|
|
| （相同用户的14个中间修订版本未显示） |
| 第1行： |
第1行： |
| | + | ==序言== |
| | | | |
| − | == 人工智能 ==
| + | 技术科学的进步历程往往是理论通过实践开辟道路的过程。 |
| | | | |
| − | 人工智能（Artificial Intelligence），是指计算机系统具备从听说读写到搜索、推理、决策和回答问题等类人智能的能力，即感知、理解、决策的能力。
| + | == 人工/机器智能 == |
| | | | |
| | + | [[人工智能]]/机器智能（Artificial / Machine Intelligence），是指计算机系统具备从听说读写到搜索、推理、决策和回答问题等类人智能的能力，即感知、理解、决策的能力。 |
| | + | |
| | + | [[人工智能实现思路]] |
| | | | |
| | === 发展历史 === | | === 发展历史 === |
| | | | |
| − | 基于人工神经网络的人工智能技术的发展，也非一帆风顺。过去经历了2次高潮，以及伴随的2次低谷。
| + | [[人工神经网络的历史]] |
| − | | + | |
| − | 1957年，罗森布赖特提出了感知机（perceptron）的概念，掀起了第一人工神经网络的热潮。但是因为当时计算机的计算能力限制，70年代时进入了低谷。
| + | |
| − | | + | |
| − | 1986年，随着霍普菲尔德神经网络与BP算法的提出，掀起了第二次人工神经网络的热潮。这次由于人工智能计算机的研制失败，90年代时又进入了低谷。
| + | |
| − | | + | |
| − | 2006年，多伦多大学的Geoffrey Hinton提出了深度神经网络以及训练方法（深度置信网络，Deep Belief Network）。那时，该技术还只是多层神经网络权值初始化的一种有效尝试。2011年，深度神经网络在语音识别上实现了突破，2013年，深度神经网络在图像识别上取得了重大进展。在2013年，深度学习被列为《麻省理工学院技术评论》的十大突破性技术之首。
| + | |
| − | | + | |
| − | 目前，人工神经网络正进入第三次热潮。回顾过去，人们发现主要原因是当时的计算机的计算能力不够，用于训练的数据样本量不足，造成期望与实际效果之间有较大。而随着硬件的进步，云计算和网络所支持的计算能力的大规模提升，再加上基于大数据的机器学习的算法进步，基于神经网络的人工智能方法得到了复兴。
| + | |
| − | | + | |
| − | === 四个层面 ===
| + | |
| − | | + | |
| − | * 目标与功能
| + | |
| − | | + | |
| − | : 语音识别、机器视觉、自然语言理解
| + | |
| − | : 智能问答是综合以上功能的高级系统
| + | |
| − | | + | |
| − | * 核心技术
| + | |
| − | | + | |
| − | : 特定算法、机器学习算法、深度神经网络
| + | |
| − | | + | |
| − | * 软件工具
| + | |
| − | | + | |
| − | : TensorFlow / Caffe / Torch
| + | |
| − | | + | |
| − | * 底层硬件
| + | |
| − | | + | |
| − | : 可编程逻辑阵列 FPGA / 通用图形处理器 GPGPU / 通用处理器 CPU 群集
| + | |
| − | | + | |
| − | === 国际研究 ===
| + | |
| − | | + | |
| − | [http://research.google.com/teams/brain/ Google Brain] | + | |
| − | ([http://research.google.com/pubs/jeff.html Jeffrey Dean])
| + | |
| − | | + | |
| − | [https://research.facebook.com/ai Facebook AI Research (FAIR)]
| + | |
| − | ([http://yann.lecun.com/ Yann LeCun])
| + | |
| − | | + | |
| − | [https://www.microsoft.com/en-us/research/group/dltc/ MSR Deep Learning Technology Center (DLTC)]
| + | |
| − | ([https://www.microsoft.com/en-us/research/people/deng/ Li Deng])
| + | |
| − | | + | |
| − | [https://www.openai.com/blog/ OpenAI]
| + | |
| − | ([http://www.cs.toronto.edu/~ilya/ Ilya Sutskever])
| + | |
| − | | + | |
| − | === AI产业前沿 ===
| + | |
| − | | + | |
| − | [[互联网产业]]
| + | |
| − | | + | |
| − | [[大数据产业前沿]]
| + | |
| − | | + | |
| − | [[AI产业前沿]]
| + | |
| − | | + | |
| − | == 机器学习 ==
| + | |
| − | | + | |
| − | 机器学习（Machine Learning），是指机器从数据中自动分析获得规律，并利用规律对未知数据进行预测。
| + | |
| − | | + | |
| − | === 阅读材料 ===
| + | |
| − | | + | |
| − | # Jordan, M. I., and T. M. Mitchell. "Machine learning: Trends, perspectives, and prospects." Science 349, no. 6245 (2015): 255-260. [http://science.sciencemag.org/content/349/6245/255 Machine_Learning_Science_2015]
| + | |
| − | | + | |
| − | === 工具 ===
| + | |
| | | | |
| − | '''Python'''
| + | =实验竞赛数据集 = |
| | | | |
| − | [http://scikit-learn.org scikit-learn] | + | [[实验数据集]] |
| − | ([https://github.com/scikit-learn/scikit-learn Source Code])
| + | |
| | | | |
| | == 深度学习 == | | == 深度学习 == |
| 第77行： |
第21行： |
| | 深度学习（Deep Learning），机器学习中一种基于对数据进行表征学习的方法，试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 | | 深度学习（Deep Learning），机器学习中一种基于对数据进行表征学习的方法，试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 |
| | | | |
| − | === 神经网络 ===
| + | [[深度学习]] |
| − | | + | |
| − | 深度神经网络，Deep Neural Networks，简称DNN
| + | |
| − | | + | |
| − | [[卷积神经网络]]，Convolutional Neural Networks，简称CNN
| + | |
| − | | + | |
| − | 历史：The rebirth of neural networks, ISCA 2010.
| + | |
| − | [http://pages.saclay.inria.fr/olivier.temam/homepage/ISCA2010web.pdf Rebirth_NN]
| + | |
| − | | + | |
| − | === 阅读材料 ===
| + | |
| − | | + | |
| − | [[深度学习-入门导读]] | + | |
| − | | + | |
| − | === 工具 ===
| + | |
| − | | + | |
| − | '''Google'''
| + | |
| − | | + | |
| − | [https://www.tensorflow.org/ TensorFlow]
| + | |
| − | ([https://github.com/tensorflow/tensorflow Source Code])
| + | |
| − | | + | |
| − | [http://download.tensorflow.org/paper/whitepaper2015.pdf TensorFlow_Whitepaper]
| + | |
| − | | + | |
| − | '''Facebook'''
| + | |
| − | | + | |
| − | [http://torch.ch/ Torch]
| + | |
| − | ([https://github.com/torch/torch7 Source Code])
| + | |
| − | | + | |
| − | [https://github.com/facebook/fbcunn fbcunn]
| + | |
| − | | + | |
| − | '''Microsoft'''
| + | |
| − | | + | |
| − | [http://cntk.ai CNTK]
| + | |
| − | ([https://github.com/microsoft/cntk Source Code])
| + | |
| − | | + | |
| − | '''[http://dmlc.ml/ DMLC]'''
| + | |
| − | | + | |
| − | [http://mxnet.io/ MXNet]
| + | |
| − | ([https://github.com/dmlc/mxnet Source Code])
| + | |
| − | | + | |
| − | '''Université de Montréal'''
| + | |
| − | | + | |
| − | [http://www.deeplearning.net/software/theano/ Theano]
| + | |
| − | ([https://github.com/Theano/Theano/ Source Code])
| + | |
| − | | + | |
| − | ''' Baidu'''
| + | |
| − | | + | |
| − | [http://www.paddlepaddle.org/ PaddlePaddle]
| + | |
| − | ([https://github.com/PaddlePaddle/Paddle Source Code])
| + | |
| | | | |
| | == 增强学习 == | | == 增强学习 == |
| 第130行： |
第27行： |
| | 增强学习（Reinforcement Learning），是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。 | | 增强学习（Reinforcement Learning），是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。 |
| | | | |
| − | === 阅读材料 ===
| + | [[增强学习]] |
| − | | + | |
| − | [[增强学习-入门导读]] | + | |
| − | | + | |
| − | === 工具 ===
| + | |
| − | | + | |
| − | '''Google DeepMind'''
| + | |
| − | | + | |
| − | [https://www.deepmind.com DeepMind]
| + | |
| − | [https://github.com/deepmind/lab DeepMind Lab Source Code]
| + | |
| − | | + | |
| − | '''OpenAI'''
| + | |
| − | | + | |
| − | [https://universe.openai.com/ OpenAI Universe]
| + | |
| − | ([https://github.com/openai/universe Source Code])
| + | |
| | | | |
| | == 机器感知 == | | == 机器感知 == |
| 第184行： |
第67行： |
| | | | |
| | [[机器翻译]] | | [[机器翻译]] |
| | + | |
| | + | ==推荐系统== |
| | + | |
| | + | [[推荐系统]] |
| | + | |
| | + | |
| | | | |
| | ==相关资料== | | ==相关资料== |
深度学习（Deep Learning），机器学习中一种基于对数据进行表征学习的方法，试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。
自然语言理解（Natural Language Understanding），使用的技术称为自然语言处理（Natural Language Processing，简称NLP）。
