⼈⼯智能实践：TensorFlow笔记学习（⼀）——⼈⼯智能概述
概  述
⼀、 基本概念
1、什么是⼈⼯智能
⼈⼯智能的概念：机器模拟⼈的意识和思维
重要⼈物：艾伦·麦席森·图灵（Alan Mathison Turing）
⼈物简介：1912年6⽉23⽇－1954年6⽉7⽇，英国数学家、逻辑学家，被称为计算机科学之⽗，⼈⼯智能之⽗。
相关事件：
（1）1950年在论⽂《机器能思考吗？》中提出了图灵测试，⼀种⽤于判定机器是否具有智能的试验⽅法：提问者和回答者隔开，提问者通过⼀些装置（如键盘）向机器随意提问。多次测试，如果有超过30%的提问者认为回答问题的是⼈⽽不是机器，那么这台机器就通过测试，具有了⼈⼯智能。也就是⼯智能的概念：“⽤机器模拟⼈的意识和思维”。
（2）图灵在论⽂中预测：在2000年，会出现通过图灵测试具备⼈⼯智能的机器。然⽽直到2014年6⽉，英国雷丁⼤学的聊天程序才成功冒充了13岁男孩，通过了图灵测试。这⼀事件⽐图灵的预测晚了14年。
（3）在2015年11⽉ science杂志封⾯新闻报道，机器⼈已经可以依据从未见过的⽂字中的⼀个字符，写出同样风格的字符，说明机器已经具备了迅速学习陌⽣⽂字的创造能⼒。
消费级⼈⼯智能产品：国外（1）⾕歌Assistant
（2）微软Cortana
（3）苹果Siri
（4）亚马逊Alexa
国内（1）阿⾥的天猫精灵
（2）⼩⽶的⼩爱同学
⼈⼯智能先锋：
（1）GeoffreyHinton：多伦多⼤学的教授，⾕歌⼤脑多伦多分
布负责⼈，是⼈⼯智能领域的⿐祖，他发表了许多让神经⽹络得以应⽤的论⽂，激活了整个⼈⼯智能领域。他还培养了许多⼈⼯智能的⼤家。⽐如LeCun就是他的博⼠后。
（2）Yann LeCun：纽约⼤学的教授，Facebook⼈⼯智能研究室负责⼈，他改进
了卷积神经⽹路算法，使卷积神经⽹络具有了⼯程应⽤价值，现在卷积神经⽹络依旧是计算机视觉领域最有效的模型之⼀。
（3）Yoshua Bengio：蒙特利尔⼤学的教授，现任微软公司战略顾问，他推动了循环神经⽹路算法的发展，使循环神经⽹络得到⼯程应⽤，⽤循环神经⽹络解决了⾃然语⾔处理中的问题。
2、什么是机器学习
机器学习的概念：机器学习是⼀种统计学⽅法，计算机利⽤已有数据得出某种模型，再利⽤此模型预测结果。
特点：随经验的增加，效果会变好。
简单模型举例：决策树模型
预测班车到达时间问题描述： 每天早上七点半，班车从A地发往B地，到达B 地的时间如何准确预测？
如果你第⼀次乘坐班车，你的预测通常不太准。⼀周之后，你⼤概能预测出班车 8:00左右到达B地；⼀个⽉之后，随着经验的增加，你还会知道，周⼀常堵车，会晚10分钟，下⾬常堵车，会晚20分钟。于是你画出了如下的⼀张树状图，如果是周⼀，还下了⾬，班车会8:30到达；如果不是周⼀，也没有下⾬，班车会8:00到达。
机器学习和传统计算机运算的区别：
传统计算机是基于冯诺依曼结构，指令预先存储。
运⾏时，CPU从存储器⾥逐⾏读取指令，按部就班逐⾏执⾏预先安排好的指令。
其特点是，输出结果确定，因为先⼲什么，后⼲什么都已经提前写在指令⾥了。
机器学习三要素：数据、算法、算⼒
3、什么是深度学习
深度学习的概念：深层次神经⽹络，源于对⽣物脑神经元结构的研究。
⼈脑神经⽹络：随着⼈的成长，脑神经⽹络是在渐渐变粗变壮。
⽣物学中的神经元：下图左侧有许多⽀流汇总在⼀起，⽣物学中称这些⽀流叫做树突。树突具有接受刺激并将冲动传⼊细胞体的功能，是神经元的输⼊。这些树突汇总于细胞核⼜沿着⼀条轴突输出。轴突的主要功能是将神经冲动由胞体传⾄其他神经元，是神经元的输出。⼈脑便是由860亿个这样的神经元组成，所有的思维意识，都以它为基本单元，连接成⽹络实现的。
计算机中的神经元模型：1943年，⼼理学家McCulloch和数学家Pitts参考了⽣物神经元的结构，发表了抽象的神经元模型MP。神经元模型是⼀个包含输⼊，输出与计算功能的模型。输⼊可以类⽐为神经元的树突，输出可以类⽐为神经元的轴突，计算可以类⽐为细胞核。
4、⼈⼯智能 Vs 机器学习 Vs 深度学习tensorflow版本选择
⼈⼯智能，就是⽤机器模拟⼈的意识和思维。
机器学习，则是实现⼈⼯智能的⼀种⽅法，是⼈⼯智能的⼦集。
深度学习，就是深层次神经⽹络，是机器学习的⼀种实现⽅法，是机器学习的⼦集。
⼆、  神经⽹络的发展历史（三起两落）
第⼀次兴起：1958年，⼈们把两层神经元⾸尾相接，组成单层神经⽹络，称做感知机。感知机成了⾸个可以学习的⼈⼯神经⽹络。引发了神经⽹络研究的第⼀次兴起。
第⼀次寒冬：1969年，这个领域的权威学者 Minsky ⽤数学公式证明了只有单层神经⽹络的感知机⽆法对异或逻辑进⾏分类，Minsky 还指出要想解决异或可分问题，需要把单层神经⽹络扩展到两层或者以上。然⽽在那个年代计算机的运算能⼒，是⽆法⽀撑这种运算量的。只有⼀层计算单元的感知机，暴露出他的天然缺陷，使得神经⽹络研究进⼊了第⼀个寒冬。
第⼆次兴起：1986年，Hinton等⼈提出了反向传播⽅法，有效解决了两层神经⽹络的算⼒问题。引发了神经⽹络研究的第⼆次兴起。
第⼆次寒冬：1995年，⽀持向量机诞⽣。⽀持向量机可以免去神经⽹络需要调节参数的不⾜，还避免了
神经⽹络中局部最优的问题。⼀举击败神经⽹络，成为当时⼈⼯智能领域的主流算法，使得神经⽹络进⼊了他的第⼆个冬季。
第三次兴起：2006年，深层次神经⽹络出现，2012年，卷积神经⽹络在图像识别领域中的惊⼈表现，⼜引发了神经⽹络研究的再⼀次兴起。
三、 机器学习的典型应⽤
1、 应⽤领域计算机视觉、语⾳识别、⾃然语⾔处理
2、主流应⽤：
（1） 预测（对连续数据进⾏预测）如，预测某⼩区100平⽶的房价卖多少钱。 根据以往数据（红⾊●），拟合出⼀条线，让它“穿过”所有的点，并且与各个点的距离尽可能的⼩。
我们可以把以前的数据，输⼊神经⽹络，让他训练出⼀个模型，⽐如这张图中红⾊点表⽰了以往的数据，虚线表⽰了预测出的模型Y = ax + b ，⼤量历史数据也就是⾯积x 和房价y作为输⼊，训练出了模型的参数a= 3.5, b = 150，则你家100平⽶的房价应该是3.5 * 100 + 150 = 500万。
我们发现，模型不⼀定全是直线，也可以是曲线；我们还发现，随着数据的增多，模型⼀般会更准确。（2） 分类（对离散数据进⾏分类）如，根据肿瘤患者的年龄和肿瘤⼤⼩判断良性、恶性。
红⾊样本为恶性，蓝⾊样本为良性，绿⾊分为哪类？
假如让计算机判断肿瘤是良性还是恶性，先要把历史数据输⼊到神经⽹络进⾏建模，调节模型的参数，得到⼀条线把良性肿瘤和恶性肿瘤分开。⽐如输⼊患者的年龄、肿瘤的⼤⼩还有对应的良性肿瘤还是恶性肿瘤，使⽤神经⽹络训练模型 调整参数，再输⼊新的患者年龄和肿瘤⼤⼩时，计算机会直接告诉你肿瘤是良性还是恶性。⽐如上图的绿⾊三⾓就属于良性肿瘤。
四、课程⼩结
1、机器学习，就是在任务T上，随经验E的增加，效果P随之增加。
2、机器学习的过程是通过⼤量数据的输⼊，⽣成⼀个模型，再利⽤这个⽣成的模型，实现对结果的预测。
3、庞⼤的神经⽹络是基于神经元结构的，是输⼊乘以权重，再求和，再过⾮线性函数的过程。
环境准备
1.安装Ubuntu16.04 可查相关安装⽅法
2.搭建TensorFlow运⾏环境
（1）安装python（版本为2.7）
在命令⾏输⼊sudo apt-getinstall python-dev python-pip
（2）安装TensorFlow ()
在命令⾏输⼊
exportTF_BINARY_URL=leapis/tensorflow/linux/cpu/tensorflow-1.3.0-cp27-none-
linux_x86_64.whl
sudo pip install$TF_BINARY_URL
（3）验证是否成功
import tensorflow asif
print tf.__version__
致谢
感谢曹⽼师的⾟勤付出，来源曹健，⼈⼯智能实践：TensorFlow笔记，北京⼤学⽹址：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。