机器学习系列文章：人工智能研究和应用领域

结合本人学习学习《人工智能原理及应用》，现做如下总结！！

概述：本文涵盖人工智能在现阶段主要的研究领域，包括：机器思维、机器学习、机器感知、机器学习的详细介绍等。

1、机器思维

    机器思维主要模拟人类的思维功能。在人工智能中，与机器思维有关的研究主要包括推理、搜索、规划等。

    这里对该概念就不再赘述了，感兴趣的同僚可以参考《人工智能原理及应用》

2、机器学习

    机器学习是机器获取知识的根本途径，同时也是机器具有智能的重要标志，有人认为，一个计算机系统如果不具备学习功能，就不能称其为智能系统。机器学习有多重不同的分类方法，如果按照对人类学习的模拟方式，机器学习可分为符号学习和联结学习。

    1）符号学习

        符号学习是指从功能上模拟人类学习能力的机器学习方法，它使一种基于符号主义学派的机器学习挂点。按照这种观点，知识可以用符号来表示，机器学习过程实际是一种符号运算过程。对符号学习，可根据学习策略，即学习中所使用的推理方法，将其分为记忆学习、归纳学习、研一学习等。

        记忆学习也叫死记硬背学习，它是一种最基本的学习方法，原因是任何学习系统都必须记住它们所获取的知识，以便将来使用。归纳学习是指以归纳推理为基础的学习，它是机器学习中研究较多的一种学习类型，其任务是要从关于某个概念的一系列一直的具体例子出发，归纳出一般的结论，像示例学习、决策树学习和统计学习等都是归纳学习方法。演绎学习是指以演绎推理为基础的学习，解释学习是一种典型的演绎学习方法，它是在领域知识的知道下，通过对单个问题求解例子的分析，构造出求解过程的因果解释结构，并对该解释结构进行概括化处理，得到用来求解类似问题的一般性知识。

    2）联结学习

        联结学习也称为神经学习，它是一种基于人工神经网络的学习方法。  现有研究表明，人脑的学习和记忆过程都是通过神经系统来完成的。在神经系统中，神经元及时学习的基本单元，也是记忆的基本单位。连接学习可以有多种不同的分类方法。比较典型的学习算法有感知器学习、BP网络学习和Hopfield网络学习等。

        感知器学习实际上是一种基于纠错学习规则，采用迭代思想对联结权重和阈值进行不断调整，直到满足结束条件为止的学习算法。BP网络学习是一种误差反向传播网络学习算法。这种学习算法的学习过程由输出模式的正向传播过程和误差的反向传播过程组成。其中误差的反向传播过程用于修改各层神经元的连接权值，以肘部减少误差信号，直至得到所期望的输出模式为止。Hopfield网络学习实际上是要寻求系统的稳定状态，即从网络的初试状态开始逐渐向其稳定状态过度，直至达到稳定状态为止。至于网络的稳定性，则是通过一个能量函数来描述的。

    3）知识发现和数据挖掘

        知识发现（knowledge discover）和数据发觉（data mining）是在数据库的基础上实现的一种知识发现系统。他通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从数据库中提炼和抽取知识，从而可以揭示出蕴涵在这些数据背后的客观世界的内在联系和本质原理，实现知识的自动获取。

        传统的数据库技术仅限于对数据库的查询和检索，不能够从数据库中提取知识，使得数据库中所蕴涵的丰富知识被白白浪费。知识发现和数据挖掘以数据库作为知识源去抽取知识，不仅可以提高数据库中数据的利用价值，同时也为各种智能系统的知识获取开辟了一条新的途径。目前，随着大规模数据库和互联网的迅速发展，知识发现和数据挖掘已从面向数据库的结构化信息的数据挖掘，发展到面向数据仓库和互联网的海量、半结构化或非结构化信息的数据挖掘。

3、机器感知

    机器感知作为机器获取外界信息的主要途径，是机器智能的重要组成部分。下面介绍机器视觉、模式识别、自然语言理解。

        1）机器视觉

        机器视觉是一门用计算机模拟或实现人类视觉功能的新兴学科。其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力。这种能力不仅包括 对三维环境中物体形状、位置、姿态、运动等几何信息的感知，还包括对这些信息的描述、存储、识别与理解。

        视觉是人类各种感知能力中最重要的一部分，在人类感知到的外界信息中，约80%以上是通过视觉得到的。人类对视觉信息获取、处理与理解的大概过程是：人们视野中的物体在可见光的照射下，先再眼睛的视网膜上形成图像，再有感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层，最后由大脑皮层对其进行处理与理解。可见视觉不仅指对光信号的感受，它还包括了对视觉信号的获取、传输、处理、存储于理解的全过程。

        目前，计算机视觉已在人类社会的许多领域得到了成功的应用。例如，在图像、图形识别方面有指纹识别、染色体识别、字符识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、景物识别、目标检测等；在医学方面有CT图像的脏器重建、医学图像分析等；在工业方面有各种检测系统和生产过程监控系统等。

        2）模式识别

        模式识别是人工智能最早的研究领域之一。“模式”一词的原意是指提供模仿用的完美无缺的一些标本。在日常生活中，可以把那些客观存在的事物心事称为模式。例如，一幅画、一个景物、一段音乐、一幢建筑等。在模式识别理论中，通常把对某一事物所做的定量或结构性描述的集合称为模式。

        所谓模式识别就是让计算机能够对给定的事务进行鉴别，并把它归入与其相同或相似的模式中。其中被鉴别的事务可以使物理的、化学的、生理的，也可以是文字、图像、声音等。为了能使计算机进行模式识别，通常需要给它配上各种感知器官，使其能够直接感知外界信息。模式识别的一般过程是先采集待识别事务的模式信息，然后对其进行各种变换和预处理，从中抽出有意义的特征或基元，得到待识别事务的模式，然后在于机器中原有的各种标准模式进行比较，完成对待识别事物的分类识别，最后输出识别结果。

        根据给出的标准模式的不同，模式识别技术可有多种不同的识别方法。其中经常采用的方法有末班匹配法、统计模式法、模糊模式法、神经网络法等。

    3）自然语言理解

        自然语言理解一直是人工智能的一个重要领域，它主要研究如何使计算机能够理解和生成自然语言。自然语言是人类进行信息交流的主要媒介，但由于它的多义性和不确定性，是得人类与计算机系统之间的交流还主要依靠那种收到严格限制的非自然语言。要真正实现人机之间的直接自然语言交流，还有待遇自然语言理解研究的突破性进展。

        自然语言理解可分为声音语言理解和书面语言理解两大类。其中声音语言的理解过程包括语音分析、词法分析、句法分析、语义分析和御用分析五个阶段；书面语言的理解过程除不需要语音分析外，其他四个阶段与声音语言理解相同。自然语言理解的主要困难在御用分析阶段，原因是它涉及上下文知识，需要考虑语境对语言的影响。

        与自然语言理解密切相关的另一个领域是机器翻译，即用计算机把一种语言翻译成另外一种语言。尽管自然语言理解和机器翻译都已取得了很多进展，但离计算机完全理解人类自然语言的目标还相距甚远。自然语言理解的研究不仅对智能人机接口有着重要的实际意义，而且对不确定的人工智能的洋酒也具有重大的理论价值。

4、机器行为

    机器行为作为计算机作用于外界环境的主要途径，也是机器智能的主要组成部分。其主要内容包括：智能控制、智能制造。此处不再赘述，详情可以参考文末资料。

参考：《人工智能原理及其应用》_王万森

整理不易！！ 转载请注明出处！

https://my.oschina.net/u/3702502/blog/1823431