机器学习：人工智能分支中的探索

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类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的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
具体的机器学习算法有：
• 构造间隔理论分布：聚类分析和模式识别
o 人工神经网络
o 决策树
o 感知器
o 支持向量机
o 集成学习AdaBoost
o 降维与度量学习
o 聚类
o 贝叶斯分类器
• 构造条件概率：回归分析和统计分类
o 高斯过程回归
o 线性判别分析
o 最近邻居法
o 径向基函数核
• 通过再生模型构造概率密度函数：
o 最大期望算法
o 概率图模型：包括贝叶斯网和Markov随机场
o Generative Topographic Mapping
• 近似推断技术：
o 马尔可夫链
o 蒙特卡罗方法
o 变分法
• 最优化：大多数以上方法，直接或者间接使用最优化算法。
机器学习有下面几种定义：
• 机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
• 机器学习是对能通过经验自动改进的计算机算法的研究。
• 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
机器学习分为监督学习（回归分析和统计分类），无监督学习（GAN，聚类），半监督学习。
生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由伊恩•古德费洛等人于2014年提出。[1] 生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。
生成对抗网络常用于生成以假乱真的图片。此外，该方法还被用于生成影片、三维物体模型[6]等。
虽然生成对抗网络原先是为了无监督学习提出的，它也被证明对半监督学习、完全监督学习、强化学习是有用的。在一个2016年的研讨会，杨立昆描述生成式对抗网络是“机器学习这二十年来最酷的想法”。
应用：时尚和广告：生成对抗网络可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的开销。生成对抗网络可用于时尚广告活动，创建来自不同群体的模特儿，这可能会增加这些群体的人的购买意图。
科学：生成对抗网络可以改善天文图像，并模拟重力透镜以进行暗物质研究。在2019年，生成对抗网络成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引力透镜。
影像游戏：在2018年，生成对抗网络进入了影像游戏改造社区。在旧影像游戏中，借由图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取样以适应游戏的原始分辨率（结果类似于抗锯齿的超级取样方法。通过适当的训练，生成对抗网络提供更清晰、高于原始的2D纹理图像品质，同时完全保留原始的细节、颜色。

机器学习：人工智能分支中的探索相关推荐

生成技术在人工智能平台中的应用探索
点击上方蓝字关注我们生成技术在人工智能平台中的应用探索夏正勋, 杨一帆, 罗圣美, 赵大超, 张燕, 唐剑飞星环信息科技(上海)有限公司,上海 200233 摘要:随着人工智能(AI)技术的发展 ...
量子领域的机器学习人工智能（一）
Machine learning & artiﬁcial intelligence in the quantum domain 摘要( Abstract) Ⅰ 引言( INTRODUCTION ...
转载干货 | 1400篇机器学习的文章中，这10篇是最棒的！
[导读]在过去的一个月中, 作者从近 1400 篇有关机器学习的文章中挑选了最有可能帮助职业生涯发展的 10 篇推荐给大家(入选比率为0.7%). (此前发布过多篇收藏党喜欢的文章,也是来自Mybri ...
分布式数据库在金融应用场景中的探索与实践
分布式数据库在金融应用场景中的探索与实践刘雷, 郭志军, 马海欣, 赵琼, 胡卉芪, 蔡鹏, 杜洪涛, 周傲英, 李战怀交通银行软件开发中心,上海 201201 华东师范大学数据科学与工程学院,上 ...
长文解读|Progress in Neurobiology:监督式机器学习在神经科学中的应用
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 这些年来,人们投入了相当多的热情在机器学习(Machine Learning)领域中,毕竟它让电脑的表现在某 ...
鹏城实验室开源技术总师余跃：新一代人工智能开源生态的探索与实践
人工智能自诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的"容器".现如今,人工智能技术已经深入到我们生活的方方面面,为我们 ...
WAIC | 时识科技首席科学家：低功耗人工智能计算系统中的类脑策略
在 WAIC 2021 AI 开发者论坛上,苏黎世大学与苏黎世联邦理工学院终身教授.苏黎世神经信息研究所 INI 所长.SynSense 时识科技联合创始人 & 首席科学家 Giacomo I ...
机器学习在分子模拟中的应用
文章目录一.背景二.分子动力学模拟介绍简史基本步骤应用发展方向三.AlphaFold **前言** **Alphafold2做了什么改进** **Alphafold2会议具体细节:** ...
机器学习在无人驾驶中的应用现状及面临挑战
https://www.toutiao.com/a6647268343461970445/ 2019-01-17 09:16:07 1月10日,在青岛举行的2019国家智能产业峰会智能驾驶平行论坛上, ...
人工智能应用中的安全、隐私和伦理挑战及应对思考
在1956年美国达特茅斯学院召开的学术研讨会上,人工智能(AI)首次成为一个正式学术领域,发展至今已有60多年的历史.随着人工智能技术的不断成熟,会有越来越多的机器人或智能程序充当人类助手,帮助人们完 ...

机器学习：人工智能分支中的探索

机器学习：人工智能分支中的探索相关推荐

最新文章

热门文章