返回首页
当前位置:首页>网络编程>java编程>>文章浏览:一个java工程师所认识的人工智能

一个java工程师所认识的人工智能

时间:2017年1月20日来源:互联网 作者:小恩 我要评论
1982年,美国加州理工学院的优秀物理学家John.J.Hopfield总结和吸纳了前人的经验,塑造出一种新颖的强有力的模型,成为Hopfield网络,此网络有个优点,与电子电路有明显的对应关系,易于用集成电路实现。

今天和大家一起分享一篇由一位java工程师所认识的人工智能。你觉得未来人工智能能替代多少劳动力呢?

java人工智能.JPG

人工智能的总体介绍

  • 如果你看各种综述人工智能的,都会把子领域这么分类:机器人、语言识别、图像识别、自然语言处理、专家系统等。。。。。

  • 人工智能,人工智能,自然是模拟人的智能。人有啥智能?

  • 输入和特征提取(五感,例如眼一看到东西,就会在视网膜自动将图像各种特性提取出来,不同的特性送到大脑的不同区域。例如颜色、轮廓、亮度)

  • 分类(一个东西,只要形状变得不夸张,我们都认识,这就是分类的功能,当然,在人工智能里叫classify和clustering)

  • 输出(就是个控制系统,给它发什么信号,他做什么事情。当然,这个事情可能会涉及到比较多的部件,会很复杂,但归结起来,就是件事情)

  • 记忆(这个是系统最难攻克的地方,我们现在能做的所有文明的事情都是基于记忆的(你刚出来的时候只会找妈妈的奶喝)),而记忆记啥呢?模式。

    • 模式:一个鼠标,怎么变我们也认识,这是物体的模式。一个人的声音,我们也听出来,这是声音的模式。所以,模式=分类结果

  • 好了,这就是人工智能。输入和特征提取一般域分类一起,形成了《机器学习》《模式识别》《数据挖掘》这几大部分重叠方向。其实用到的都是同样的东西:bayes、svm、ANN。。。都是实现分类(概称)问题的不同算法。

  • 至于输出,除了机器人,没人会在意。现在还不是研究那个的时候。(前端没有成熟,输出只是普通生产线,属于鸡肋部分)

  • 关键的是记忆,以上说的《机器学习》等方向,都会涉及到如果存储学习结果,但都不成系统。记忆这方面的进展是最慢的(如果实现了,直接可以宣告人工智能的革命来了)

人工智能方向的原因

       真心推荐看一下《奇点临近》,里面的加速回归理论。主旨是:技术的发展和普及速度是指数级加速的。不信你自己想想,从农业到蒸汽机用了多久?从蒸汽机到石油用了多久?IT行业是啥时候出现的?PC是什么时候出现的?windows是哪年出现的?(它火起来的时候我已经从老妈肚子里出来了)互联网出现了几年?诺基亚倒下花了多久?智能机出来几年?苹果在中国如日中天之前是啥样子的?(也就各位数年度)

那么我们不禁要问,一个技术的范式迭代从出现到普及,如果现在和未来是指数速度加速的,那么下一个大规模改变我们生活的技术会是什么?我指范式迭代(颠覆性的改变)。它会花多久让我们接收这个技术?

        读研的过程中,我发现一件事,导师不是图像就是数据挖掘,竟然70%是人工智能相关。像复旦,几乎清一色的数据挖掘。实验室固然不能体现社会,但一个技术必然是先在实验室出现的(很多年不是在中国的实验室,当然这次也不例外)。不但是中国,国外的实验室,人工智能成为极火的方向。当然,历史上出现过人工智能的泡沫时代,lisp出现的那几年和80年代,人工智能都曾被认为是革命,彻底的革命。但很快,热情就下去了。因为不成熟,不成熟的原因,永远不是技术无法达到(当然,确实没那么成熟的技术),是因为市场不到时候接收。为啥这么说?iphone都没办法被接受,市场会接受更酷的产品吗?

我估计当中国能接受vertu(虽然vertu的主要市场现在也在中国,但离“接受”这个词差远了),家庭里xbox、psp比较普及的时候,苹果成为街机的时候,就差不多该是新迭代出现的时候了。而,我们可以感觉到,这一天很不远了。

所以,下一次范式迭代,应该是人工智能(6大子方向齐头并进,各有千秋)

如果,Kurzweil是对的,一个很酷的人工智能产品的出现,会在几天内在全球普及,公司会迅速登顶。谷歌看到了,所以有了奇点大学;微软看到了(各位去微软的网站上看看都招啥人,90%此方向)。

而,人工智能切入市场的角度,第一可能是游戏(中国马上会流行画面控的xbox类平台单机游戏),第二可能是独立应用产品(比如照片自动分类,音乐自动分类,桌面人工智能)。

人工智能核心技术

我觉得这个是我写这片文章的目的。随便一本书都会纵览一下整个领域,但是我看了很多书,几乎都是只管自己领域去了。上面说了,核心包括:

  • 输入和特征提取:特征(属性)选择

  • 分类

  • 记忆

可以得出一个结论,人工智能处理的东西,一定是有属性(特征)的。(废话,要不拿什么分类)

所以,核心中的核心不在属性选择上(虽然很重要),而在分类和记忆上。(属性选择相当于决定吃什么,分类和记忆相当于吃不吃)

我按照各个分类算法的露脸频率给分列表:

  1. Byaes:贝叶斯(这个是第一名,没异议吧?效果很好(大部分情况),算法简单,要介绍整个算法体系的话估计谁都第一个把它提出来)

  2. 线性分类器:简单的说,你把所有输入(有属性)都用数字表示,然后以属性为坐标轴想象一个多维空间。每个数据条目都是多维空间的一个点,在这个空间里,你能在空间上把不同类的点分开,你就赢了。这就是线性分类了。(感知器算法(过时),最小二乘法,均方估计,逻辑识别还有大头的支持向量机,这里支持向量机svm是最出名的,我也天天用这个大笑,这还得归功于台湾一位教授的libsvm库啊)

  3. 非线性分类器:就是线性分类器解决不了的情况。知名的算法有:ANN(人工神经网络,更确切的说是BP(反向传播)),svm(这么知名的算法,如果有线性解决不了的情况,自然会有人把它拓展到非线性情况)

以上方法大部分是分类,分类里有个子方向是聚类。(svm就有这功能)。聚类好多算法,但都有一个总体思想:所有被聚为一类的都有共同特点,都应该是某种角度相似的。所以,用什么不重要,你不同的角度想,会有不同的聚类算法。本质上就是找规律嘛!

这么多年,我总结出一点:技术都是被那群发论文的搞神秘了。其实,超简单的。比如神经网络,你买本SimonHaykin的神经网络机器学习》看试试,你真会发现,这玩意难啊,咱玩不了。然后你买本史忠植的《神经网络》翻翻,你会发现,啊,tnnd,神经网络这么简单啊。的确,每个算法必须要有强劲的数学作为支撑,但对于使用者(非博士以上科研人士),你用lisp的时候有脑残到要去搞懂lisp的数学原理吗?

分类与记忆,现在的所有算法都是一种逼近,结构上最像的自然是人工神经网络(ANN),但不一定是解决目前狠多工程问题的最优方法。有关系吗?有趣的是,ANN可以同时解决分类和记忆(别说还有概念能力啊,还有情感能力啊,还有模糊是非能力啊。。。人的能力是很多,但本质就是个分类和记忆)

所以,我认为,喜欢这个方向,应该不要忘记神经网络(当然,如果是细分领域,比如语言处理,音频,视频识别,这不一定是最优的,但是是万能的和最有可能逼近通用分类和记忆最终解的(虽然现在的ANN在速度和好多问题的质量上有点恶心))。


最后,借用Kurzweil的一句话:当机器智能超过人的那天,人类智能将永远不可能超过机器智能。

PS:我是做反垃圾算法的。

好书推荐:

《模式识别》Sergios Yheodoridis;

《神经网络》史忠植;

《知识工程语言学》鲁川;

《数据挖掘-概念与技术》Kamber;

《图论》GTM系列之一,Reinhard Diestel

《高级人工智能》史忠植;

《知识发现》史忠植;

《智能科学》史忠植;

《人工智能复杂问题求解的结构和策略》Luger;

《人工智能》尼尔森;

《人工智能:一种现代的方法》拉塞尔;

《灵魂机器的时代:当计算机超过人类智能》Kurzwell

《奇点临近》Kurzwell;

《神经网络与机器学习》海金;

人工神经发展简史

1.启蒙时期

1890年,WilliamJames发表了《心理学原理》。

1943年,生理学家W.S.McCuloch和数学家W.A.PiHs提出M-P模型。

1949年,心理学家Hebb出版《行为构成》,建立了Hebb算法(连接权训练算法)主要有四点贡献:①信息存储在连接权中;②

1958年,计算机科学家FrankRosenblatt提出了具有3层网络特性的神经结构网络。

1960年,电机工程师BernardWidrow和Mareian Hoff提出”Adaline”模型,实现了人工神经硬件。Widrow-Hoff算法也称为δ算法,最小均方(LMS)算法,梯度下降法。

 

2.低潮时期

1969年,人工智能创始人M.Minsky和S.Papert发表《感知器》,给人工智能泼了一盆冷水。

1969年,S.Grossberg教授和她的夫人G.A.Carpenter提出来著名的自适应共振理论(Adaptive ResonanceTheory)模型,其中的基本观点是:若在全部神经节点中有一个神经节点特别兴奋,其周围的所有节点将受到抑制。Grossberg还提出短期记忆和长期记忆的机理,节点的激活值和连接权都会随时间,前者代表短期记忆,衰减得快,后者代表长期记忆,衰减得慢。其后他们发表了ART1,ART2,ART3三个版本,ART1网络只能处理二值的输入,ART2能处理模拟量输入。

1972年,芬兰的T.Kohonen教授提出了自组织映射(SOM)理论,以及联想存储器(Associated Memory)。美国的神经生理学家和心理学家J.Anderson提出了交互存储器(Interactive Memory)。

1980,日本东京的福岛邦彦发表了“新认知机”(Neocognitron)。

 

3.复兴时期

1982年,美国加州理工学院的优秀物理学家John.J.Hopfield总结和吸纳了前人的经验,塑造出一种新颖的强有力的模型,成为Hopfield网络,此网络有个优点,与电子电路有明显的对应关系,易于用集成电路实现。

G.E.Hinton和T.J.Sejnowski借助统计物理学的概念和方法提出了一种随机神经网络模型—玻尔兹曼(Blotzmann)机。

1986年,贝尔实验室宣布制成神经网络芯片不久,美国的David.E.Rnmelhart和James L.McCelland及其领导的研究小组发表了《并行分布式处理》(ParallelDistributed Processing)一书的前两卷,接着1988年发表带有软件的第三卷,书中涉及到了三个主要特征:结构、神经元的传递函数(也称传输函数、转移函数、激励函数)和它的学习训练方法。这部书发展了多层感知器的反向传播训练算法,把学习的结果反馈到中间层次的隐节点,改变其权值,以达到预期的学习目的。

 

4.新时期

1987年6月,首届国际神经网络学术会议在加州圣地亚哥召开,成立了国际神经网络学会(International Neural Network Sociaty,INNS)。

不久,美国波士顿大学的Stephen Grossberg教授,芬兰赫尔辛基技术大学的Gteuvo Kohonen教授和日本东京大学的甘利俊一(Shunichi Amuri)教授—主持创办了世界第一份神经网络杂志《Neural Network》。

以上就是java人工智能的全部内容了,感谢大家的阅读!

(责任编辑:小恩)
顶一下

()
踩一下
()
------分隔线----------------------------