从而它们可在特定领域做出预测等行为。图1：现代人工智能发展的时间线在人工智能和机器学习研究的基础之上，深度学习在2000年左右应运而生。计算机科学家在多层神经网络之中使用了新的拓扑学和学习方法。最终，神经网络的进化成功解决了多个领域的棘手问题。在过去的十年中，认知计算（Cognitivecompu

4、ting）也出现了，其目标是打造可以学习并与人类自然交互的系统。通过成功地击败Jeopardy游戏的世界级选手，IBMWatson证明了认知计算的价值。在本文中，我将逐一探索上述的所有领域，并对一些关键算法作出解释。基础性人工智能1950年之前的研究提出了大脑是由电脉冲网络组成的想法，正是脉冲之间的交互产生了人类思想与意识。艾伦·图灵表明一切计算皆是数字，那么，打造一台能够模拟人脑的机器也就并非遥不可及。上文说过，早期的研究很多是强人工智能，但是也提出了一些基本概念，被机器学习和深度学习沿用至今。图2：1950-1980年间人工智能方法的时间线

5、人工智能搜索引擎人工智能中的很多问题可以通过强力搜索（brute-forcesearch）得到解决。然而，考虑到中等问题的搜索空间，基本搜索很快就受影响。人工智能搜索的最早期例子之一是跳棋程序的开发。亚瑟·塞缪尔（ArthurSamuel）在IBM701电子数据处理机器上打造了第一款跳棋程序，实现了对搜索树（alpha-beta剪枝）的优化；这个程序也记录并奖励具体行动，允许应用学习每一个玩过的游戏（这是首个自我学习的程序）。为了提升程序的学习率，塞缪尔将其编程为自我游戏，以提升其游戏和学习的能力。尽管你可以成功地把搜索应用到很多简单问题上，但

6、是当选择的数量增加时，这一方法很快就会失效。以简单的一字棋游戏为例，游戏一开始，有9步可能的走棋，每1个走棋有8个可能的相反走棋，依次类推。一字棋的完整走棋树包含362,880个节点。如果你继续将这一想法扩展到国际象棋或者围棋，很快你就会发展搜索的劣势。感知器感知器是单层神经网络的一个早期监督学习算法。给定一个输入特征向量，感知器可对输入进行具体分类。通过使用训练集，网络的权重和偏差可为线性分类而更新。感知器的首次实现是IBM704，接着在自定义硬件上用于图像识别。图3：感知器与线性分类 作为一个线性分类器，感知器有能力解决线性分离问题。感知器

7、局限性的典型实例是它无法学习专属的OR(XOR)函数。多层感知器解决了这一问题，并为更复杂的算法、网络拓扑学、深度学习奠定了基础。聚类算法使用感知器的方法是有监督的。用户提供数据来训练网络，然后在新数据上对该网络进行测试。聚类算法则是一种无监督学习（unsupervisedlearning）方法。在这种模型中，算法会根据数据的一个或多个属性将一组特征向量组织成聚类。图4：在一个二维特征空间中的聚类你可以使用少量代码就能实现的最简单的聚类算法是k-均值（k-means）。其中，k表示你为样本分配的聚类的数量。你可以使用一个随机特征向量来对一个聚类

8、进行初始化，然后将其它样本添加到其最近邻的聚类（假定每个样本都能表示一个特征向量，并且可以使用Euclideandistance来确定「距离」）。随着