人工智能与机器学习Word文档下载推荐.docx
《人工智能与机器学习Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《人工智能与机器学习Word文档下载推荐.docx（6页珍藏版）》请在冰豆网上搜索。
Studentnumbernameschool
[Abstract]ThisthesisintroducethedefinitionofArtificialIntelligence,andthingsaboutitlikeitspresentsituation,itsdevelopment,thewayofgetit.BaseonArtificialIntelligence,theimportantpointisputonMachineLearning,includeitsdefinition,presentsituation,developmentandmajortactics.
[Keyword]ArtificialIntelligence,MachineLearning
引言
人工智能，译自英文“ArtificialIntelligence”，简称AI，是一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性新学科；
是一门关于理解人类智能内在机制，并在机器上予以实现的科学。
自古以来，人类就有关于智能机器的设想，希望机器能辅助人类甚至代替人类完成一些需要通过自我思维才能完成的。
机器学习（MachineLearning）是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
正文
日本动画片《阿拉蕾》中，博士制造出思想单纯善良，力量无穷，学习能力超强的阿拉蕾机器人。
能够造出这样的具有人类智能的机器，是科学家们一直的理想。
人工智能这个科学就是研究和模拟人类的思维，最终做出一台能够像人类一样思考的机器。
人工智能科学中有一个很著名的标准，叫做“图灵测试”。
用这个标准能够非常简单准确地测定一台机器是否具有人一样的智能。
这个测试大概就是通过几个人与一台待测试的机器之间进行对话。
当然人与人之间是不能互相看到对方的，人也不能看到哪个是人哪个是机器，之间只有通过对话来交流。
然后人与机器之间互相进行对话，对话内容主要是随便问一些问题。
到最后，如果对话的人，还分不清与他对话的几个人与机器当中，哪个是机器，哪个是人，那么就可以断定这台机器具备人一样的智能。
然而，直到今天，还没有任何一台机器可以通过这个测试。
而且，离通过测试的差距还非常之大。
这个测试对于机器，真正的困难就难在要像人一样回答问题。
例如随便问一个问题：
“12乘以7再加821等于多少”。
这个问题就很容易让机器“中计”。
因为对于机器来说，这种数学计算只需要花一秒不到的时间就能得出正确的结果。
但是如果你发现对方可以这样快且准确地得出结果，你会相信他是人么？
人毕竟有人特有的思维水平，人有感情，有各种各样的性格，这个就很难在机器上实现。
具有人工智能的机器能在人类触手不可及的问题上起到很大帮助，解救人们于危险工作的水火之中，这些方面毫无疑问。
因此，自人工智能的思想萌芽至今，一批又一批的科学家前仆后继到研究人工智能的工作道路上来。
人工智能的思想萌芽可以追溯到十七世纪的巴斯卡和莱布尼茨，他们较早萌生了有智能的机器的想法。
十九世纪，英国数学家布尔和德o摩尔根提出了“思维定律”，这些可谓是人工智能的开端。
十九世纪二十年代，英国科学家巴贝奇设计了第一架“计算机器”，它被认为是计算机硬件，也是人工智能硬件的前身。
电子计算机的问世，使人工智能的研究真正成为可能。
自图灵提出“弱人工智能”，于后的研究人员在此基础上期望机器能有自己的思维过程，从而形成“强人工智能”的想法。
为了实现“强人工智能”，需要同时开展对智能机理和智能构造技术的研究。
因此，揭示人类智能的根本机理，在此基础上用智能机器去模拟、延伸和扩展人类智能，实现脑力劳动的自动化，是人工智能研究的根本目标。
实现这一目标涉及脑科学、认知科学、计算机科学、系统科学、微电子等诸多学科，有赖于这些学科的共同发展。
由于到目前为止还没有形成关于人工智能的统一理论，人工智能有不少分支，主要研究和应用领域有认知科学、机器学习、自然语言处理、机器人学、计算机博弈、模式识别、计算机视觉、人工神经网络等。
从事这些人工智能研究方向和应用领域的学者们，同样有着不同的方法来探索。
而现有人工智能实现路径可以被归纳为六种主义：
符号主义、连接主义、学习主义、行为主义、进化主义和群体主义。
在此，想着重关注于学习主义。
学习主义可能是实现人工智能的终极途径，虽然严格上讲，目前还不存在所谓的“学习主义”。
但我认为，学习就是人工智能研究的最基本依据。
学习是一个由特定目的的知识获取和能力增长过程，其内在行为是获得知识、积累经验、发现规律；
其外部表现是改进性能、适应环境、实现自我完善。
赋予机器以学习能力是设计人类智能本质的根本性问题，对这一问题的解决或许意味着真正的人工智能的到来，但这也是一个非常困难的问题。
尽管如此，学习仍然是人工智能中一个难以绕开的问题，是模式识别、计算机视觉、知识发现与数据挖掘、人工神经网络、专家系统等许多人工智能分支中的瓶颈问题和热点问题，因此人们多从应用的角度，研究适合于各自领域的机器学习方法。
鉴于至今对学习的机理尚不清楚，所以人们给出各种定义。
在人工智能领域，由于西蒙和明斯基的重要地位，他们关于机器学习的如下看法有较大的影响：
Ø
明斯基：
“学习是我们头脑里有用的变化”。
西蒙：
“学习是系统中的变化，这种变化是系统再重复同样工作或类似工作室，能够做得更好”。
于这种一般性认识相适应，目前机器学习领域的研究工作主要围绕以下三个方面进行：
1）研究认知模型。
强调学习的内部过程，通过对人类学习机理的研究和模拟，从根本上解决在机器学习上存在的种种问题。
2）强调学习的外部行为效果，，从理论上探索独立于具体应用领域的学习方法。
3）从实用性角度出发，根据特定任务的要求，研究相应的学习方法。
机器学习在人工智能的研究中具有十分重要的地位。
一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。
例如，它们遇到错误时不能自我校正；
不会通过经验改善自身的性能；
不会自动获取和发现所需要的知识。
它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。
随着人工智能的深入发展，这些局限性表现得愈加突出。
正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。
它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。
机器学习的主要策略：
目前，已有许多不同的机器学习方法。
可将这些学习方法中体现的基本学习策略总结为机械式学习、指导式学习、类比学习、归纳学习、解释学习五种。
机械式学习也被称为记忆是学习。
这是一种最简单、最原始的学习方法，它通过对外部环境所提供的信息进行评价和记忆来达到学习的目的。
在这种学习方法中，学习环节对环境提供的信息不作任何变换，因此环境提供的信息和执行环节使用的信息具有相同的水平和形式。
机械式学习的过程是：
执行机构没解决一个问题，系统就记住这个问题和它的解，当以后再遇到相同问题时，系统就不必重新进行计算，而直接找出原来的解加以利用。
指导式学习也被称为传授学习、嘱咐式学习或教授式学习。
在这种学习方式下，学习机构的人物只是对环境机构提供的外部信息在语法层次上进行选择和改造。
由于环境机构提供的信息过于抽象，不能被执行机构直接利用，因此需要通过学习将具有较高抽象水平的知识转换成抽象水平较低的知识。
这种变换被称为实用化，其作用类似于通过编译系统把高级语言程序变换为机器代码程序。
指导式学习的核心问题是如何把由外部环境中的指导者向系统提供的、不能被执行机构直接利用的知识转化为可以被执行机构直接利用的知识。
同时，在学习过程中，系统需要对形成的知识反复进行评价，使其不断完善。
指导式学习一般包括请求、解释、实用化、归并和评价五个步骤。
类比推理是人们根据新情况与记忆中的已知情况在某些方面相似，从而推出他们在其他相关方面也相似的一种推理方法。
类比推理是人类认识世界的重要方法，是人们学习新事物、进行创造性思维的重要手段。
许多重要的科学发现发明都是通过类比推理的思维方法获得的。
类比学习是基于类比推理的学习方法。
它利用相似性从已知的某一领域知识的到另一领域中的相似知识。
基本过程是首先匹配不同论域的描述，确定公共子结构，然后再以此公共子结构为基础进行类比映射。
解释学习是一种分析学习方法。
这种方法是在领域知识的指导下，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，并获取控制性知识，以便用于指导以后求解类似问题。
解释学习可用于知识获取、知识调整、软件重用、计算机辅助设计、计算机辅助教育等方面。
归纳推理是从个别到一般的推理方式，是从足够多的事例中归纳出一般性知识的过程。
归纳学习是指以归纳推理为基础的学习方法。
根据学习过程中所使用的数据的不同特性，可将归纳学习方法划分为监督学习、非监督学习和强化学习三大类。
结束语
机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。
现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。
对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
技术的发展总是超乎人人们的想象，要准确的预测人工智能的未来是不可能的。
但是从目前一些前瞻性研究可以看出，未来人工智能可能会朝以下几个方面发展：
模糊处理、并行化、神经网络、机器情感。
人工智能作为一个整体的研究才刚刚开始，离我们的目标还很遥远，但人工智能在某些方面将会有很大突破。
机器学习就是其中之一，其研究取得长足的发展。
许多新的学习方法相继问世，并获得了成功的应用，如增强学习算法、reinforcementlearning等。
也应看到，现有的方法处理在线学习方面尚不够有效，寻求一种新的方法，以解决移动机器人、自主agent智能信息存取等研究中在线学习问题是研究人员共同关心的问题，相信不久会在这些方面取得突破。
人工智能一直处于计算机技术的前沿，其研究的理论和发现在很大程度上将决定计算机技术的发展方向。
今天，已经有很多人工智能研究的成果进入人们的日常生活。
将来，人工智能技术的发展将会给人们的生活、工作和教育等带来更大的影响。
参考文献
[1]百度百科《人工智能》：
[2]百度百科《机器学习》：
[3]百度文库《机器学习研究现状与发展趋势》：
[4]百度文库《机器学习人工智能原理与应用》：
[5]人工智能导论：
方法与系统/刘峡壁编著.—北京：
国防工业出版社，2008.8
升级会员 