什么是人工智能?

欢迎来到bet9app下载的人工智能和机器学习知识中心

什么是人工智能?

人工 intelligence (AI) is the theory 和 area of computer science that develops systems designed to perform tasks that normally require human intelligence. The concept of AI has existed for decades; Alan Turing first posed the question, “can machines think?他在1950年的论文《bet9app》中写道.“然而, 这项技术仍被认为处于早期阶段, 我们现在才开始接受它巨大的潜力.

人工 intelligence is already being used to improve processes 和 solve complex problems that could previously only be addressed by humans. 人工智能技术如 机器学习, 深度学习, 神经网络, 生成对抗的网络, 近年来取得了显著的进步,并被用来完成以前不可能完成的复杂任务. 有了人工智能,机器就能理解语言(自然语言处理),见(机器视觉),并作出明智的决定(认知计算). 这些能力正被应用于各个bet9app,以执行任务和解决问题.

为了更多地了解人工智能的能力, 点击这里.
要了解更多bet9app下载人工智能应用的知识, 点击这里.


机器学习图标|什么是人工智能 人工神经网络是什么是人工智能 深度学习什么是人工智能 生成式对抗网络是什么是人工智能 机器视觉,什么是人工智能 自然语言处理什么是人工智能 认知计算知道什么是人工智能

学习
人工
神经
网络

学习
生成
敌对的
网络

愿景
自然
语言
处理
认知
计算

要了解您的业务如何从人工智能中受益,请bet9appbet9app下载.

与我们bet9app

什么是机器学习?

机器学习是人工智能的一个领域,它允许计算机系统消耗大量数据集, 发现的模式, 学会执行特定的任务,而不是被明确地编程来执行这些任务.

机器学习有两种类型:有监督的和无监督的. 在有监督机器学习中,一个模型被提供一个标记的数据集. 在无监督机器学习中, 一个模型使用算法根据未标记的数据得出结论. 该模型通过分析它在未标记数据集中识别的模式来创建结果. 这被称为集群.

有许多不同类型的机器学习模型,每一种模型都有自己的一套算法. 这些模型包括支持向量机——用于将物品进行非概率分类, 比如识别图像的部分为人脸或非人脸和贝叶斯网络, 哪些是用来发现物品和类别之间的概率关系的, 比如症状和疾病. 目前正在探索的两种最有前途的机器学习方法是 神经网络 深度学习.

重要的是要记住,提供给任何机器学习模型的数据必须正确准备. 例如,训练数据不能是模型用于执行所需任务的相同数据. 就像数学老师用一份作业来测试她的学生一样, identical training data would teach the model—就像 the student— to memorize the correct answers instead of developing a strategy for reaching the answer on its own. 数据的质量、数量和准备决定了预测结果的质量.

对优化您的数据机器学习系统感兴趣?

与我们bet9app

什么是人工神经网络?

人工神经网络是一个具体的模型 机器学习 这模仿了人类的学习模式. 这些网络由单元(神经元)组成,这些单元按层分组. 层越多,网络能解决的问题就越复杂. 这种处理信息的神经系统是复杂机器学习过程的动力, 就像 深度学习.

在人类大脑中, 神经元接收来自身体感官的多种输入, 通知他们风景, 听起来, 和触摸的感觉. 神经元处理这些输入来决定信息是否会被传递, 最终促使大脑指示行动.

神经元给予输入的权重会随着经验的变化而变化. 就像巴甫洛夫著名的实验一样,铃铛可能不是狗大脑的重要输入. 然而, 如果经验告诉狗,铃铛和食物有关, 狗的神经元开始识别模式. 这些信息应该会引起令人垂涎的反应.

就像人脑一样, 计算机系统使用人工神经网络来处理信息,并根据输入的权重做出决策. The figure below illustrates how inputs are received 和 processed by the outer layer of neurons before being passed to neurons in the next layer.

处理信息, 每个神经元从一个基本值开始,这个基本值允许它猜测什么输入将产生什么结果. 这个猜测可能第一次不正确,所以神经元调整了这个值的权重. 随着系统处理更多的信息, 神经元会调整它们的权重,并学会产生更准确的结果.

随着更多的神经元层被引入, 系统变得能够越来越复杂的抽象和解决问题. 深度学习系统使用多层神经网络来完成以前机器无法完成的任务. 这些内层对用户是隐藏的, 谁只能看到原始数据和最外层的结果. 这就是为什么要考虑人工神经网络 黑盒 算法:机器产生答案的逻辑仍不清楚.

有兴趣了解您的业务如何从人工智能中受益?

与我们bet9app

什么是深度学习?

深度学习是一种 机器学习 使用 人工神经网络 处理非结构化数据集并产生智能决策. 深度学习系统通常包含大型人工神经元系统,这些神经元被排列在几个隐藏层中.

深度学习是一种非监督形式的机器学习, 这意味着它可以解释未标记的数据, 允许算法本身从中获得有意义的特征. This feature extraction allows the system to learn how to accomplish a specific task using a set of features while also learning the features themselves. 简单地说,深度学习系统可以学会如何更好地学习.

考虑下面使用神经网络识别图像的深度学习系统的图像. 原始数据是一只狮子的图像. 在传统的监督模型中, 程序员或数据科学家会为系统标明狮子的特征:皮毛, 黄色的, big, 眼睛, 外. 在一个非监督深度学习模型中, the features are not labelled; the system must identify them itself. 每一层, 人工神经元对这幅图像做出了有根据的猜测, 将信息传递到下一层. 这些猜测可能不正确, 但有了更多的数据和经验, 这个系统学会了如何提高它的准确性. 在所有层处理完数据之后, 系统已经识别出了数据的特征, 产生了一个分类:狮子.

深度学习图像识别例子|什么是人工智能

图像识别是深度学习的一个主要用例. 许多人考虑2012 ImageNet大规模视觉识别挑战, 多伦多大学的一种名为“监督”的深度学习算法在比赛中大获全胜, 成为释放人工智能重大投资的火花,这些投资正推动我们迅速走向一个普遍存在的人工智能未来.

深度学习系统评估非结构化数据集的能力拥有巨大的可能性. 大公司正在大力投资这一潜力. Google is using 深度学习 to reduce the error rate of its speech recognition software [2] 和 Microsoft has designed a 深度学习 system that can translate Chinese news articles into English with the same accuracy as a human. 深度学习也被用于机器视觉, 为特斯拉等公司的自动驾驶系统供电,并为医生解读放射图像. 深度学习技术也在促进突破 生成式对抗网络,其中机器学习系统可以互相学习,并且 自然语言处理(NLP)这使得计算机能够理解人类并与之互动.

 

[2] http://www.technologyreview.com/s/513696/deep-learning/

[3] http://techcrunch.com/2018/03/14/microsoft-announces-breakthrough-in-chinese-to-english-machine-translation/

更多地了解如何将人工智能应用于您的业务.

与我们bet9app

生成对抗网络(GANs)

生成式对抗网络(GANs)是一类用于人工智能领域的算法 非监督机器学习 模型. 这些网络由两个不同的系统组成:一个是生成系统,一个是区分系统. 这些系统使用已知的数据集进行训练. The goal of the generative system is to “fool” the discriminative system by producing synthesized c和idates that appear to have come from the true data set.

The discriminative system reviews the data until it can accurately discriminate between instances from the true data distribution 和 false c和idates.

与所有机器学习模型一样,成功的关键是反复试验. 生成系统的任务可能是在文本的基础上生成图像. 下图显示了描述向日葵的文本输入. 系统第一次尝试基于此文本生成图像,显然不是向日葵. The discriminative system can easily identify this c和idate as an impostor amongst its dataset filled with proper sunflowers. 这个过程被重复——鉴别系统在标记合成图像方面变得更好, 而生成系统学习如何更好地欺骗它. 最后,生成系统成功地欺骗了歧视系统. 一棵逼真的向日葵完全是由计算机智能制作的.

GAN画了一个向日葵|什么是人工智能
给定文本输入,GAN学会画出更好的向日葵. [1]
这种计算机系统互相传授如何改进的能力有可能改变bet9app. 生成 adversarial systems’ ability to generate images is being experimented with as a tool for e-commerce 和 interior design, 以下是一些受到影响的bet9app. These remarkable systems demonstrate how AI is not only developing ways to mimic human intelligence but precisely mimic the world in which we live.

生成 adversarial networks (GANs) are becoming known for their uncanny ability to produce photo-realistic images 和 even video. 仅在电子商务经济中就有许多潜在的应用. 一个正在研究的复杂问题是位姿生成. Specially trained GANs are able to learn the 细微差别 of human poses from training sets 和 then produce life就像 images based on imputed data 和 past experience. The figure below demonstrates how a GAN can extract a target pose from a target image 和 apply that knowledge to a new conditional image. 生成的结果是一个新的图像,显示原始模型在一个新的姿势.

姿态引导的图像生成,由GAN产生. [1]
氮化镓系统, 像DiscoGAN, 你是否也在学习在没有标签的情况下形成跨领域的关系. 系统可以接收无标签的输入,—based on features the system has taught itself to recognize based on its training set—generate a matching image from a different domain. The figure below shows how DiscoGAN reviews the input (h和bags) 和 generates a recommended matching item (shoes) based on identified features. 这个特殊的GANs应用程序正在研究其流电子商务的适用性.

匹配样式,由DiscoGAN生成. [2]
除了生成图像外,作为一种图像增强方法,gan也正在被试验. [3]通过合成纹理, 而不是尝试像素精度, gan可以生成高质量的图像,然后填充缺失或损坏的图像数据. This technology is already being used to improve astronomical images [4] 和 is being considered as a law enforcement tool for aging or altering photos of victims 和 suspects for identification purposes.

大公司, 像脸谱网这样的, [5]目前正在资助AI智库,这些智库正在探索gan的潜在应用. GANs的许多应用超出了其卓越的成像能力. 给定特定的数据训练集,GANs可以创作特定类型的原创歌曲. 它们也有可能被用于根据病人的症状进行医疗诊断, 历史, 和病理. 根据病人的症状, 历史, 以及任何bet9app下载她疾病的影像, GAN可以产生可能的原因,并根据相关数据进行评估. 随着时间的推移,这个系统会自己学会做出越来越准确的诊断.

和大多数其他人工智能项目一样, GANs需要准备专门的数据集来实现其目标. Training data must be presented in such a way that a GAN can learn to identify elements before it can accurately replicate them. 类似的, 如果鉴别系统没有接收到适当的数据, 它不能识别gan生成的候选对象, 从而消除了生成系统改进的机会. 如果您正在考虑实现GAN, 或任何其他人工智能系统来帮助你的企业实现其目标, 确保您选择了正确的数据来教他们. 请bet9appbet9app下载,了解我们如何提供帮助.

 

Ma, Liqian, Xu Jia, Sun Qianru, Bernt Schiele, Tinne Tuytelaars和Luc Van Gool. “姿势引导的人的图像生成.《bet9app下载》,pp. 406-416. 2017.

[2] http://github.com/carpedm20/DiscoGAN-pytorch

[3] Sajjadi, Mehdi SM, Bernhard Schölkopf和Michael Hirsch. 增强网络:通过自动纹理合成实现单幅图像的超分辨率.在计算机视觉(ICCV), 2017年IEEE国际会议,pp. 4501-4510. IEEE 2017. http://ieeexplore.ieee.org/abstract/document/8237743/

[4] http://www.techrepublic.com/article/how-generative-adversarial-networks-gans-make-ai-systems-smarter/

[5] http://www.scientificamerican.com/article/when-will-computers-have-common-sense-ask-facebook/

有兴趣了解更多bet9app下载人工智能在您的业务中的应用?

与我们bet9app

什么是机器视觉?

机器视觉是一种计算机系统以与人类相同的方式识别和处理图像的能力. 像人类, 机器视觉的目标是让计算机系统不仅仅“看到”图像, 而是“理解”它们. 为此,传感器(通常是相机)与人工智能软件算法协同工作,如 神经网络深入学习系统.

与传统的图像处理不同, 在哪里输出另一个图像, 机器视觉的目标是从图像中提取特定信息并推断出其含义. 想想你的社交媒体账户:你上传了一张照片,系统就会神奇地建议人们在上面加上标签. What is really going on is that 机器视觉 extracts the features of each person in the photo 和 evaluates the 就像lihood that those features match one of your friends. 随着每张照片的处理,该系统将人名与人脸匹配的能力越来越强.

目前, 机器视觉主要用于提高工业自动化检测和机器人工艺指导. 例如,装瓶设备使用机器视觉系统进行质量控制. 当瓶子到达检查传感器, 相机触发, 将瓶子的图像发送到机器视觉系统. 系统解释图像的非结构化信息,并产生所需的答案:是, 这是一个装满了水的瓶子, 或没有, 这个瓶子应该被拒绝. 历史上,这种检查都是手工完成的. 现在, 这台机器能快速准确地判断每个瓶子, 而一名员工检查机器的过程,可以检查每一个被拒绝的瓶子, 只是为了确认一下.

机器视觉在很多bet9app都有很高的应用价值, 降低生产成本,提高产品质量. 由于它在自动驾驶汽车中发挥着核心作用,因此它也将成为改变交通运输的基础. The ability of 机器视觉 to extract information from images 和 underst和 it is proving invaluable in a great number 和 variety of use cases.

希望在您的业务中应用机器视觉?

与我们bet9app

什么是自然语言处理?

自然语言处理(NLP)是计算机系统的理解能力, 解释, 并产生书面和口头语言. 人类的交流是非常复杂的, 有许多细微差别, 而且经常让人困惑, 因为人们使用口语, 一事,, 和频繁的拼写错误. 使用NLP, AI-enabled系统, 比如IBM的沃森, 已经发展了识别和回应这些细微差别和歧义的能力.

机器学习 模型 can be taught to recognize language rules 和 patterns to provide some underst和ing of a text’s semantic (word meaning), 语法(句子结构), 和上下文信息. 然而, 传统的基于规则的方法既耗时又不擅长解决拼写错误等问题. 自然语言处理系统使用 深入学习算法 进化到不断学习新的语言形式, 使系统能够快速有效地解决复杂的任务. 例如,谷歌的网络搜索可以在几秒钟内返回搜索结果. 在这短暂的时间里, the system uses NLP to evaluate the linguistic elements of the query 和 cross-reference this information with its knowledge of the user. 例如, 执行一个简单的搜索“java,” the system will have to underst和 the search itself 和 determine—based on a linguistic underst和ing of the user’s 历史—if the user should be shown a list of local coffee shops or websites for software downloads.

基本的NLP任务包括解析, 阻止, 标签, 语言检测, 语义关系的识别. 通过接收基于文本或语音的数据, NLP深度学习算法识别和解释语言特征,以执行要求的任务. 一些常见的基于语音的系统,比如 数字助理 Alexa或谷歌助手,首先将语音命令翻译成文本. 在几秒钟的时间里, 系统会倾听人们所说的话, 把它分成10到20毫秒的片段, 识别语言单位, 并将其与已知的预先录制的语音样本进行比较. 使用语义分析,系统可以确定一个合适的答案. These systems are known as Intelligent virtual agents (IVAs) 和 have many uses in industries such as healthcare 和 telecommunications.

更复杂的NLP任务包括分类、摘要、翻译和提取. 在内容分类, 系统检查文本内容, 索引它, 检测重复, 并提醒用户特定的内容. 准确识别模式的能力, 细微差别, 和上下文, 这些系统还可以总结大量的文本,并将文本或语音翻译成不同的语言. 其中最复杂的一项是教一个NLP计算机系统识别情绪,并从文本中提取意见, 这个任务对母语人士来说甚至可能是困难的.

了解自然语言处理如何应用于您的业务.

与我们bet9app

什么是认知计算?

认知计算是一套人工智能工具的组合,可以模拟人类大脑的工作方式. 这些系统不只是看到(像一个 机器视觉 系统)或监听(使用 自然语言处理),但可以执行许多功能,包括复杂的深层问题和回答(Q&A). 这些系统专门处理和分析大型, 非结构化数据集, 基于更多的概念性信息而不是基本数据做出高层决策.

认知计算系统是一个复杂的子系统结构,每个子系统使用 深入学习算法 建立在 神经网络 处理数据并根据训练集对其进行评估. 例如,IBM的沃森(Watson)正在接受改进培训 医学诊断. 我们的目标是让这样的系统能够处理病人的语言, 文本, visual symptoms; compare them to a vast database of possible ailments 和 published studies; 和 present a summary of findings, 可能的诊断, 并向医生推荐可能的治疗方案.

认知计算系统可以表达高级人工智能特征, 包括适应性, 交互性, 以及上下文和迭代理解. 自适应系统可以随着信息的变化和目标的发展而学习. 系统的交互性允许用户轻松地与之交互. 该系统本身也可以轻松地与其他设备和云服务交互. 使用NLP,认知系统可以实现高层次的语境理解. The system can draw on multiple sources of both structured 和 unstructured information to identify 和 extract the con文本 elements necessary to complete a task. 认知系统可能会记住任务之前的迭代, 定位合适的信息,更好地完成当前任务. 如果所提供的数据不完整或不合适,它还可以提出问题或寻求其他信息来源.

认知 computing systems are in the early stages of development 和 there is still a long way to go before the potential of such systems is realized; however, the individual AI elements that make up 认知计算 systems are in common use 和 continue to be improved 和 utilized across industries with a fair number of high-function cognitive systems already being used productively.

了解更多bet9app下载人工智能的许多能力可能被用来造福您的业务, 今天bet9appbet9app下载

与我们bet9app