結合本人學習學習《人工智慧原理及應用》，現做如下總結！！

概述：本文涵蓋人工智慧在現階段主要的研究領域，包括：機器思維、機器學習、機器感知、機器學習的詳細介紹等。

1、機器思維

    機器思維主要模擬人類的思維功能。在人工智慧中，與機器思維有關的研究主要包括推理、搜尋、規劃等。

    這裡對該概念就不再贅述了，感興趣的同僚可以參考《人工智慧原理及應用》

2、機器學習

    機器學習是機器獲取知識的根本途徑，同時也是機器具有智慧的重要標誌，有人認為，一個計算機系統如果不具備學習功能，就不能稱其為智慧系統。機器學習有多重不同的分類方法，如果按照對人類學習的模擬方式，機器學習可分為符號學習和聯結學習。

    1）符號學習

        符號學習是指從功能上模擬人類學習能力的機器學習方法，它使一種基於符號主義學派的機器學習掛點。按照這種觀點，知識可以用符號來表示，機器學習過程實際是一種符號運算過程。對符號學習，可根據學習策略，即學習中所使用的推理方法，將其分為記憶學習、歸納學習、研一學習等。

        記憶學習也叫死記硬背學習，它是一種最基本的學習方法，原因是任何學習系統都必須記住它們所獲取的知識，以便將來使用。歸納學習是指以歸納推理為基礎的學習，它是機器學習中研究較多的一種學習型別，其任務是要從關於某個概念的一系列一直的具體例子出發，歸納出一般的結論，像示例學習、決策樹學習和統計學習等都是歸納學習方法

    2）聯結學習

        聯結學習也稱為神經學習，它是一種基於人工神經網路的學習方法。  現有研究表明，人腦的學習和記憶過程都是通過神經系統來完成的。在神經系統中，神經元及時學習的基本單元，也是記憶的基本單位。連線學習可以有多種不同的分類方法。比較典型的學習演算法有感知器學習、BP網路學習和Hopfield網路學習等。

        感知器學習實際上是一種基於糾錯學習規則，採用迭代思想對聯結權重和閾值進行不斷調整，直到滿足結束條件為止的學習演算法。BP網路學習是一種誤差反向傳播網路學習演算法。這種學習演算法的學習過程由輸出模式的正向傳播過程和誤差的反向傳播過程組成。其中誤差的反向傳播過程用於修改各層神經元的連線權值，以肘部減少誤差訊號，直至得到所期望的輸出模式為止。Hopfield網路學習實際上是要尋求系統的穩定狀態，即從網路的初試狀態開始逐漸向其穩定狀態過度，直至達到穩定狀態為止。至於網路的穩定性，則是通過一個能量函式來描述的。

    3）知識發現和資料探勘

        知識發現（knowledge discover）和資料發覺（data mining）是在資料庫的基礎上實現的一種知識發現系統。他通過綜合運用統計學、粗糙集、模糊數學、機器學習和專家系統等多種學習手段和方法，從資料庫中提煉和抽取知識，從而可以揭示出蘊涵在這些資料背後的客觀世界的內在聯絡和本質原理，實現知識的自動獲取。

        傳統的資料庫技術僅限於對資料庫的查詢和檢索，不能夠從資料庫中提取知識，使得資料庫中所蘊涵的豐富知識被白白浪費。知識發現和資料探勘以資料庫作為知識源去抽取知識，不僅可以提高資料庫中資料的利用價值，同時也為各種智慧系統的知識獲取開闢了一條新的途徑。目前，隨著大規模資料庫和網際網路的迅速發展，知識發現和資料探勘已從面向資料庫的結構化資訊的資料探勘，發展到面向資料倉庫和網際網路的海量、半結構化或非結構化資訊的資料探勘。

3、機器感知

    機器感知作為機器獲取外界資訊的主要途徑，是機器智慧的重要組成部分。下面介紹機器視覺、模式識別、自然語言理解。

        1）機器視覺

        機器視覺是一門用計算機模擬或實現人類視覺功能的新興學科。其主要研究目標是使計算機具有通過二維影象認知三維環境資訊的能力。這種能力不僅包括 對三維環境中物體形狀、位置、姿態、運動等幾何資訊的感知，還包括對這些資訊的描述、儲存、識別與理解。

        視覺是人類各種感知能力中最重要的一部分，在人類感知到的外界資訊中，約80%以上是通過視覺得到的。人類對視覺資訊獲取、處理與理解的大概過程是：人們視野中的物體在可見光的照射下，先再眼睛的視網膜上形成影象，再有感光細胞轉換成神經脈衝訊號，經神經纖維傳入大腦皮層，最後由大腦皮層對其進行處理與理解。可見視覺不僅指對光訊號的感受，它還包括了對視覺訊號的獲取、傳輸、處理、儲存於理解的全過程。

        目前，計算機視覺已在人類社會的許多領域得到了成功的應用。例如，在影象、圖形識別方面有指紋識別、染色體識別、字元識別等；在航天與軍事方面有衛星影象處理、飛行器跟蹤、成像精確制導、景物識別、景物識別、目標檢測等；在醫學方面有CT影象的臟器重建、醫學影象分析等；在工業方面有各種檢測系統和生產過程監控系統等。

        2）模式識別

        模式識別是人工智慧最早的研究領域之一。“模式”一詞的原意是指提供模仿用的完美無缺的一些標本。在日常生活中，可以把那些客觀存在的事物心事稱為模式。例如，一幅畫、一個景物、一段音樂、一幢建築等。在模式識別理論中，通常把對某一事物所做的定量或結構性描述的集合稱為模式。

        所謂模式識別就是讓計算機能夠對給定的事務進行鑑別，並把它歸入與其相同或相似的模式中。其中被鑑別的事務可以使物理的、化學的、生理的，也可以是文字、影象、聲音等。為了能使計算機進行模式識別，通常需要給它配上各種感知器官，使其能夠直接感知外界資訊。模式識別的一般過程是先採集待識別事務的模式資訊，然後對其進行各種變換和預處理，從中抽出有意義的特徵或基元，得到待識別事務的模式，然後在於機器中原有的各種標準模式進行比較，完成對待識別事物的分類識別，最後輸出識別結果。

        根據給出的標準模式的不同，模式識別技術可有多種不同的識別方法。其中經常採用的方法有末班匹配法、統計模式法、模糊模式法、神經網路法等。

    3）自然語言理解

        自然語言理解一直是人工智慧的一個重要領域，它主要研究如何使計算機能夠理解和生成自然語言。自然語言是人類進行資訊交流的主要媒介，但由於它的多義性和不確定性，是得人類與計算機系統之間的交流還主要依靠那種收到嚴格限制的非自然語言。要真正實現人機之間的直接自然語言交流，還有待遇自然語言理解研究的突破性進展。

        自然語言理解可分為聲音語言理解和書面語言理解兩大類。其中聲音語言的理解過程包括語音分析、詞法分析、句法分析、語義分析和御用分析五個階段；書面語言的理解過程除不需要語音分析外，其他四個階段與聲音語言理解相同。自然語言理解的主要困難在御用分析階段，原因是它涉及上下文知識，需要考慮語境對語言的影響。

        與自然語言理解密切相關的另一個領域是機器翻譯，即用計算機把一種語言翻譯成另外一種語言。儘管自然語言理解和機器翻譯都已取得了很多進展，但離計算機完全理解人類自然語言的目標還相距甚遠。自然語言理解的研究不僅對智慧人機介面有著重要的實際意義，而且對不確定的人工智慧的洋酒也具有重大的理論價值。

4、機器行為

    機器行為作為計算機作用於外界環境的主要途徑，也是機器智慧的主要組成部分。其主要內容包括：智慧控制、智慧製造。此處不再贅述，詳情可以參考文末資料。

參考：《人工智慧原理及其應用》_王萬森

整理不易！！ 轉載請註明出處！