人工智能

人工智能(Artificial Intelligence),英文缩写为AI。它是研究开发用于模拟延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。 [1]  2017年12月,人工智能入选“2017年度中国媒体十大流行语”

机器学习

机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论凸分析算法复杂度理论等多门学科。专门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。

数据挖掘

数据挖掘(Data mining)又译为资料探勘、数据采矿。它是数据库知识发现(英语:Knowledge-Discovery in Databases,简称:KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

 

深度学习

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。 [1]
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。 [1]
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。 [2]
机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。

10种最热门的人工智能技术

自然语言生成:利用计算机数据生成文本。目前应用于客户服务、报告生成以及总结商业智能洞察力。代表性厂商包括:Attivio、Cambridge Semantics、Digital Reason、Lucidworks、Narrative Science和SAS。
语音识别:将人类语音转录和转换成对计算机应用软件来说有用的格式。目前应用于交互式语音应答系统和移动应用领域。代表性厂商包括:NICE、Nuance Communications、OpenText和Verint Systems。
虚拟代理:弗雷斯特公司声称,“虚拟代理可谓是媒体界目前竞相报道的对象。”从简单的聊天机器人,到可以与人类进行交际的高级系统,不一而足。目前应用于客户服务和支持以及充当智能家居管理器。代表性厂商包括:亚马逊、苹果、Artificial Solutions、 Assist AI、Creative Virtual、谷歌、IBM、IPsoft、微软和Satisfi。
机器学习平台:不仅提供了设计和训练模型,并将模型部署到应用软件、流程及其他机器的计算能力,还提供了算法、应用编程接口(API)、开发工具包和训练工具包。目前应用于一系列广泛的企业应用领域,主要涉及预测或分类。代表性厂商包括:亚马逊、Fractal Analytics、谷歌、H2O.ai、微软、SAS和Skytree。
针对人工智能优化的硬件:这是专门设计的图形处理单元(GPU)和设备,其架构旨在高效地运行面向人工智能的计算任务。目前主要在深度学习应用领域发挥作用。代表性厂商包括:Alluviate、克雷、谷歌、IBM、英特尔和英伟达。
决策管理:引擎将规则和逻辑嵌入到人工智能系统,并用于初始的设置/训练和日常的维护和调优。这是一项成熟的技术,应用于一系列广泛的企业应用领域,协助或执行自动决策。代表性厂商包括:Advanced Systems Concepts、Informatica、Maana、Pegasystems和UiPat。
深度学习平台:一种特殊类型的机器学习,包括拥有多个抽象层的人工神经网络。目前主要应用于由很庞大的数据集支持的模式识别和分类应用领域。代表性厂商包括:Deep Instinct、Ersatz Labs、Fluid AI、MathWorks、Peltarion、 Saffron Technology和Sentient Technologies。
生物特征识别技术:能够支持人类与机器之间更自然的交互,包括但不限于图像和触摸识别、语音和身体语言。目前主要应用于市场研究。代表性厂商包括:3VR、Affectiva、Agnitio、FaceFirst、Sensory、Synqera和Tahzoo。
机器人流程自动化:使用脚本及其他方法,实现人类操作自动化,从而支持高效的业务流程。目前应用于人类执行任务或流程成本太高或效率太低的地方。代表性厂商包括:Advanced Systems Concepts、Automation Anywhere、Blue Prism、UiPath和WorkFusion。
文本分析和NLP:自然语言处理(NLP)使用和支持文本分析,为此它借助统计方法和机器学习方法,为理解句子结构及意义、情感和意图提供方便。目前应用于欺诈检测和安全、一系列广泛的自动化助理以及挖掘非结构化数据等领域。代表性厂商包括:Basis Technology、Coveo、Expert System、Indico、Knime、Lexalytics、Linguamatics、Mindbreeze、Sinequa、Stratifyd和Synapsify