您当前的位置是:首页 > 新闻详情
人工智能的实现方法发展脉络。

·大脑模拟(brain simulation):综合利用神经学、信息论和控制论,试图用机器精确模仿生物大脑的计算机制。20世纪40年代至50年代,此方法非常热门,但是后来发现实现起来过于困难。

·逻辑与符号计算(logic and symbolic computation):不使用数值,在符号级别和逻辑进行各种运算,并依此来完成许多应用。20世纪60年代,该方法曾在小型证明程序上模拟高级思考获得较大的成就。著名的A*算法也属于此类。

·基于知识的专家系统(knowledge-based expert system):收集外部知识,再利用预定策略对存储的知识做运算得到应答。在20世纪80年代,专家系统在商业上获得了巨大的成功。

·次符号学习(sub-symbolic learning):不依靠于符号,而依赖于具体的数据。模糊计算、常见的机器学习等都属于此类。目前基于学习的人工智能应用最为热门。

热门。

在人工智能发展的上述4个阶段中,人工智能解决问题的范围越来越小,但在特定应用中的表现越来越好。目前人工智能的发展已经进入学习主导的阶段。

以学习为主的人工智能应用主要关注以下任务。

·聚类(cluster):在不知道数据的分类数、分类方法、分类结果的情况下,试图发现数据的类别及分类方法。例如,通过分析很多蚂蚁的行为,发现蚂蚁存在不同的分工,并且根据分工将蚂蚁分为若干类。聚类还可以进一步细分为硬聚类(hard cluster)和模糊聚类(soft cluster)。硬聚类把每个数据都划分到一个确切的类;模糊聚类可以把数据归属到多个类,并显示数据点和某个类之间的关系有多强。

·分类(classification):在已经知道数据的分类数和某种结构的情况下,对新的数据推广已知的结构。例如将电子邮件分为“垃圾邮件”和“正常邮件”。异常检测(abnormally detection)旨在识别出不寻常的数据记录。

·回归(regression):探索变量之间的关系,特别是因变量和自变量之间的关系。例如,有一些变量[图片],其中[图片]两两独立,y由[图片]决定。通过分析数据,了解y是如何由[图片]决定的,就是回归研究的问题。

·关联规则学习(associate rule learning):分析事件之间的关联规则。关联规则指的是这样的一种规则:如果某些事件发生了,那么某个事件也会发生。这些事件往往是对等的关系,可以互换位置。例如,通过分析超市中顾客的购买习惯,

发现哪些商品常常被一起购买。

·压缩表示(compressed representation):将比较长的数据压缩表示为比较短的数据,包括汇总(automatic summarization)和降维(dimensionality reduction)。汇总的例子:为一篇文章写摘要、起标题。降维的例子:将高维数据在二维的平面上进行可视化。

·密度估计(density estimation):估计变量的概率分布。这个变量可能独立存在,也可能受其他因素影响。

数据挖掘(Data Mining,DL)是另外一个从应用效果定义的概念。

数据挖掘并不是希望“挖掘”新的数据或试图得到新的数据,而是希望通过有效管理和分析数据,来发现原本不知道的新知识、新方法。数据挖掘中对数据进行逻辑分析的算法可以发现新知识和新方法,体现出一定的智能,所以数据挖掘应用往往都可以认为是人工智能应用。但是数据挖掘不仅仅只考虑数据处理的算法,还关注数据的有效存储、读取和更新。因此数据库、数据管理等内容也是数据挖掘的主要研究内容。AlphaGo分析大量人类棋谱后发现了某些下棋的新策略,这也算是一种数据挖掘。

当然,并不是所有数据挖掘应用都是人工智能应用。比如,某人通过观察各个股票的走势发现了股票涨跌的某种规律,这个和机器没什么关系,自然不是人工智能应用。


在线咨询

咨询热线:

点击一键开通注册系统将分配技术联系您

在线咨询QQ:

在线客服QQ:1215917463  客服