淺談人工智能與機器學習

廣東外語外貿大學附設外語學校 何卓鍵

1.人工智能的發展

近些年來，人工智能與機器學習話題持續升溫。在互聯網、物聯網、大數據、云計算迅猛發展的時代背景下，人工智能是計算機技術、網絡技術和通信技術互相結合后的產物，該技術不斷取得突破，應用日益廣泛。“人工智能”是1956年達特茅斯會議中提出的，在那之后它的內涵不斷的豐富和發展。人工智能是一項使用機器來實現、代替人類實現認知、識別、分析、決策等功能的技術，其本質是模擬人類意識與思維信息過程[1]。人工智能綜合了計算機科學、生理學、哲學等學科，是一門利用計算機模擬人類智能行為科學的統稱。它的發展經歷了三個階段。第一階段為20世紀50-60年代，人工智能的概念被提出，主要注重邏輯推理的機器翻譯；第二階段為20世紀70-80年代，提出了專家系統的概念，在人工神經網絡算法的基礎上，人工只能發展迅速，同時隨著半導體技術和計算硬件能力的逐步提高，人工智能逐漸開始突破，分布式網絡使得人工智能的計算成本降低;第三階段自20世紀末以來，開始進入了重視數據、自主學習的認知智能時代。隨著互聯網的發展，深度學習的概念被提出，人工智能的應用場景逐漸增多，同時人工智能商業化高速發展，隨著后移動時代的來臨，全球互聯網科技巨頭積極布局人工智能戰略，開始謀劃云端人工智能服務生態系統[2]。

2.人工智能的應用

人工智能在日常生活中有很廣泛的應用，在圖像識別和語音識別尤為突出，多應用于智能手機、智能家電、智能汽車等。例如智能機中的人臉識別功能、輸入法中的語音識別輸入功能、汽車導航系統中的語音導航功能等，智能家居的物聯網系統能夠隨時隨地了解家電運行情況，實現家電運行模式的自動化調整的智能家電等。另外，在投資顧問領域中，人工智能技術的應用也較為普遍，針對市場的情況，結合顧客的財務水平和投資偏好，運用大數據技術進行統計和分析，提供給客戶投資理財建議，比如百度金融等。以日常購物而言，支付寶、微信等支付平臺，已經在整個市場普及，街邊的小攤大多已都能進行微信或支付寶支付，十分方便。教育領域中，人工智能應用到高新技術與教育學習相結合的全新嘗試中，在教育教學領域中人工智能技術的應用也愈發廣泛，目的是幫助學生學習、提升學習效果、加深學習印象、提高運用知識的能力與水平、保證學習成績[3]。例如作業幫、學霸君等在線試題解答APP，學生能夠使用拍照片進行搜題，該APP有在線答疑、自動批改作業、提供解題思路等功能，充當同學們日常學習中的得力助手，隨時隨地解惑答疑也在一定程度上減輕了教師的工作壓力和課業負擔。未來人工智能技術在教育領域中的應用，其功能包括閱讀并評判學生的作文進而給出分數、對學生錯誤率較高的問題進行答疑、智能機器人助教、進行模擬化學習、語音測評、判斷學生發音不準之處等，還可以將大數據技術與人工智能技術相結合，通過大數據分析的方式來判斷學生學習中的問題或者知識的掌握能力，給老師教學提供參考依據，為學生提供學習指導，從而幫助老師調整教學方法，幫助學生優化學習策略[4]。在安防領域，人工智能的運用能夠依據大數據分析方法與圖像處理技術，對人臉進行識別，按照不同層級與準入權限加以限制，或者運用人像快速識別技術，準確識別出嫌疑人員，確定其身份，進行找人、預警、追蹤等，能夠便于公安系統或安保系統的安全防衛工作[5]。電影《戰狼2》中，對主角吳京進行追蹤的無人機，運用的就是這種技術。圖像處理技術的應用在安防領域中，還能夠對汽車進行掃描，明確車輛參數及各種細節，判斷汽車的運行軌跡與事故情況，來推斷汽車的使用情況或是否存在事故隱患等。

3.機器學習理論

機器學習是人工智能里的一個重要的方向，隨著機器學習中神經網絡算法的深入研究，深度學習的網絡算法也逐漸完善，機器學習與深度學習的應用也更加廣泛[6]。機器學習指計算機通過分析和學習大量已有數據，從而擁有預測判斷和作出最佳決策的能力，機器學習是人工智能的關鍵技術，而深度學習是相對于簡單學習而言，是傳統神經網絡的拓展[7]。

機器學習大致可以分為以下步驟：數據采集、特征提取、特征組合評價、現狀態與特征組合匹配。每一步驟都在整個學習過程充當重要的角色，對于機器學習來說，數據收集要達到一定的量，數據量太小就失去研究的意義，通常機器學習的數據收集需要交代數據的來源以及采集方式，不同的數據采集的困難程度不同。特征選取是從數據集中過濾掉不相關或冗余的特征[8]。特征選取與特征提取的關鍵區別在于：特征選取是從原特征集中選取一個子特征集，而特稱提取則是在原特征集的基礎上重新構造出一些(一個或多個)全新的特征特征提取時決定整個機器學習的關鍵一步，一般來說數據都會經過一定的處理再進行機器學習，原始數據的計算量過于龐大，因此必須經過特征提取，特征提取的結果從根本上決定著機器學習的結果，不同學者對于特征設計有著不同的定義，但是好的特征變量都需要考慮到以下特性，第一，要盡可能的相對獨立，減少堆砌，以免影響到后面的計算量；第二，整個特征集合要盡可能形成一個完備的描述空間，即一個盡可能完備的描述空間下的特征，所能通過機器學習所提取信息的效率才能最大化[9]；第四，在進行特征設計時要考慮到執行效率。特征組合評價、現狀態與特征組合匹配屬于機器學習的核心部分，如果不能在特征上處理好計算量的問題，就需要設計更好的算法加快收斂速度[10]。

4.機器學習算法

機器學習有常見的算法應用包括決策樹算法、人工神經網絡、支持向量機、樸素貝葉斯等[11]。決策樹算法可以應用于文章分類的工作，將文章關鍵的句子分為不同的類別，同時可以應用于人臉識別，就人類的面部特征進行分類，比如眼睛的大小，在特征數據獲取后，在與數據庫里的數據進行匹配識別；人工神經網絡可以應用到互聯網公司網站的廣告過濾系統、反垃圾系統、不良信息等；支持向量機可以快速的處理大批量的數據，在生物學的分類問題上有很大的應用，也可以通過構造一系列超平面，將大規模的圖片進行分類；樸素貝葉斯對于大量的數據分類效率也很穩定，可以應用于醫院病人分類系統、新聞網站的分類等。機器學習的有關算法包括K-近鄰算法、邏輯回歸和GBDT[12]。K-鄰近算法常用于手寫數字識別領域，具有較高的準確率，在處理數據前先用矩陣將訓練矩陣存儲起來，再將其轉化為向量，將測試數據導入到模型中，得到輸出結果；邏輯回歸常應用到銀行的信用評估中，用戶填寫完相關信息得到的數據，將這些數據通過邏輯回歸計算出顧客的信用等級。此外，邏輯回歸也通常應用到醫學方面，預測病人的發病概率；GBDT算法常常應用于估測廣告的點擊率等。

5.總結與展望

人工智能是人類惰性和智慧的結合，是一門新興學科，它是控制論、信息論、計算機科學、數理邏輯、神經生理學等學科的交叉學科[13]。隨著人工智能技術的發展，應用場景將不斷豐富，并驅動其支撐技術的持續發展，人工智能的市場規模將逐步擴大。人類正在逐步邁向“智能時代”，人工智能作為互聯時代前沿的新興技術，將逐步滲透至各行各業。在大數據時代下，人們的很多工作都需要在計算機網絡的支持下才能完成。因此，人們急需在計算機網絡技術中應用人工智能，來解決那些計算機網絡技術無法獨立解決的問題另外，相關的技術人員應繼續對人工智能進行更加深入的研究，并憑借先進的技術，對人工智能進行進一步的完善，讓人工智能為人們的工作和生活提供更多的幫助[14]。

[1]閆德利.2016年人工智能產業發展綜述[J].互聯網天地,2017(02)：22-27.

[2]李文軒.基于深度學習的路牌文字識別[D].華南理工大學,2016.

[3]李思琴.基于深度學習的搜索廣告點擊率預測方法研究[D].哈爾濱工業大學,2015.

[4]胡來豐,舒蘭.基于粗集理論的決策樹在信用卡發放中的應用[J].計算機技術與發展,2015,25(03)：142-145.

[5]李桂君.基于SMP機群的并行編程模型的研究應用與優化[D].曲阜師范大學,2014.

[6]魯向擁,陳悅,張瞳,葛貝.Deep Learning算法分析和模型改進[J].計算機光盤軟件與應用,2014,17(06)：137-138.

[7]李睿凡,王小捷,鐘義信.引入深度學習的人工智能類課程[J].計算機教育,2013(19)：58-61.

[8]程石.人工智能發展中的哲學問題思考[D].西南大學,2013.

[9]鄭福奎.機械電子工程與人工智能的關系探究[J].科技創業家,2012(22)：108.

[10]陳文韜.網絡環境下遠程學習者學習力提升策略研究[D].西北師范大學,2012.

[11]王宏威,李國和,李雪,吳衛江,李洪奇.連續型特征的特征選取方法[A].中國自動化學會智能自動化專業委員會.2011年中國智能自動化學術會議論文集(第一分冊)[C].中國自動化學會智能自動化專業委員會,2011：5.

[12]杜海瓊.基于Prolog語言的高中人工智能課程教學探索[D].浙江師范大學,2009.

[13]習玲麗,王永初.智能控制的發展前景[J].儀器儀表用戶,2006(04)：8-9.

[14]陳衛國.基于微粒群算法的智能控制系統研究與應用[D].湖南大學,2006.