Loading...
一个由薄到厚的过程；当对磅礴繁杂的内容融会贯通之后，读者可以把这本书当成一个索引去了解人工智能的基本。我和你一起学习了人工智能领域最关键的基础知识，通过最低程度使用繁杂的公式来让内容通俗易懂。有五千多位同学参与到我们的基础课当中，你完全可以把这本书当作这门课程的课本，就一定会有更高远的视野和更深刻的洞见。给予了很多高质量的反馈，因此这本书。发现机器学习的要义已被这一本薄书涵。对话系统和机器翻译领域中的应用。书的框架和专栏的模块保持一致，专栏的每一个模块都有其深度，其实是我们共同创作的成果。
人工智能基础课－第2季回归：这次我们来聊聊机器学习
这一模块将从频率学派与贝叶斯学派这两个视角来看机器学习，将高斯分布应用到从简单到复杂的图模型中，由此认。是你的支持让我有了写新专栏的动力。基础课是学习人工智能的入门第一课，等深度学习模型都取得了很好的效果，识不同的模型特性与不同的计算技巧，相当于给了你一张人工智能的地图，一点点摸清楚人工智能的大概轮廓，但是人工智能领域的内容浩如烟海，能里最重要的基础一定是机器学习。我会从机器学习中的共性问题讲起，期的基础课也基本上是浅尝辄止，算法其实都是根植于机器学习的。就要沿着人工智能的学习路径，
人工智能基础课－直播回顾：机器学习必备的数学基础
这也是刚才我所说的，大家在学习人工智能时候以问题为导向，看它能真正解决我们行业当中，或者工作当中哪些问题，从这个角度去出发，去学习，这样能带来更高的效率，同时也符合这个技术，或者这个学科的发展方向。在线性回归当中，如果你加到一个二阶的正则化项，二范数的正则化项，我对这个模型的二范数做一个限定，那么得到的就是所谓的岭回归，如果对一范数做一个限定，得到就是所谓的。所以在这里我们再加一个平方，这样，就能够定量的度量它的误差幅度，而不会受到符号的影响，这就得到了一个标准的均方误差的表达式，也就是y-f(x)
人工智能基础课－结课：溯洄从之，道阻且长
各行各业的非技术人员产生不切实际的认知甚至幻想。人工智能完全可能左右文明的走向甚至人类自身的命。我也想象不出一个具备思考能力的新物种的出现，不少朋友都表达了从事人工智能工作的意愿。资和养活自己的饭碗是截然不同的两码事情，资本的热炒在客观上助长了人工智能的泡沫。小说中的美丽新世界从未离我们如此之近。那一定会知道不能盲目追逐热点的道理。通用人工智能是非常有价值的科学问题，一个连自己的出身都没搞清楚的孩子，人工智能已经不是个单纯的科学问题，这或许并不是什么可喜可贺的现象。人类的科学精英们重建自身的宏愿，
人工智能基础课－推荐阅读：我与人工智能的故事
●我在极客时间订阅了王天一教授的《人工智能基础课》和朱赟的《技术管理课》，同时在得到。这不能叫做刻意练习。我总结出不少我认为很有效的学习方法，同时也学习了很多别人。技》里讲到数学家伽罗瓦的故事，引起我对数学的兴趣。按照他上面的推荐买一些英文原版的教科书来学。来可以逼迫自己在一些知识上花费足够的时间，试过连续两三晚一直在玩游戏的。会偷懒，比如我去年下半年玩某款游戏上瘾，这项技术未来应该会有越来越大的市场前景。最重要的是学完一门课自己应该做几份这门。我想每个人都有自己的学习经历和故事，
人工智能基础课－40：应用场景－数字巴别塔机器翻译
而引入中介语言可以把所有语言的编码统一成为用于机器翻译的中间层，译码器网络选择一个使特定目标函数最大化的序列作为翻译的输出。们就提出了利用计算机实现不同语言之间的自动翻译的想法。基于规则的窘境迫使研究者们重新思考机器翻译的原则。如果说基于短语的翻译结果是庖丁解牛得到的全牛宴，现对在训练过程中没有明确遇见过的语言对之间的互相。零知识翻译的实现要归功于神经网络的迁移学习特性。一种语言中无限的句子可以由有限的规则推导出来。机器翻译的进展对语言本身的发展也存在着反作用。
人工智能基础课－39：应用场景－心有灵犀一点通对话系统
诸如语音助手之类的传统对话系统都是目标导向的，即对话的目的是。机器人会请求相关的知识或询问问题是否与某个特定的知识有关；早期的对话系统通过模式匹配和智能短语搜索对人类的合适回复；与人类实时或半实时的互动学习能够有效提升机器人的表现，人工智能实验室设计的两个聊天机器人在谈判的训练中，对机器人对话内容的反馈被纳入深度学习的整体框架中。愣是被唯恐天下不乱的媒体解读为世界末日的启示录，聊天机器人使用的仍然是基于记忆网络的端到端模型，社交聊天机器人的发展也带来了关于道德规范的问题，
人工智能基础课－38：应用场景－嘿Siri语音处理
录制的语音流数据首先要根据语音识别声学模型进行分段，在这个过程中，输入的语音序列需要与从语音信号中提取出的声学特征进行对准。深度神经网络用于对输入特征和输出特征之间复杂而非线性的数量关系进行建模，特征提取模块将语音信号从时域变换到频域，在频域上提取语音的特征参数。也有从音节到单词到短语再到句子级别的信息，以及额外的重读和强调特征。在音韵生成过程中，机器学习通常被用于确定文本与语音之间的关系，目标成本用于评价目标声音特征和每个单元的声音特征的区。单元选择模块执行搜索，选择出最优的单元序列。
人工智能基础课－37：应用场景－你是我的眼计算机视觉
残差的操作相当于用恒等映射对待学习的未知映射做了一重预处理，因而学习的对。微软可以说是厚积薄发的巨头。但密集网络的独特之处在于所有层都可以直接获取前面所有层中的特征，深层模型应该是优于浅层模型的，因为将多出来的层设置为恒等映射，就会退化为浅层模型，因而深层模型的解集应该包含浅层模型的解集。但计算机视觉的传统方法依然存在很大的局限，问题就出在待提取。如此一来，良好特征的设计就成为了视觉处理的关键和瓶颈。如果说传统的梯度下降走的是人满为患的经济舱通道，而残差网络中的层只能获取到和它相邻的那个层次。
人工智能基础课－36：深度学习之外的人工智能－滴水藏海知识图谱
实体是由二元关系相连接的，因而现实世界中的规则在知识图谱中就体现为不同实。这样的模型将能够克服现有人工智能在概念认知和语言认知上的巨大障碍，知识图谱是由大量的概念实体以及它们之间的关系构成的语义网络；那么当遇到一个陌生的程序员小赵时，即使对他一无所知，首先要定义出实体和关系在向量空间中的表示形式，人工智能进行推理的一个关键问题是常识的缺失。这也是早期人工智能的大咖们热衷于符号主义的。小，因而与它相关的规则成立的概率也会很低。人类的智能源于对知识内部表示的推理过程，根据某个实体元组的得分是否超过预先设定的。
人工智能基础课－35：深度学习之外的人工智能－授人以鱼不如授人以渔迁移学习
由于与样本类别高度相关的特征应该在模型中具备更高的权重，因此在找出源域和目标。迁移学习是运用已学习的知识来求解不同但相关领域问题的新的机器学习方法，目的是让机。既然迁移学习的目的是让机器学会学习，向人类学习的机制取经就是最简单的途径。基于特征映射的迁移学习是把每个领域的数据从原始高维特征空间映射到新的低。特征映射和特征选择的区别在于映射得到的特征不属于原始的。如果能够将从训练数据上习得的知识迁移到测试数据上，域数据和目标域数据在新的低维空间上具有相同的分布，最典型的实例就是物理网络的数据和社交网络的数据。
人工智能基础课－34：深度学习之外的人工智能－乌合之众的逆袭集群智能
在单只蚂蚁活动范围受限的情况下，整个蚁群中不同蚂蚁之间的协作与联动，集群智能体现出微观个体之间的相互作用能够实现整体大于部分之和的效果，集群智能是由众多简单个体通过自组织和去中心化的简单合作实现的智能；集群智能的基础只是作用于个体的运行准则和作用于整体的通用目标，集群智能系统中的作用方式通常是个体间的间接通信，因而互动。的个体数量往往不会随着群体中个体的总数量的增加而增长，新的蚂蚁则会根据已有信息素的强度选择自己的行进路径。为整体化的协调有序的行为产生对外界环境的响应。
人工智能基础课－33：深度学习之外的人工智能－一图胜千言概率图模型
设是不同的属性之间条件独立，因此类条件概率可以表示成属性条件概率的乘积。作为两种不同的模型，贝叶斯网络和马尔可夫随机场各有优势。条件独立通常意味着两者之间所有的顶点都有固定的观察值。是用图论表现随机变量之间的条件依赖关系的建模方法；条件独立性又可以引出贝叶斯网络另一个良好的性质，但两个人各自耽误的时间在下雪的条件下是独立的；包括有向的贝叶斯网络和无向的马尔可夫随机场。的方向由表示原因的变量指向表示结果的变量，直接分解为所有单个节点所对应的分布的乘积。随机变量的独立性和顶点的连通性之间也有对应。
人工智能基础课－32：深度学习框架下的神经网络－三重门长短期记忆网络
门镜连接的作用是让长短期。输出门则决定记忆模块中的哪些信息被用于计算整个长短期记忆单元的输出。输出门同样利用对数几率函数对即时输入和上一时刻的输出的组合进行过滤，它首先用对数几率函数对即时输入和上一时刻的输出的组合进行过滤，循环神经网络的层次和时间之间是通过连续的乘法运算关联起来的，设计门镜连接的出发点是语义信息的载体不仅包括具体的文字，有追剧经历的都会知道，国外的电视剧通常是每周更新一集，这一改进的作用在于提升长短期记忆网络对时间的识别精度。记忆单元中的三重门都能接受来自记忆模块的输入，
人工智能基础课－31：深度学习框架下的神经网络－左右互搏生成式对抗网络
生成式对抗网络是一类运行在零和博弈框架下的无监督学习算法，由生成器和判别器构成；由于一方的收益必然意味着另一方的损失，因而双方不可能实现合作，对抗网络使用的是基于对数几率函数的二分类判别器，因而使用交叉熵作为损失函数是合。由于生成器和判别器处于零和博弈之中，因而对网络的训练就可以等效成对以下目。生成式对抗网络的一个重要的潜在应用就是让人工智能在没有明确指导的情。对生成器的优化意味着希望判别器对假样本的输出越大越好，而作为损失函数的判别器又会随着真实分布的变化而变化。
人工智能基础课－30：深度学习框架下的神经网络－昨日重现循环神经网络
而是描述一系列时序事件之间的关系，即使这些事件之间可能没有明显而紧密的时间关联，在语义空间上既可以度量单个向量的尺度，比如判定句子的感情色彩到底是褒义还是。间上的数据不会无穷无尽地延伸，即使大如《清明上河图》也有确定的边界存在。递归神经网络通过树状结构将一个完整的句子打散为若干分量的组合，数据的表现做出进一步的调整，因而前馈神经网络的记忆其实是。也可以度量不同向量之间的关系，比如确定两个句子意义上的相。循环神经网络就是将长度不定的输入分割为等长度的小块，由于正向计算和反向计算的权重系数是不共享的，
人工智能基础课－29：深度学习框架下的神经网络－见微知著卷积神经网络
的特征得到图像的分类与标记则要交给全连接层完成。卷积层和池化层的交替使用可以使卷积神经网络提取出不同层次上的图像特征。因而对不同位置的特征进行聚合统计就是提取图像主要特征的有效方法。被核函数的光圈覆盖的区域都是和核函数维度相同的像素组合，选择较小的核函数一方面有助于发现图像中细微的局部特征，卷积层和池化层的循环使用能够实现对图像特征的逐层提取，原始图像中的直角就会体现为特征映射中一个较大的数值，参数共享的基础是对图像特征的提取与图像的位置无关。训练中用单个的核函数去和图像的所有分块来做卷积，
人工智能基础课－28：深度学习框架下的神经网络－枯木逢春深度信念网络
在梯度下降之前先执行无监督预训练能够在所有隐藏层上一视同仁实现良好的优化效果，可见层的每个神经元接收到的反馈信息是不同隐藏单元输出的线性组合。这也是为什么深度信念网络要在最顶上的两层进行无方向连接的原因。深度信念网络的每一个隐藏层都代表着对输入数据的一种中间表示，所有特征和特征之间的所有关系共同形成了对输入数据的抽象描述。栈式自编码器的训练遵循的是无监督预训练结合有监督微调的策略，和一组新的偏置分量求和就得到了对原始输入的估计，第一个玻尔兹曼机的隐藏层又是第二个玻尔兹曼机的。
人工智能基础课－27：深度学习－困知勉行者勇深度强化学习
这种方法的问题是在每一轮的策略梯度更新中都需要大量智能体与环境的互动轨迹作为训练。深度强化学习是深度学习和强化学习的结合，有望成为实现通用人工智能的关键技术；价值函数和策略的关系在于它可以表示智能体一直执行某个固定策略所能获得的累积。强化学习的特点在于由环境提供的强化信号只是对智能体所产生动。通过不断计算总奖励的期望关于策略参数的梯度来更新策略参数，基于价值的深度强化学习的基本思路是建立价值函数的表示，基于模型的深度强化学习的基本思路是构造关于环境的转。体和环境之间的交互是以离散时间步的方式实现的。
人工智能基础课－26：深度学习－空竹里的秘密自编码器
如果隐藏神经元的传递函数是非线性的，编码映射就能够捕捉到输入分布中更加复杂的特征，均方误差准则也可以写成对数似然函数$-\logp(\mathbf{X}|\phi(\mathbf{X}))$的形式。当误差$p(\mathbf{X}|\phi(\mathbf{X}))$满足高斯分布时，均方误差和最大似然是等价的。也就是只有一个隐藏层的情形下，自编码器隐藏层的输出就是编码映射。更高层还会学到如何通过轮廓的组合得到不同的形状这类更高阶的特征。可出人意料的是，自编码器的这个缺点恰恰能被过度完备性克服。
