人工智能综述

AI Expert Roadmap

在具体地进入人工智能的学习前，我们先来看看人工智能的发展历程，这对了解人工智能的发展脉络和其中的一些重要概念有很大帮助。

知识库方法 Knowledge Base

将关于世界的知识用形式化的语言进行硬编码。计算机使用逻辑推理规则来自动理解这些形式化语言中的声明。

人工智能早期解决对人类智力来说非常困难，但对计算机来说相对简单的问题，比如抽象和形式化的任务。例子有：IBM 的深蓝国际象棋系统。

知识库方法遇到了困难，因为难以设计出足够复杂的形式化规则来精确地描述世界。最著名的知识库项目 Cyc 不能理解人在早上剃胡须：它知道人体的构成不含有电器零件，但由于人拿着剃须刀，它认为实体含有电器部件。因此它产生疑问：人在刮胡子时是否仍是一个人？

机器学习 Machine Learning

系统具备自己获取知识的能力，能够从原始数据中提取模式。

主要使用数理统计方法。

由人从数据中提取特征，将数据处理成结构化的形式，然后让机器学习算法从中提取模式。

但是，有很多任务我们很难知道如何提取特征。比如检测照片中的车，使用轮子作为特征吗？但图像可能因场景而异，轮子可能被遮挡，或者车可能是在水中。

表示学习 Representation Learning

用机器学习来发掘表示本身，学习到的表示往往比手动设计的好。

自编码器 Autoencoder

由编码器函数和解码器函数组成，编码器将输入数据映射到表示空间，解码器将表示空间映射回原始数据空间。期望是输入数据经过编解码器后尽可能多地保留信息，同时希望新的表示有各种好的特性。

深度学习 Deep Learning

一种机器学习技术，它使用神经网络来学习数据的表示形式。

前馈深度网络/多层感知机 Multilayer Perceptron

一种最简单的神经网络，由多个神经元组成的多层结构。