人工智能技术及其的应用探究.docVIP

人工智能技术及其的应用探究 　　摘 要：人工智能涉及的技术繁多，应用领域广泛。人工智能技术的核心思想是为训练集找到一个优化的拟合函数，用以对数据进行预测和分类。从主流技术出发，介绍了不同技术的应用场景，阐述了人工智能技术的核心思想，梳理了不同模型和算法的共性，从而提高学习和应用效率。 　　关键词：人工智能；机器学习；语音识别；图像识别 　　DOIDOI：10.11907/rjdk.173262 　　中图分类号：TP3-0 　　文献标识码：A 文章编号：1672-7800（2018）002-0035-03 　　0 引言 　　随着AlphaGo打败围棋大师李世石，人工智能逐渐进入了人们的视野。如果说AlphaGo还是基于人类经验的学习，那么AlphaZero的成功则是颠覆人们认知的，人工智能机器能够从零开始学习，完全不需要人类经验的介入，其技术的发展甚至让人产生了一些恐惧。面对这日新月异的技术革新，国务院发布了《新一代人工智能发展规划》，将人工智能技术提到了国家发展战略的高度[1]。其后，教育部考试中心又将Python这一人工智能领域最通用的编程语言纳入了全国计算机二级考试科目，全国各地也纷纷将Python加入高考科目，这说明我国进入了人工智能时代。 　　人工智能概念最早由麦卡赛等[2]于1956年提出，20世纪90年代初发展到了顶峰，然而，受当时神经网络技术的限制，又一度陷入低迷[3]。2000年，Sharma等 [4]的实验发现鼬鼠的视觉和听觉算法是相通的，这给了研究者很大的启发。其后多个实验证明，人类的很多活动是靠大脑后天习得的，因而大脑学习算法成为研究的热点[5-6]。2006年，Hinton等 [7]开发出了高效的深度学习算法，打破了原先神经网络算法的限制，使得人工智能研究再次成为焦点。 　　1 人工智能实现方式 　　目前的人工智能处于弱人工智能阶段。所谓弱人工智能是指机器能够智能学习一些事物的规律，但其本身并没有人类的知觉和思维。 　　弱人工智能阶段，机器实现智能化主要有两种方式：①事先给定某种数据处理的规则，机器按照既定的规则编写程序，处理指定的任务。这种方式从结果上看，机器智能地完成了给定的任务，但实际上其处理数据的过程采用的逻辑并非机器本身习得，而是人为规定的；②另一种方式恰好与之相反，事先并未给机器指定任何规则，而是给机器提供大量与指定任务相关的数据，机器自己通过某种处理方式，从数据中找出规律，并习得解决问题的逻辑，从而完成指定的任务，后者称为机器学习[8-9]。 　　举例来说，想让机器具有识别鹿的能力有两种方式，第一种是给定规则的，即需要事先告诉机器，鹿的特征是头上有角、四条腿、有尾巴等等，然后让机器将满足给定特征的图片识别为鹿。第二种方式是不给定规则，即并未告诉机器鹿有哪些特征，但是提供给机器10万张关于鹿的图片，让机器自己从这些图片中学习到鹿的特征是头上有角、四条腿、有尾巴等等，从而具有?牟煌?动物的图片中识别出鹿的能力。前一种方法会受到人类经验的限制，也就是说事先给定的规则越多，识别越准确。而事先若提供了错误的规则，那么机器无法自行更正。而后一种方法则不受人类经验的限制，只要提供训练的数据越充分识别就越准确。因而，机器学习是人工智能研究的重点内容。 　　2 机器学习 　　机器学习的本质是数据与算法以及模型的总和。若要让机器获得区分鹿和马的智能，必须具备3个要素。 　　2.1 数据 　　数据就是需要准备大量的关于鹿和马的图片，并且给这些图片打上对应的标签，标明哪个是鹿，哪个是马，用于训练机器，让其自行获得鹿和马的特征区别，从而能够准确地区分鹿和马。这里需要强调的是，图片的数量必须多。因为我们知道，鹿与马有许多相似的特征，例如都有四条腿、都有尾巴、体表都无绒毛等。当数据量不够充分时，这些相似的特征将会覆盖各自独有的特征，例如鹿头上有角，而马头上没有角等，从而使机器无法准确区分出两种动物的差别。机器对于鹿或马的识别是以概率的形式存在的，也就是说，如果给定一张鹿的图片，即使在数量足够充分的情况下，还是会有一定的概率将其识别为马。而数据量越大，识别为马的概率越低，而识别为鹿的概率越接近于1，测试结果就越准确。 　　2.2 算法 　　机器学习根据其学习算法的层次深度，分为浅层学习和深度学习。 　　浅层学习在其模型中一般不含隐含层或只有一层隐含层。常见的浅层学习有线性回归、随机森林、K-mean等，浅层学习主要用于预测数据走向、进行数据分类、实现智能推荐系统等领域[8-9]。 　　深度学习含有较多的隐含层，因而能够完成更复杂的学习任务，目前的研究热点主要有CNN和RNN两种[8-10]。CNN称为卷积神经网络，是通过卷积操作提取数据的特征值，从而降低冗余信息的噪音，提高计算效