起底人工智能的底层逻辑_算法_人工智能

2024-11-22 13:25:24 AI快讯

随着人工智能技能的发展，在一些场景的运用也越来越成熟，人工智能正在逐步渗透进人们生活的各个角落，乃至在这次的抗击新冠疫情中也扮演了主要角色。

起底人工智能的底层逻辑_算法_人工智能 AI快讯

新技能的运用

比拟2003年的非典，这次新冠疫情在症状上潜伏期更长，传染性更强，而且还碰上了流感爆发以及春运流动的节点，因此病情人数不断上升，在防治上面临了更大的困难。

正因如此，在大规模传染之后，现有的医疗资源难以知足不断增长的病患用户。
为了实现更好的管控防治效果，提高效率，不少企业纷纭运用诸多技能手段来抗击疫情。
比如有些地方推出了智能机器人，通过语音识别、自然语义理解等技能，针对疫情问题、就医把稳、防护方法进行回答。
对付正常用户、轻症用户来说，人工智能可以起到一定的答疑浸染，避免医疗资源紧缺以及交叉传染的风险。

实在，人工智能还被运用于疫苗研发，比如利用深度学习技能，可以帮忙科研职员进行数据剖析、快速筛选文献以及相应的测试事情。
此外，人工智能还可以运用于建立模型以不雅观察疫情传播。
早前，海内基于AI和大数据的流感实时预测模型便登上了《柳叶刀》的子刊，为传染病预测供应了更加精准的逻辑框架。

神奇的算法

人工智能技能为何能发挥出如此大的浸染，魔力的来源究竟是什么？

人工智能在这些年的快速发展紧张得益于算力提升、数据积累和算法创新。
个中，算法是人工智能的灵魂，是魔力的紧张来源，本日我们就一起来看一看这些算法的本来样子容貌。

算法（Algorithm）这个观点比较抽象，是指一个准确而完全的关于解题方案的描述，用系统的方法描述办理问题的策略。
大略地说，算法便是办理问题的处理步骤，一个生活中的例子便是我们烹饪的时候每每须要食谱的帮助，食谱描述了美味收拾的制作方法，对制作收拾这个问题给出了方案，并将操作步骤规范地描述出来。

算法一词来源已久，截止目前，网上不完备统计有2000多个算法，如果考虑到每个算法的各种变种，数量极其巨大。
但是这些算法按照模型演习方法的差异，总体上可以分为四个种别：有监督学习（Supervised Learning）、无监督学习（UnsupervisedLearning）、半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）。
这些算法是如何让机器具备了“智能”，它们浸染的事理是什么？本日，我们考试测验用几个样例来揭开背后的秘密。

1、有监督学习

有监督学习被称为“有老师的学习”，所谓的老师便是标签。
通过标注好的样本（即演习样本以及其对应的目标）演习得到一个最优模型，再利用这个模型对输入的数据进行判断给出结果，从而具备对未知数据进行预测的能力。

在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“演习数据”的实际结果进行比较，不断的调度预测模型，直到模型的预测结果达到一个预期的准确率。
这也比较符合我们的认知习气，比如我们通过图片或实物学习什么是猫、什么是狗等。

经典的有监督学习算法有：反向传播神经网络、波尔兹曼机、卷积神经网络、多层感知器、循环神经网络、朴素贝叶斯、高斯贝叶斯、多项朴素贝叶斯、分类和回归树、ID3算法、C4.5算法、C5.0算法、随机森林、线性回归、逻辑回归、支持向量机等。

这些专业名称不主要，我们以大名鼎鼎的AlphaGo为例来理解一下有监督学习的事理。
从2016年到2017年，这个围棋机器人在多种场合以绝对上风降服了数十位顶尖的人类棋手。
围棋界公认AlphaGo围棋的棋力已经超过人类职业围棋顶尖水平，在GoRatings网站公布的天下职业围棋排名中，其等级分曾超过排名人类第一的棋手。

AlphaGo为理解决围棋的繁芜问题，结合了有监督学习和强化学习的上风，通过标注数据演习形成一个策略网络，将棋盘上确当前棋子的布局状态作为输入信息，对所有可能的下一步落子位置天生一个概率分布。
以 -1（对手胜利）到1（AlphaGo胜利）为标准，预测所有落子位置的得分。
也便是说，针对每个棋盘状态定义了一个学习目标，如此大量的循环往来来往，模型学会了应对不同的棋盘布局能够预测最佳落子位置，终极取得令人瞩目的成果。

2、无监督学习

无监督学习被称为“没有老师的学习”，比较有监督学习的不同之处在于，不该用事先标注的演习样本，没有演习的过程，而是直接拿无标注的数据进行建模剖析，通过机器学习自行学习探索，从数据集中创造和总结模式或者构造。

范例的无监督学习算法包括：天生对抗网络（GAN）、前馈神经网络、逻辑学习机、自组织映射、Apriori算法、Eclat算法、DBSCAN算法、期望最大化、模糊聚类、k-means算法等。

这里以k-means算法为例来看看无监督学习背后的运行机制，这是一种用来打算数据聚类的算法。

例如，对上图中的A、B、C、D、E五个点聚类，紧张方法是不断地设定并调度种子点的位置，打算离种子点最近的均值，终极根据间隔聚成群。
灰色的是开始时设定的种子点，首先，打算五个点与种子点之间直接的间隔，然后，将种子点逐步移动到点群的中央。
终极，A、B、C和D、E分别根据离种子点的间隔聚类为点群。

这个方法看上去很大略，但是运用的范围非常广泛，包括给网页文本进行主题分类；剖析一个公司的客户分类，对不同的客户利用不同的商业策略；电子商务等分析商品相似度，归类商品，从而得出不同的发卖策略等。

曾有人做过一个有趣的剖析，给亚洲15支足球队的2005年到2010年的战绩做了一个表，然后用k-Means把球队归类，得出了下面的结果，来，觉得一下是否靠谱？

亚洲一流：日本、韩国、伊朗、沙特；

亚洲二流：乌兹别克斯坦、巴林、朝鲜；

亚洲三流：中国、伊拉克、卡塔尔、阿联酋、泰国、越南、阿曼、印尼。

3、半监督学习

半监督学习，处在有监督学习和无监督学习的中间带，其输入数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量每每远大于有标签数据数量（这也是符合现实情形的）。
常见的半监督学习类算法包含：天生模型、低密度分离、基于图形的方法、联合演习等。