和小白一起学机器学习之人工智能概述（一）

说到机器学习，大家不得不提人工智能。我们先一起回顾一下人工智能。

一、人工智能介绍

人工智能，英文是Artificial Intelligence，也就是我们口头常说的AI。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和博弈决策系统等。人工智能从诞生以来，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”。

这个概念最早诞生于1956年，因此也有人将1956年称为人工智能元年。这一年，在美国汉斯小镇达特茅斯学院召开了著名的“达特茅斯会议”，参加会议的人现在看来都是重量级大佬，约翰.麦卡锡（人工智能之父、1971年图灵奖）、马文.明斯基（人工智能之父、1969年图灵奖）、克劳德.香农（信息论创始人）、艾伦.纽厄尔（1975年图灵奖）、赫伯特.西蒙（1978年诺贝尔经济学奖、1975年图灵奖）等。会议开了足足两个月，讨论的不是人间烟火的事，而是如何用机器来模仿人类学习及其他方面的智能。

目前很多大学都已经开设了人工智能的专业，甚至是获批建立了人工智能学院，人工智能的火爆程度可见一斑。但其实，从人工智能这个概念诞生，发展到至今的繁荣，经历了很多曲折，甚至一度沉浮，被认为是疯子的狂想。关键转折出现在2012年前后，一是移动互联网带来了海量的数据，使得人工智能技术具备足够的数据基础，二是运算能力从传统以CPU主导变为GPU、TPU，算力的增强直接促进了深度学习的发展，三是算法技术的迭代进化，从早期的人工神经网络、感知机，到现在CNN、RNN、GAN等，网络层级越来越深，分类和预测能力越来越强。

在大数据、大算力、新算法的助力下，人工智能技术从实验室走出来，并融入我们日常生活的方方面面。比如说……

• 1、传统预测：销量预测、量化投资、广告推荐、客户分类

• 2、图像识别：无人驾驶、人脸识别

• 3、自然语言识别：文本分类、情感分析、自动聊天

二、人工智能与机器学习的关系

机器学习，英文是Machine Learning，是一种实现人工智能的途径和方法。机器学习是从大量数据中进行学习和训练，获取规律，然后进行预测和决策。传统的算法包括聚类、K紧邻、贝叶斯、决策树、随机森林、支持向量机、线性回归、逻辑回归、神经网络等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题、回归问题）、无监督学习（如聚类问题）、半监督学习、深度学习、强化学习等。

很多人容易把机器学习、深度学习、强化学习这三个概念的范围混淆，这里再单独解释一下，并且下方附图说明。

• 深度学习，英文是Deeping Learning，是从机器学习算法人工神经网络优化发展而来，是机器学习的一个细分领域。深度学习需要大量的训练数据集，训练深度神经网络需要大量的算力。DNN（深度神经网络），CNN（卷积神经网络），RNN（循环神经网络），LSTM（长短期记忆网络）都是隶属于深度学习的范畴。通过这些手段，深度学习在图像识别，语音识别，自然语言处理（NLP）等领域取得了传统机器学习算法所无法取得的成就。

• 强化学习，英文是Reinforcement Learning，又称再励学习或者评价学习，也是机器学习的技术之一。强化学习是强调如何基于环境而行动，以取得最大化的预期目标，由于外部给出的信息很少，强化学习系统必须依靠自身的经历进行自我学习。通过这种学习获取知识，改进行动方案以适应环境。强化学习最关键的三个因素是状态，行为和环境奖励。

关于强化学习和深度学习的实例，最典型的莫过于谷歌的AlphaGo和AlphaZero了。AlphaGo通过深度学习中的深度卷积神经网络，在训练了大约三千万组人类的下棋数据后，于2016年以4 : 1的比分战胜了国际顶尖围棋高手李世石。而AlphaZero使用强化学习的方式，采用“从零开始”、“无师自通”的自己与自己下棋学习模式，于2017年以100:0的比分轻而易举打败了之前的AlphaGo，效果令人震撼。