【產業鏈圖譜 | 人工智能產業鏈圖譜_人工智能產業鏈全景圖】

【研究報告 | 人工智能行業研究報告】

【研究報告 | 中國算法軟件開發行業現狀及發展趨勢分析研究報告】

　　人工智能的技術應用已經在生活中得到廣泛的普及，智能家居，服務機器人，智能機器人都為我們帶來了和以往電子產品不一樣的使用經歷，那這種類人腦的背后是怎樣的理論研究呢。

　　深度學習-能夠實現機器學習的技術

　　1，機器學習概念

　　機器學習可以分析數據，并從中汲取數據，并根據情景使用數據進行預測/真相/確定。 機器基本上正在接受培訓，或者真正地進行自我培訓，學習如何正確地完成分析過的所有數據。 它正在建立自己的邏輯和解決方案。

　　機器學習可以用一堆不同的算法完成，如：

　　? 隨機森林和決策樹：一個簡單的樹預測的集合或集合，每個都可以產生一個響應，就像Netflix建議根據你的星級評定電影。

　　? 線性回歸：預測具有無限結果的分類結果的價值，例如根據市場來確定可以賣出多少汽車。

　　? Logistic回歸：預測一個有限數量的可能值的分類結果的價值，如找出是否可以出售一輛汽車一定的成本。

　　? 分類：將數據放入不同的組，如提交文件或電子郵件。

　　? 樸素貝葉斯：一個算法家族都有一個共同的原則，即被分類的每個特征與任何其他特征的價值無關，如預測兒童照片中的快樂。有很多人都做不同的事情，是算法家庭的一部分，和/或一起工作或一起工作。

　　機器學習算法還包括監督學習和無監督學習。監督學習需要一個人輸入數據和解決方案，但允許機器弄清楚兩者之間的關系。無監督是在一定的情況下隨機的數字/數據，并要求電腦找到一個關系和解決方案。 這有點像在黑暗中拍攝目標，直到你打開燈，你不知道你打的是什么。

　　2，機器學習舉例：

　　假設你想創建一個能夠根據人的身高估算體重的系統(也許你出自某些理由對這件事情感興趣)。那么你可以使用機器學習去找出任何可能的錯誤和數據捕獲中的錯誤，首先你需要收集一些數據，制作成圖，圖中的每一個點對應一個數據，我們可以畫出一條簡單的斜線來預測基于身高的體重

　　例如這條斜線：Weight (in kg) = Height (in cm) - 100

　　這些斜線能幫助我們作出預測，盡管這些斜線表現得很棒，但是我們需要理解它是怎么表現的，我們希望去減少預測和實際之間的誤差，這也是衡量其性能的方法。

　　深遠一點地說，我們收集更多的數據 (experience)，模型就會變得更好。我們也可以通過添加更多變量(例如性別)和添加不同的預測斜線來完善我們的模型。

　　深度學習-實現機器學習的方法

　　深度學習的“深度”其實是代表神經網絡中眾多的層。

　　先了解人工神經網絡。

　　人工神經網絡(Artificial Neural Networks)是早期機器學習中的一個重要的算法，歷經數十年風風雨雨。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離內的任意神經元不同，人工神經網絡具有離散的層、連接和數據傳播的方向。

　　例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最后一層，然后生成結果。

　　每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。

　　我們以停止(Stop)標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然后用神經元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經網絡的任務就是給出結論，它到底是不是一個停止標志牌。神經網絡會根據所有權重，給出一個經過深思熟慮的猜測——“概率向量”。

　　這個例子里，系統可能會給出這樣的結果：86%可能是一個停止標志牌;7%的可能是一個限速標志牌;5%的可能是一個風箏掛在樹上等等。然后網絡結構告知神經網絡，它的結論是否正確。

　　神經網絡是調制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調制得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。只有這個時候，我們才可以說神經網絡成功地自學習到一個停止標志的樣子。當訓練層數非常多，神經元也非常多，然后給系統輸入海量的數據，來訓練網絡時，才是訓練結果誤差度較低的事件。

　　歸納來講，機器學習就是通過模擬兩數據的關系，訓練出一條因量和變量關系，類比我們學習的數學公式，再通過大量的數據來增加這個公式的可靠性，和神經網絡相同，背后都需要大量的數據支撐，這也代表這人工智能的科技發展和數據量切實相關，也是人工智能和大數據的關系。