六、人工智能的基础知识
人工智能是一个宏大的愿景，学习只是实现人工智能的手段之一，只是增强人类脑力的方法之一。人工智能的研究历史有着一条以推理为重点到以知识为重点，然后再到以学习为重点的自然又有清晰的脉络。
人工智能大概是在50年代被明确提了出来，随后对机器智能的探索一直贯穿到了现在。从80年代开始，以模式识别技术为基础方法的机器学习概念被逐渐归纳和总结了出来。机器学习是指智能机器从经验中自动学习和改进的过程，不需要人工编写程序、指定规则和逻辑，学习的目的就是要获得知识。机器学习的目的是要让机器从用户和输入的数据当中能够获得知识，以便于在生产和生活的实际环境中能够做出判断和响应，从而帮助我们解决更多的问题，比如减少图像识别的错误率、或提高自动化运行的效果等等。
严格来说，深度学习概念是在2006年提出的。深度学习本质上是一种以人工神经网络为架构，以数据为基础进行的表征学习的算法。深度学习是用于建立和模拟人脑来进行分析学习的神经网络，并且要模拟人脑的机制来解释数据的一种机器学习技术，其主要特点就是要使用多层的非线性处理单元来进行特征的提起和转换，每个连续的神经网络层都会使用前一层的输出作为输入。
机器学习和深度学习都是针对人工智能机器，特点都是要从经验和数据中获得特征的表征，进而来进行表征学习的算法。
机器学习的目标就是找到特征与标签之间的关系。当明确了机器学习的目标之后，那么理解如何训练机器学习模型就变得容易多了。
标签非常重点，标签即需要学习的知识的答案。所以在机器学习领域里，可以根据是否有标签，也就是说是否有答案和如何利用答案信息，可以将机器学习算法分为常见的3种类型：监督学习（有标签）、无监督学习（无标签）、强化学习（动态变化的环境标签）。
强化学习是智能体（Agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏做一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。
有点类似于人类的概念学习，人类概念学习的关键是指导。监督学习就是通过“打标签”的方式对机器进行指导学习。在监督学习的过程中，训练数据既要有特征、又要有标签，通过训练，让机器可以自己找到特征与标签之间的联系，在面对只有特征而没有标签的数据的时候，就可以判断出标签。
人类对动物这个概念的认知过程，就类似于无监督学习的过程。
深度学习最典型的特征就是使用了神经网络作为计算模型。神经网络非常擅长从数据当中去学习，这意味着它可以被训练来识别模式、各种分类数据，以及预测未来的事件。“深度”通常用来指隐藏在神经网络中的层数。神经网络的行为是由其各个神经元的连接方式，以及这些连接的强度或者说权重来定义的，在训练期间，这些连接会根据指定的学习规则自动调整，直到神经网络正确的执行我们所设定的任务为止。
特征处理有时也叫特征工程，指将领域知识放入特征提取器里面，来减少数据的复杂度，并生成使得机器学习算法可以更加高效的工作模式的过程。特征可以是像素值、形状、纹理、位置和方向，大多数机器学习算法的性能都非常依赖于所提取的特征的准确度。
- End -
