【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】

【研究報告 | 人工智能行業(yè)研究報告】

【研究報告 | 中國算法軟件開發(fā)行業(yè)現(xiàn)狀及發(fā)展趨勢分析研究報告】

　　人工智能的技術應用已經(jīng)在生活中得到廣泛的普及，智能家居，服務機器人，智能機器人都為我們帶來了和以往電子產(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。

　　深度學習-能夠實現(xiàn)機器學習的技術

　　1，機器學習概念

　　機器學習可以分析數(shù)據(jù)，并從中汲取數(shù)據(jù)，并根據(jù)情景使用數(shù)據(jù)進行預測/真相/確定。 機器基本上正在接受培訓，或者真正地進行自我培訓，學習如何正確地完成分析過的所有數(shù)據(jù)。 它正在建立自己的邏輯和解決方案。

　　機器學習可以用一堆不同的算法完成，如：

　　? 隨機森林和決策樹：一個簡單的樹預測的集合或集合，每個都可以產(chǎn)生一個響應，就像Netflix建議根據(jù)你的星級評定電影。

　　? 線性回歸：預測具有無限結果的分類結果的價值，例如根據(jù)市場來確定可以賣出多少汽車。

　　? Logistic回歸：預測一個有限數(shù)量的可能值的分類結果的價值，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：一個算法家族都有一個共同的原則，即被分類的每個特征與任何其他特征的價值無關，如預測兒童照片中的快樂。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。

　　機器學習算法還包括監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習需要一個人輸入數(shù)據(jù)和解決方案，但允許機器弄清楚兩者之間的關系。無監(jiān)督是在一定的情況下隨機的數(shù)字/數(shù)據(jù)，并要求電腦找到一個關系和解決方案。 這有點像在黑暗中拍攝目標，直到你打開燈，你不知道你打的是什么。

　　2，機器學習舉例：

　　假設你想創(chuàng)建一個能夠根據(jù)人的身高估算體重的系統(tǒng)(也許你出自某些理由對這件事情感興趣)。那么你可以使用機器學習去找出任何可能的錯誤和數(shù)據(jù)捕獲中的錯誤，首先你需要收集一些數(shù)據(jù)，制作成圖，圖中的每一個點對應一個數(shù)據(jù)，我們可以畫出一條簡單的斜線來預測基于身高的體重

　　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測，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，我們希望去減少預測和實際之間的誤差，這也是衡量其性能的方法。

　　深遠一點地說，我們收集更多的數(shù)據(jù) (experience)，模型就會變得更好。我們也可以通過添加更多變量(例如性別)和添加不同的預測斜線來完善我們的模型。

　　深度學習-實現(xiàn)機器學習的方法

　　深度學習的“深度”其實是代表神經(jīng)網(wǎng)絡中眾多的層。

　　先了解人工神經(jīng)網(wǎng)絡。

　　人工神經(jīng)網(wǎng)絡(Artificial Neural Networks)是早期機器學習中的一個重要的算法，歷經(jīng)數(shù)十年風風雨雨。神經(jīng)網(wǎng)絡的原理是受我們大腦的生理結構——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡具有離散的層、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)絡的第一層。在第一層的每一個神經(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，然后生成結果。

　　每一個神經(jīng)元都為它的輸入分配權重，這個權重的正確與否與其執(zhí)行的任務直接相關。最終的輸出由這些權重加總來決定。

　　我們以停止(Stop)標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然后用神經(jīng)元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經(jīng)網(wǎng)絡的任務就是給出結論，它到底是不是一個停止標志牌。神經(jīng)網(wǎng)絡會根據(jù)所有權重，給出一個經(jīng)過深思熟慮的猜測——“概率向量”。

　　這個例子里，系統(tǒng)可能會給出這樣的結果：86%可能是一個停止標志牌;7%的可能是一個限速標志牌;5%的可能是一個風箏掛在樹上等等。然后網(wǎng)絡結構告知神經(jīng)網(wǎng)絡，它的結論是否正確。

　　神經(jīng)網(wǎng)絡是調制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經(jīng)元的輸入的權值都被調制得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。只有這個時候，我們才可以說神經(jīng)網(wǎng)絡成功地自學習到一個停止標志的樣子。當訓練層數(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)，來訓練網(wǎng)絡時，才是訓練結果誤差度較低的事件。

　　歸納來講，機器學習就是通過模擬兩數(shù)據(jù)的關系，訓練出一條因量和變量關系，類比我們學習的數(shù)學公式，再通過大量的數(shù)據(jù)來增加這個公式的可靠性，和神經(jīng)網(wǎng)絡相同，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)量切實相關，也是人工智能和大數(shù)據(jù)的關系。