人工智能基础

偷个懒直接贴上目录的思维导图。

1950年，艾伦.图灵(AlanTuring)在他的论文《计算机器与智能》(Compu-tmgMachineryandIntelligence)中提出了著名的图灵测试(Turingtest)

1956年，美国的达特茅斯学院讨论会。这次会议提出:

这次会议为这个致力于通过机器来模拟人类智能的新领域定下了名字一一人工智能(ArtificialIntelligence,AI),从而正式宜告了人工智能作为一门学科的诞生。

麻省理工学院的约瑟夫·维森鲍姆(JosephWeizen-haum)教授在1964年到1966年间建立了世界上第一个自然语言对话程序ELIZA。ELIZA通过简单的模式匹配和对话规则与人聊天。

进人80年代，由千专家系统(expertsystem)和人工神经网络(artific1alneural专家系统是一种基于一组特定规则来回答特定领域问题的程序系统。

与此同时.人工神经网络的研究也取得了重要进展。

反向传播算法(backpropagation)可以在神经网络的隐藏层中学习到对输入数据的有效表达。从此反向传播算法被广泛用于人工神经网络的训练。

在新一次人工智能浪潮兴起的同时日本通商产业省在1982年雄心勃勃地开始了旨在建造“第五代计笢机的大型研究计划。

经过了10年研发，耗费了500亿日元，这个项目末能达成预期的目标。到了80年代后期，产业界对专家系统的巨大投入和过高期望开始显现出负面的效果。人们发现这类系统开发与维护的成本高昂，而商业价值有限。在矢望情绪的影响下，对人工智能的投入被大幅度削减，人工智能的发展再度步入冬天。

进入了21世纪

2012年一次全球范围的图像识别算法竞赛ILSVRC(也称为ImageNet挑战赛)。

多伦多大学开发的一个多层神经网络AlexNet取得了冠军，并大幅度超越了使用传统一各学习算法的第二名。

这次比赛的成果在人工智能学界引起了广泛的震动。

从此多层神经网络为基础的深度学习被推广到多个应用领域，在语音识别、图像分析、视频埋解等诸多领域取得成功。

2016年，谷歌(Google)通过深度学习训练的阿尔法(AlphaGo)4:1战胜了曾经的围棋世界冠军李世乭(石)。

它的改进版更在2017年战胜了当时世界排名第一的中国棋手柯洁。

人工智能涉及很广，涵盖了感知、学习、推理与决策等方面的能力。从实际应用的角度说，人工智能最核心的能力就是根据给定的输人做出判断或预测。比如:

当代的人工智能普遍通过学习(learning)来获得进行预测和判断的能力。这样的方法被称为机器学习(machinelearning),它已经成为入工智能的主流方法。

感知器(perceplron)是一种训练线性分类器的算法。

支持向量机(supportvectormachine,SVM)是在特征空间上分类间隔最大的分类,与感知器一样，是对两个类别进行分类。

一个深度神经网络通常由多个顺序连接的层(layer)组成。第一层一般以图像为输入，通过特定的运算从图像中提取特征。接下来每一层以前一层提取出的特征榆人，对其进行特定形式的变换，便可以得到更复杂一些的特征。这种层次化的特征提取过程可以累加，赋予神经网络强大的特征提取能力。经过很多层的变换之后，神经网络就可以将原始图像变换为高层次的抽象的特征。

当一个深度神经网络以卷积层为主体时，我们也称之为卷积神经网络(convolutionalneuralnetwork)。

参考：《人工智能基础（高中版）》