說起人工智能，都知道有很多算法。今天就挨個盤點一下，看完您可能覺得，AI，其實也就那么回事。
先簡單聊聊人工智能的歷史，可能遠比我們想象的要早。公元前4世紀，亞里士多德就在《工具論》中提出三段論，借助于一個共同項把兩個真言判斷聯(lián)系起來，從而得出結論。這里注意關鍵字：判斷、結論。
而真正開始用機器做判斷的，是從英國數(shù)學家圖靈開始。
二戰(zhàn)時盟軍一堆破譯專家無法破解德國納粹的機器碼電文，直到圖靈在苦思冥想后得出一個驚世駭俗的結論：只有機器才能打敗機器。于是第一臺模仿計算機器應運而生，成功破譯了電文，大大縮短了德國失敗時間。在1950年，圖靈發(fā)表了《計算機器與智能》，明確提出了“機器能思維”的觀點，并且提出了著名的“圖靈測試”，用來衡量機器智能。
1956年，首次采用AI(Artificial Intelligence)術語，人工智能誕生。
隨后各種邏輯理論、處理語言、通用程序、專家系統(tǒng)涌出，AI達到第一次高潮。
蓬勃發(fā)展后，很快就遇到了瓶頸，美國說語音識別比登月還難，英國說人工智能是騙局。AI陷入低谷。
直到神經(jīng)網(wǎng)絡的出現(xiàn)。
1987年，首屆人工神經(jīng)網(wǎng)絡學術大會舉行，成立了國際神經(jīng)網(wǎng)絡協(xié)會，掀起了AI的第二次高潮。
以后雖說AI再次陷入低谷，但是每次都隨著神經(jīng)網(wǎng)絡算法的優(yōu)化和計算能力的提升而繼續(xù)蓬勃發(fā)展，無論是戰(zhàn)勝國際象棋世界冠軍的“深藍”，還是在問答中擊敗人類的“沃森”，或者戰(zhàn)勝世界圍棋冠軍的“Alpha Go”，無一不是基于神經(jīng)網(wǎng)絡算法。
這么神奇的神經(jīng)網(wǎng)絡，到底是什么？
簡單說，對人腦結構進行模擬的人工神經(jīng)網(wǎng)絡。事實證明，只有人腦才能打敗人腦。為了模擬生物神經(jīng)的功能，首先以生物神經(jīng)元抽象出一種人工神經(jīng)元。模型是這樣的：
其中，x為神經(jīng)元k從外界接受的多個輸入信號，w為神經(jīng)元k從刺激到輸出間的傳遞權值, u為神經(jīng)元將輸入與權值的組合后的輸出。b為偏置量。
用一對方程描述上述的神經(jīng)元：
線性組合器的輸出為：
神經(jīng)元的輸出為：
看到這估計讀者要困了，說人話，就是加權求和計算后分類。熟悉流程管理的童鞋，尤其是被CMM/CMMI虐過的，要叫了，這不就是DAR（決策流程）嗎？是的，沒錯。我們都知道離散數(shù)學是諸多科學的基礎，而其英文Discrete Mathematics，又叫Decision Mathematics，就是用來量化分類的。記得前面讓注意的關鍵字嗎？判斷，結論。根據(jù)輸入，和相應的權值，得出結論。
權值怎么定呢？DAR可以根據(jù)經(jīng)驗，AI怎么辦呢？
機器學習。根據(jù)現(xiàn)有輸入和結論，機器自動學出權值。訓練機器，其實，跟馬戲團訓練老虎一個原理。
訓練師靠投喂鼓勵老虎，AI靠反饋，也就是要介紹的第一個算法：BP(back propogation)神經(jīng)網(wǎng)絡，是一種按照誤差逆向傳播算法訓練的前饋神經(jīng)網(wǎng)絡。通過在輸入和輸出之間增加若干隱藏層，來增加判斷能力。在AI的實際應用中，絕大部分都采用BP及其變化形式。它也是前向網(wǎng)絡的核心部分，體現(xiàn)了神經(jīng)網(wǎng)絡的精華。計算也相對簡單，主要是矩陣運算。BP主要應用于模式識別、分類、數(shù)據(jù)壓縮、函數(shù)逼近等。DNN(Depth深度神經(jīng)網(wǎng)絡)基于BP，或者，至少有一層隱藏層的BP。
在BP神經(jīng)網(wǎng)絡中，所有輸入信號之間是沒有關系的，一維的，沒有時間前后之分。那么問題來了，如果輸入數(shù)據(jù)是和時間有關的呢？比如根據(jù)過去每月銷量預測未來某月銷量？比如股價預測？
RNN(Recurrent神經(jīng)網(wǎng)絡)在時序數(shù)據(jù)上有著優(yōu)異的表現(xiàn)。具體模型算法以后細表，簡單說就是通過循環(huán)，實現(xiàn)對時間序列的信息提取，也就是時間特征，然后把特征值作為輸入送入全連接網(wǎng)絡，也就是BP，實現(xiàn)預測。RNN就是循環(huán)核 BP。
在RNN基礎上優(yōu)化的常用算法有LSTM(Long Short Term Memory)神經(jīng)網(wǎng)絡，具有記憶長短期信息的能力，解決長期依賴問題；DRNN，深層循環(huán)神經(jīng)網(wǎng)絡。
繼續(xù)回到BP，如果輸入數(shù)據(jù)過多，比如圖形識別，除了學習效率降低之外，識別能力也會隨之降低，因為太多的輸入，太多的權值，最后可能陷入某種分布陷阱。為了解決問題，CNN(Convolutional卷積神經(jīng)網(wǎng)絡)出現(xiàn)了。網(wǎng)絡流行語，卷，不知道跟這個有沒有關系。CNN結構有3層：卷積層(Convolutional Layer)，池化層(Max Pooling Layer)，全連接層，還是BP。卷積層把大數(shù)據(jù)分成小塊，找出小塊特征，然后從左至右從上到下一點一點的卷，得出一個新的特征矩陣。新的特征矩陣非常大，要通過池化層做向下采樣，池化，顧名思義，像篩子，大的留下，小的舍棄，就像當年蘇聯(lián)處理中國雞蛋水果一樣。經(jīng)過池化，主要特征保留，數(shù)據(jù)量大大減小，可以送入BP做預測了。CNN的改進算法有R-CNN，fastRCNN，fasterRCNN等。
CNN基于二維數(shù)據(jù)，GCN(Graph圖卷積神經(jīng)網(wǎng)絡)基于圖數(shù)據(jù)，算法看著嚇人，原理和CNN差不多，不過，這一點估計有些童鞋不認可。
再次回到BP，如果輸入數(shù)據(jù)沒有時間關系，但是有空間關系呢？比如說想知道送什么禮物給女朋友合適，問問身邊的朋友都送的啥，然后選他們送得最多的，估計get laid概率高些。用數(shù)學描述，就是鄰近樣本特征相同，KNN(K-NearestNeighbor)神經(jīng)網(wǎng)絡算法，通過少量鄰近樣本特征做預測，提高效率和識別度。
還有諸多神經(jīng)網(wǎng)絡算法，基本上是以上四種算法的改進或者組合。下面用一張圖來表示他們的關系：
看到這里，是不是覺得很簡單，手癢想立即跑一個算法啊。搭建環(huán)境其實很簡單，有Python就夠了。也不需要太強的機器，不過如果數(shù)據(jù)多算法復雜的話最好還是用GPU來跑，也就是通過NVIDIA的顯卡。
以上只是個人膚淺的理解，諸多不對之處，還望指出，一定更正。在學習AI過程中得到過很多幫助，在此表示感謝。
如果覺得文章有用，希望能深入交流，或者有錯誤想指教，歡迎下方留言，謝謝。
蒹葭蒼蒼，白露為霜。所謂伊人，在水一方。溯洄從之，道阻且長。溯游從之，宛在水中央。
聯(lián)系客服
