Python人工智慧入門概念

---

---

自從計算機或機器發明以來，它們執行各種任務的能力呈指數級增長。人類在計算機系統的不同工作領域、不斷提高的速度以及隨著時間的推移而減小的尺寸方面，都發展了計算機系統的能力。

人工智慧是計算機科學的一個分支，致力於創造與人類一樣智慧的計算機或機器。

人工智慧（AI）的基本概念

根據人工智慧之父約翰·麥卡錫的說法，人工智慧是“製造智慧機器，特別是智慧計算機程式的科學和工程”。

人工智慧是一種使計算機、計算機控制的機器人或軟體能夠像聰明的人類一樣思考的方法。人工智慧是透過研究人腦如何思考以及人類如何學習、決策和工作來解決問題而實現的，然後將這項研究的結果作為開發智慧軟體和系統的基礎。

在利用計算機系統能力的同時，人類的好奇心促使他思考：“機器能否像人類一樣思考和行為？”

因此，人工智慧的發展始於在機器中創造類似於我們在人類中發現和高度重視的智慧。

學習人工智慧的必要性

眾所周知，人工智慧致力於創造與人類一樣智慧的機器。我們學習人工智慧有很多原因。原因如下：

人工智慧可以透過資料學習

在日常生活中，我們處理海量資料，人腦無法跟蹤如此多的資料。這就是我們需要自動化事物的原因。為了進行自動化，我們需要學習人工智慧，因為它可以從資料中學習，並且可以準確地、不知疲倦地執行重複性任務。

人工智慧可以自學

系統必須自學這一點非常必要，因為資料本身不斷變化，從這些資料中得出的知識必須不斷更新。我們可以使用人工智慧來實現這一目的，因為啟用人工智慧的系統可以自學。

人工智慧可以即時響應

人工智能借助神經網路可以更深入地分析資料。由於這種能力，人工智慧可以思考並對基於即時條件的情況做出反應。

人工智慧實現準確性

藉助深度神經網路，人工智慧可以實現極高的準確性。人工智慧有助於醫學領域根據患者的MRI診斷癌症等疾病。

人工智慧可以組織資料以充分利用資料

資料對於使用自學習演算法的系統來說是一種智慧財產權。我們需要人工智慧以一種始終產生最佳結果的方式索引和組織資料。

理解智慧

藉助人工智慧，可以構建智慧系統。我們需要理解智慧的概念，以便我們的大腦可以構建另一個像自身一樣的智慧系統。

什麼是智慧？

系統計算、推理、感知關係和類比、從經驗中學習、從記憶體中儲存和檢索資訊、解決問題、理解複雜思想、流利地使用自然語言、分類、概括和適應新情況的能力。

智慧型別

正如美國發展心理學家霍華德·加德納所描述的那樣，智力是多方面的：

當機器或系統至少具備一種或所有智力時，你可以說它是人工智慧。

智慧由什麼構成？

智力是無形的。它由以下部分組成：

• 推理
• 學習
• 解決問題
• 感知
• 語言智慧

讓我們簡要了解所有元件：

推理

它是一組使我們能夠為判斷、決策和預測提供依據的過程。主要有兩種型別：

學習 - l

人類、某些動物物種和啟用人工智慧的系統都具有學習能力。學習可分為以下幾類：

聽覺學習

透過聽和聽來學習。例如，學生收聽錄製的音訊講座。

情景學習

透過記住自己目睹或經歷的事件序列來學習。這是線性的和有序的。

運動學習

透過精確的肌肉運動來學習。例如，拾取物體、書寫等。

觀察學習

透過觀察和模仿他人來學習。例如，孩子試圖透過模仿父母來學習。

知覺學習

學習識別以前見過的刺激。例如，識別和分類物體和情況。

關係學習

它包括根據關係屬性而不是絕對屬性來學習區分各種刺激。例如，在上次煮土豆時加了一湯匙鹽後變鹹，這次在烹飪時新增“少一點”鹽。

• 空間學習 - 它透過視覺刺激（如影像、顏色、地圖等）來學習。例如，一個人可以在實際沿著道路行駛之前在腦海中建立路線圖。

• 刺激-反應學習 - 它學習在存在某種刺激時執行特定行為。例如，狗聽到門鈴聲時會豎起耳朵。

解決問題

這是一個人感知並試圖透過採取某些路徑（被已知或未知的障礙阻擋）從當前情況達到期望解決方案的過程。

解決問題還包括決策，這是從多個備選方案中選擇最合適的備選方案以達到預期目標的過程。

感知

這是獲取、解釋、選擇和組織感覺資訊的過程。

感知意味著感覺。在人類中，感知藉助感覺器官。在人工智慧領域，感知機制以有意義的方式將感測器獲取的資料組合在一起。

語言智慧

這是一個人使用、理解、說和寫口頭和書面語言的能力。這在人際交往中很重要。

人工智慧涉及什麼

人工智慧是一個廣泛的研究領域。這個研究領域有助於尋找現實世界問題的解決方案。

現在讓我們看看人工智慧中的不同研究領域：

機器學習

這是人工智慧最受歡迎的領域之一。該領域的根本概念是使機器像人類從經驗中學習一樣從資料中學習。它包含基於其可以對未知資料進行預測的學習模型。

邏輯

這是另一個重要的研究領域，其中使用數學邏輯來執行計算機程式。它包含用於執行模式匹配、語義分析等的規則和事實。

搜尋

該研究領域主要用於國際象棋、井字遊戲等遊戲中。搜尋演算法在搜尋整個搜尋空間後給出最佳解決方案。

人工神經網路

這是一個高效的計算系統網路，其核心主題借鑑了生物神經網路的類比。人工神經網路可用於機器人技術、語音識別、語音處理等。

遺傳演算法

遺傳演算法有助於在多個程式的協助下解決問題。結果將基於選擇最合適的程式。

知識表示

這是一個研究領域，藉助它我們可以以機器可以理解的方式表示事實。知識表示得越有效，系統就越智慧。

人工智慧的應用

在本節中，我們將看到人工智慧支援的不同領域：

遊戲

人工智慧在國際象棋、撲克、井字遊戲等策略遊戲中發揮著至關重要的作用，機器可以根據啟發式知識思考大量可能的位置。

自然語言處理

可以與理解人類所說的自然語言的計算機進行互動。

專家系統

有些應用程式集成了機器、軟體和特殊資訊來傳授推理和建議。它們向用戶提供解釋和建議。

視覺系統

這些系統理解、解釋和理解計算機上的視覺輸入。例如，

• 間諜飛機拍攝照片，用於確定區域的空間資訊或地圖。

• 醫生使用臨床專家系統診斷病人。

• 警方使用能夠識別罪犯面部特徵的計算機軟體，該軟體與法醫藝術家繪製的肖像進行比對。

語音識別

一些智慧系統能夠在人類與之交談時聽到並理解語言中的句子及其含義。它可以處理不同的口音、俚語、背景噪音以及人類因感冒等原因造成的噪音變化等。

手寫識別

手寫識別軟體讀取用筆寫在紙上或用觸筆寫在螢幕上的文字。它可以識別字母的形狀並將它們轉換為可編輯的文字。

智慧機器人

機器人能夠執行人類賦予的任務。它們擁有感測器來檢測來自現實世界的物理資料，例如光、熱、溫度、運動、聲音、碰撞和壓力。它們擁有高效的處理器、多個感測器和巨大的記憶體，從而展現出智慧。此外，它們能夠從錯誤中學習，並能夠適應新的環境。

認知建模：模擬人類思維過程

認知建模基本上是計算機科學中一個研究領域，它處理對人類思維過程的研究和模擬。人工智慧的主要任務是使機器像人類一樣思考。人類思維過程最重要的特徵是解決問題。這就是為什麼或多或少認知建模試圖理解人類如何解決問題。之後，該模型可用於各種人工智慧應用，例如機器學習、機器人技術、自然語言處理等。以下是人腦不同思維層次的示意圖（此處應插入示意圖）。

智慧體與環境

在本節中，我們將重點關注智慧體和環境，以及它們如何幫助人工智慧。

智慧體

智慧體是指任何可以透過感測器感知其環境並透過效應器作用於該環境的事物。

• 一個**人類智慧體**擁有類似於感測器的感官器官，如眼睛、耳朵、鼻子、舌頭和皮膚，以及作為效應器的其他器官，如手、腿、嘴。

• 一個**機器人智慧體**用攝像頭和紅外測距儀代替感測器，用各種電機和執行器代替效應器。

• 一個**軟體智慧體**使用編碼的位元串作為其程式和動作。

環境

一些程式執行在完全**人工環境**中，僅限於鍵盤輸入、資料庫、計算機檔案系統和螢幕上的字元輸出。

相比之下，一些軟體智慧體（軟體機器人或軟機器人）存在於豐富、無限的軟機器人領域。模擬器擁有**非常詳細、複雜的環境**。軟體智慧體需要即時從一系列動作中進行選擇。一個軟機器人旨在掃描客戶的線上偏好，並向客戶展示感興趣的商品，它在**真實**和**人工**環境中都能工作。