人工智能现状与未来.pptxVIP

人工智能现状与未来;人工智能概述;人工智能的新革命;人工智能将引领人类第四次工业革命–智能化;AI将催生“无用阶层”不？;什么是人工智能(AI)?;1956;手机中的AI; 人工智能相关技术刚刚越过曲线高峰(处于狂热期),是推动透明化身临其境体验技术发展的主要动力

涉及透明化身临其境体验的人本技术(如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口)是拉动另外两大趋势的前沿技术

数字平台在曲线上处于快速上升期,其中的量子计算与区块链将在今后5—10年带来变革性的影响;AIRoadmap;国人为什么要关注AI？;为什么人类能成为地球的主宰？;AI学科结构;AI的几大门派;人工智能产业生态的三层基本架构;人工智能系统的技术架构;人工智能的新革命;推理期;用数据优化计算机程序的模型参数;机器学习实施过程;特征提取;特征选取是成败的关键;第一个模型是一个线性模型,低度拟合,不能特别好地习惯训练集;第三个模型是一个四次方的模型,过度拟合,尽管能特别好地习惯我们的训练集,但在新输入变量进行预测时估计会效果不行;中间的模型好像最合适;当感知器用于两类模式的分类时,相当于在高维样本空间中,用一个超平面将两类样本分开

神经网络的学习过程就是神经网络参数的设定过程

一个神经元网络结构确定之后,需要对一系列参数(权重、阈值等)进行有效的设定。这个过程叫做学习或训练过程,此时的方法叫学习算法;监督学习

通过已有的训练样本（即已知数据以及其对应的输出）训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，从而也就具有了对未知数据进行分类的能力;深度学习的神经网络训练方法;局部感受-卷积;池化;LeNet-5;深度学习的训练方法;深度学习的成功应用;人工智能的新革命;知识图谱(KnowledgeGraph);知识图谱构建;基于人工规则的语义理解;知识图谱的成功应用:现代搜索引擎;面向知识图谱的Sogou搜索技术;GeneOntology;语义理解;通用知识图谱+行业知识图谱;深度学习与智能围棋;01

人机大战:深度学习算法的标志性??果;创新性;深度学习与智能围棋;传统围棋AI算法—MCTS(蒙特卡洛树搜索);展开深度为4的博弈树;围棋落子蒙特卡洛数学模型及评估;传统围棋AI算法—数学模型MCTS(蒙特卡洛树搜索);深度学习与智能围棋;;PolicyNetwork策略网络:落子棋感;PolicyNetwork—输入特征;左右互博,自我进化;Fast-Rollout快速走子;ValueNetwork:胜负棋感;ValueNetwork模型;MCTS在对局中实时搜索

Step1:基于策略网络落子,估计性大的落子拓展节点

Step2:对未来走势进行评估,同时使用估值网络与快速走子,综合两者预测未来走法

Step3:评估结果作为下一步走法的Q值。重新模拟。

Step4:结合下一步走法的Q值与策略网络进行再一次模拟。假如出现同样走法,Q值起平均。新分数=调整后的初始分+0、5*通过模拟(策略网络+快速走棋)得到的赢棋概率+0、5*估值网络的局面评估分

Step5:反复循环直到n次,或者timeout,选择被选择次数最多的走法作为下一步;深度学习与智能围棋;AlphaGoZero;AlphaGoZero解析;智能围棋与蒙特卡洛树搜索;智能围棋与神经网络;人工智能的核心方法:直觉获取;人工智能3.0;Q1:什么领域AI能够超过人？;一只乌鸦的启发;Q2:AI+依然+AI？;容错;新特征1:深度学习+自我博弈进化技术;DeepMind算法减少了40%用于冷却的电量,即整体用电量效率提升15%;《Science》2016年1月1日发表“群智之力量(ThePowerofCrowds,Vol、351,issues6268)”的论文认为:结合群体智慧与机器性能来解决快速增长难题。

其将群智计算按难易程度分为三种类型:实现任务分配的众包模式(Crowdsourcing)、较复杂支持工作流模式的群(plex workflows)以及最复杂的协同求解问题的生态系统模式(Problem solving ecosystem )、;大规模个体通过互联网构架的参与,能够表现出超乎寻常的智慧能力,是解决开放复杂问题的新途径

美国普林斯顿大学Connetome项目开发了EyeWire游戏,玩家对显微图像中单个细胞及其神经元连接按功能进行涂色。第一次提供了哺乳动物视网膜的神经元结构与组织如何产生;各种穿戴设备、人—车共驾、脑控或肌控外骨骼机器人、人机协同手术等实现生物智能系统与机器智能系