认识达内从这里开始

对于IT技术不断的发展之下，不断的出现了很多的IT技术行业，很多的高科技智能应用软件，都将慢慢的在生活中不断的出现;接下来就一起来佛山达内IT培训的小编一起来看看IT技术方面的知识和人工智能知识;

本文提纲：

1，人数机的概念 2，AI的应用领域 3，AI的解法-机器学习 4，机器学习底层的模型-运筹、统计 5，AI的算法 6，强AI vs 弱AI 7，AI学术界、工业界的全球排名

书归正传，我们一起 逐点击破人数机这个大泡泡 ，力求以最通俗易懂的语言 还原他们高大上外表下弱小的真面目 (数学模型+算法)。

首先我把最近火起来的，关于人数机最热门的几个术语都列出来，因为不知道它们的话，你可能已经OUT了。

人工智能、数据科学、大数据、机器学习、神经网络、深度学习、计算机视觉、自然语言处理、增强学习、(无)监督学习、数据挖掘、文本挖掘、模式识别、虚拟现实、增强现实、GPU计算、并行计算、物联网、工业4.0、智能供应链、智能xx、商业智能、xx智能、图像处理、自动驾驶、统计推断、(凸)优化、K-means算法、Ford-Fulkerson算法等等。(欢迎评论区补充“火”的术语)

下文我尝试把这些术语按照 概念、应用、模型、方法、算法 来进行分类。

1，概念--人工智能(Artificial Intelligence)、数据科学(Data Science)、大数据(Big Data)

这三个术语最大，放在第一个说--他们属于概念。

简单地说，计算机能像人一样思考并自动处理任务，就可以称为 人工智能 ，即教计算机完成人想完成的复杂的或具有高度重复性的任务。(这里需要注意计算机能理解的只是数据，包括向量和矩阵)

从这个概念出发，那么计算机从发明至今，可以说就顶着“人工智能”的帽子了。比如我们学习任何一门计算语言的循环语句，就很好地服务于这个宗旨。你写一个for i=1..100，就等于让计算机给你重复做了100遍活。还嫌不够多?把100改成1个亿吧。让(“教”)电脑给你干活， 这就是人工智能 。

由于人工智能“教”计算机处理的，通常都是很大的数据。例如图像处理，对于计算机来说，一张1000*1000的图片在它看来只是100万个像素(灰度图是100万个数字，RGB图是100万*3的一个向量)。

因此数据科学、大数据也属于人工智能概念的范畴，它们和人工智能一样，仅仅是被炒起来的“术语”。而理解上面三段话，你就拥有了和小白吹牛的资本。

这些行业到底有多热，看看薪资就能略知一二：

国内(全球)TOP互联网公司、学术界(人工智能)超高薪的揽才计划有哪些?

再举个比循环语句稍稍复杂点的例子：预测(Forecasting、Prediction)。

给你一堆点(x_i,y_i),人眼一看，根据数据以往的趋势，下一个点x_n的y坐标--y_n应该出现在箭头所指的地方。但是如果有1000堆类似数据等你预测呢?你需要1000个人来描这个点么?NO，你只需要教会计算机如何根据x_n预测出y_n的值。--很简单，学过统计的应该都知道线性回归(Linear Regression)，用最小二乘法根据以往的数据(x_i,y_i)算出线性系数b_0和b_1，那么预测函数y=b_0+b_1*x，电脑就可以根据这个公式来预测后面所有的y值。当然有进阶版的分段线性回归(piecewise linear fitting)，欢迎听下回分解。

2， 应用--模式识别(Pattern Recognition)、 计算机视觉(Computer Vision)、自然语言处理(Natural Language Processing)、数据挖掘(Data Mining)、物联网(Intenet of Things)、商业智能(Business Inteligence)、自动驾驶(Auto Driving)、云计算(Cloud Computing)、虚拟增强现实(Virtual Augmented Reality) 等

这些都属于人工智能和大数据的 应用 场景。

模式识别：把一堆杂乱无章的数据或像素(图像)里深藏的“模式”或规则用计算机自动识别出来。

计算机视觉、图像处理：“教”计算机像人一样识别图像或视频中的模式。

自然语言处理：同样的，计算机看待人说的话只是一段段音频信号(signal)，或者更底层些，只是一个x坐标为时间t的二维数据。如何把电信号翻译成文字(text)，需要人来“教”它。

数据挖掘：从一大堆数据里挖掘出你想要的有用的信息。怎么样，是不是和模式识别有点异曲同工之妙?不过其主要数据对象是数据库(Database)，类似的还有文本挖掘(text mining)。

物联网：把所有东西(例如家电)都联网，并实时保持数据的连通，然后计算机处理这些数据。例如根据主人的生活习性自动开关暖气。

商业智能：人工智能应用在商业大数据领域。例如银行欺诈性交易的监测。

自动驾驶：顾名思义，内置在汽车甚至设置在云端的计算机自动给你开车。利用的是计算机处理汽车上的摄像头实时产生的图片信息，以及雷达产生的信号。

云计算：把计算任务传送到“云端”，得出结果后再传送回来。云端可能是一个大的计算机集群(Cluster)，难点在于如何协同CPU和GPU。

虚拟、增强现实(VR、AR)：VR眼镜应该都体验过吧?未来的趋势，3D电影演唱会等，足不出户体验现场感。Pokemon Go是AR最好的例子，使虚拟和现实混合在一起。俩者的核心技术都在计算机视觉里，包括校准、3D重建、识别、追踪等等。

通过以上九个术语的翻译，相信妈妈再也不用担心我被“概念”的炒作蒙蔽双眼了。

再举个例子：模式识别(Pattern Recognition)里的图像分割(Image Segmentation)。

给你一张图片，你自然知道描出图里所有物体的轮廓，把该图分割成了几块，该图的“模式”就被识别出来了。但是给你100，1000张图呢?你还有耐心一张张用手描轮廓?这时候你需要教计算机如何画这个轮廓，并且不仅仅限于几张图，这个模型或算法必须适用于绝大多数的图片。这就是模式识别和图像分割。

3，方法--机器学习(Machine Learning)

前面讨论了概念和应用，那么用什么方法来实现2中的应用呢?机器学习便是最有力的方法之一。把机器学习单独放在方法里，是为了体现其重要性。虽然它是一门建立在统计和优化上的新兴学科，但是在人工智能、数据科学等领域，它绝对是核心课程中的核心。

机器学习，顾名思义，教机器如何“学习”，或让机器自己“学习”。因此从字面上看就天然的属于人工智能范畴。 “学习”这个看似高深的术语，在1线性回归的例子里，仅仅指求解(学习)b0, b1这俩个系数。任何其他炒得火热的“xx学习”，也只是求解一些参数-说得都很好听，仅此而已。

对于统计和运筹学这俩门基础学科来说，机器学习又是应用(见下面四类问题)，因为它大量地用到了统计的模型如马尔可夫随机场(Markov Random Field--MRF)，和其他学科的模型，如偏微分方程(变分法等)，最后通常转化成一个能量函数最小化的优化问题。

机器学习的核心在于建模和算法，学习得到的参数只是一个结果(见5)。

机器学习里最重要的四类问题(按学习的结果分类)：

预测(Prediction) --可以用如回归(Regression)等模型。

聚类(Clustering) --如K-means方法。

分类(Classification) --如支持向量机法(Support Vector Machine)。

降维(Dimensional reduction) --如主成份分析法(Principal component analysis (PCA)--纯矩阵运算)。

前三个从字面意思就好理解，那么为什么要降维呢?因为通常情况下，一个自变量x就是一个维度，机器学习中动不动就几百万维，运算复杂度非常高。但是几百万维度里，可能其中几百维就包含了95%的信息。因此为了运算效率，舍弃5%的信息，我们需要从几百万维中找出这包含95%信息的维度。这就是降维问题。

机器学习按学习方法的分类：

监督学习 (Supervised Learning，如深度学习)，

无监督学习 (Un-supervised Learning，如聚类)，

半监督学习 (Semi-supervised Learning)，

增强学习 (Reinforced Learning)。

这里不从晦涩的定义上深入展开，举俩个例子或许效果更好。

邮件分类的例子：

邮件管理器中的垃圾邮件和非垃圾邮件的分类，就是一个典型的机器学习的分类问题。这是一个有监督的学习问题(Supervised Learning)，什么叫有监督呢?计算机是在你的监督(标记)下进行学习的。简单地说，新来一封邮件，你把他标记为垃圾邮件，计算机就学习该邮件里有什么内容才使得你标记为“垃圾”;相反，你标记为正常邮件，计算机也学习其中的内容和垃圾邮件有何不同你才把它标记为“正常”。可以把这俩个分类简单的看成"0"和“1”的分类，即二分问题(Binary Classification)。并且，随着你标记越来越多，计算机学习到的规律也越来越多，新出现一封邮件标记的正确率也会越来越高。

4、算法--K-means，Ford-Fulkerson

做过人工智能实际/科研项目的人知道，解决一个实际问题就像小时候解应用题，从假设未知数开始(已是模型的范畴)，一般步骤便是数学建模-设计算法-编程实现，并以此反复推敲。因此为了文章的完整性，加上算法这一节。

K-means在3的聚类问题中已提到，这里重点讲讲最大流以及算法和模型之间的关系。

Ford-Fulkerson算法属于运筹学或图论-网络流问题(Network Flow Problem)中一个非常经典的问题-最大流问题(Max Flow Problem)的算法，它在图像处理特别是图像分割中，有着极为重要的应用。

如图：把一张3*3像素的图像看作3*3个点的图(图论术语里的图)，并且把上下左右相邻的点用边连接起来，组成edge(图论里的边)。这么一来，图像分割问题就完美地转换成了一个基于图论(或者network flow)的优化问题。如下图，九个像素的图被最大流算法用绿线分割成了俩个部分(segment)，绿线即为最小分割(min cut)，这里s点和t点是为了构建网络流模型额外增加的俩个点(terminal node)。

下面讨论模型和算法的关系，引自我在下面的回答：

想学数据分析(人工智能)需要学哪些课程? - 知乎

这里强调下数学建模的重要性，为何要数学建模呢?的确很多naive的算法完全不需要建立在数学模型之上，比如clustering里面经典的EM算法，是一个iterative method，基本一眼就能看出算法的思路然后编程实现。那么基于数学模型上的算法有何妙处呢?答案是一个好的数学模型，往往是被研究了几十甚至几百年的学科，比如图论，很多性质都已经被研究得很透彻可以直接使用。回到上面的例子，我建立的这个网络流的模型，是一个被研究了很久的模型，因此我可以直接使用其很多已知的好定理或算法来服务我的问题，比如这里基于里max flow的Ford-Fulkerson算法，如果能在其基础上做改进，等于站在巨人的肩膀。因此这就是数学建模的重要之处。

往往同一个问题，从不同的角度去看可以有千百种数学建模方法，而不同的数学模型差别往往巨大。而数学建模又是解决一个实际问题的第一步，在这基础上才考虑算法和数据结构设计。因此，数学模型和背后的数学基础在我看来是重中之重，也是我推荐学习的课程的核心。当然了，计算机系出生的朋友，数学这个层面学习得不是很深，可以偏向于算法的设计和实现，它们也是重要的。

5，强人工智能( Strong AI或 Artificial General Intelligence ) vs 弱人工智能( Applied AI，narrow AI，weak AI)

上面唠叨了那么多，说来说去都是建立在以二进制为机理的图灵计算机上的“弱人工智能”，即计算机需要人去“教”它怎么做。而人工智能、神经网络的最终目的，是模仿人脑的机理和组成(脑神经元、神经网络)，让计算机能像人一样具有思维、自主意识，自行学习和决策，称为“强人工智能”。

这里不得不提到母校德国 海德堡大学 物理系和英国曼彻斯特大学牵头的欧盟“人脑计划”，其最终目的就是打破计算机的二进制机理，模仿人脑神经元(Neuron)放电(spark)的随机性，打造出一台能像人脑一样“思考”的计算机。从此计算机不再二进制(0或1)，而是可以取[0,1]间的随机值。另外工业界如IBM也在打造此类计算机。

此机一旦面世，以往一切惯例将被打破，“强人工智能”的新纪元或许会随之到来。

6、人工智能学术界、工业界全球排名

按照本文作者的尿性，最后不出意外会给个排名。今天也不例外，排名不分先后。

学术界： 人工智能等新兴学科通常设置在计算机系，此处可参考CS排名

美国凭借教授数量一如既往地排在前头：CMU、斯坦福、MIT、UC伯克利、哈佛、普林斯顿

英国伦敦也是AI重地：牛津、剑桥、帝国理工再加爱丁堡

加拿大可谓深度学习孵化地，DL三杰都和:maple_leaf:国有渊源：多大、蒙特利尔、UCB

欧洲因教职稀少排名自然弱，瑞士俩校拔得头筹，ETH、EPFL，海德堡HCI五教授之阵容理应占得一席，哦，原来三个隶属物理系。

亚洲新加坡、香港你来我往，日本东大山河日下，中国清华异军突起，姚班功不可没。

工业界： 凭借着财大气粗吸引人才，以及计算能力和数据量的优势，工业界在AI领域或许已经赶超学术界

美国自然是全球AI中心(硅谷、西雅图、波士顿、纽约)：Google刚请来了斯坦福李飞飞(sabbatical)以及多大的Geoffrey Hinton，Facebook有NYU的 Yann LeCun , 微软、IBM研究院早已名声在外，Amazon云计算一家独大，还有Uber、Airbnb、LinkedIn等新贵互联网公司的助力。

英国伦敦：DeepMind被Google收购，Google、微软等在伦敦都设有研究院。

欧洲：IBM、Google在苏黎世和慕尼黑都有研究院，扩招中;amazon在卢森堡有研究院;德国传统公司，如拜耳、博世、西门子等纷纷发力AI建立研究院，宝马奔驰奥迪等车场也投注自动驾驶。最后说说海德堡，SAP总部所在地，还有NEC、ABB欧洲研究院。

加拿大：加拿大政府在多伦多刚成立人工智能研究院- Vector Institute ，G Hinton任首席科学顾问，Google在蒙特利尔准备成立新研究院，可见Yoshua Bengio领导的深度学习研究院名声在外。

中国：北有科技之都北京，得天独厚的优势，微软亚洲研究院培养起了中国一大批AI大佬;百度、京东以及地平线机器人、滴滴等一大批互联网新贵开始崭露头角。南有深圳，华为、腾讯、大疆、顺丰等也毫不示弱。

IT技术不断创造着未来，在未来的很多的行业中不断的会出现着更高深的IT技术，用IT技术来创造出更加智能化的应用和产品，如果大家对IT技术感兴趣，或者想了解更多的IT技术方面的知识，那么欢迎来佛山IT培训机构进行更多的了解和咨询;