• 第一章 人工智能：新时代的开启
  • 1.1 跨越时空：铭铭的一天
  • 1.2 光辉岁月：人工智能简史
  • 1.3 百花齐放：人工智能在各行各业的应用
  • 1.4 初露真容：人工智能与机器学习
    • 什么是人工智能
    • 从数据中学习
    • 在行动中学习
  • 1.5 本章小结
• 第二章 牛刀小试：察异辨花
  • 2.1 初学乍练：分类任务
  • 2.2 含英咀华：提取特征
    • 特征向量
    • 特征点和特征空间
  • 2.3 分门别类：分类器
    • 训练分类器
    • 感知器
    • 支持向量机

第一章 人工智能：新时代的开启

1.1 跨越时空：铭铭的一天

1.2 光辉岁月：人工智能简史

• 横空出世（上世纪四五十年代）
• 第一次浪潮（1956——1974）：伟大的首航
• 第二次浪潮（1980——1987）：专家系统的兴衰
• 第三次浪潮（2011年至今）：厚积薄发，再造辉煌

1.3 百花齐放：人工智能在各行各业的应用

• 安防
• 医疗
• 智能客服
• 自动驾驶
• 工业制造

1.4 初露真容：人工智能与机器学习

什么是人工智能

人工智能是通过机器来模拟人类认知能力的技术。

人工智能最核心的能力就是根据给定的输入做出判断或预测，比如：

• 在人脸识别应用中，它是根据输入的照片，判断照片中的人是谁。
• 在语音识别中，它可以根据人说话的音频信号，判断说话的内容。
• 在医疗诊断中，它可以根据输入的医疗影像，判断疾病的成因和性质。
• 在电子商务网站中，它可以根据一个用户过去的购买记录，预测这位用户对什么商品感兴趣，从而让网站做出相应的推荐。
• 在金融应用中，它可以根据一只股票过去的价格和交易信息，预测它未来的价格走势。
• 在围棋对弈中，它可以根据当前的盘面形势，预测选择某个落子的胜率。

从数据中学习

• 监督学习（supervised learning）：监督学习要求为每个样本提供预测量的真实值。
• 无监督学习（unsupervised learning）：希望可以在不提供监督信息（预测量的真实值）的条件下进行学习。
• 半监督学习（semi-supervised learning）：介于监督学习与无监督学习之间，它要求对小部分的样本提供预测量的真实值。

在行动中学习

在机器学习的实际应用中，我们还会遇到另一种类型的问题：利用学习得到的模型来指导行动。

强化学习（reinforcement learning）：强化学习的目标是获得一个策略（policy）去指导行动。与监督学习不同，强化学习不需要一系列包含输入与预测的样本，它是在行动中学习。

一个强化学习模型一般包含如下几个部分：

• 一组可以动态变化的状态（state）。
• 一组可以选取的动作（action）。
• 一个可以和决策主体（agent）进行交互的环境（environment）。这个环境会决定每个动作后状态如何变化。
• 回报（reward）规则。当决策主体通过行动使状态发生变化时，它会获得回报或者受到惩罚（回报为负值）。

强化学习会从一个初始的策略开始。通常情况下，初始策略不一定很理想。在学习过程中，决策主体通过行动和环境进行交互，不断获得反馈（回报或者惩罚），并根据反馈调整优化策略。这是一种非常强大的学习方式。持续不断的强化学习甚至获得比人类更优的决策机制。

1.5 本章小结

人工智能是研究如何通过机器来模拟人类认知能力的学科。它可以通过人工定义或者从数据和行动中学习的方式获得预测和决策的能力。通过过去几十年的努力，人工智能已经获得了长足的发展，并且在多个行业得到了成功的应用。

第二章 牛刀小试：察异辨花

2.1 初学乍练：分类任务

分类器（classifier）：完成分类任务的人工智能系统。

2.2 含英咀华：提取特征

特征的质量很大程度上决定了分类器最终分类效果的好坏。

• 对于图像，人们设计出了方向梯度直方图
• 对于声音，人们设计出了梅尔频率倒谱系数
• 对于视频，有光流直方图
• 对于文本，有词频率-逆文档频率等

特征向量

向量（vector）：(x₁, x₂)

特征点和特征空间

这些表示特征向量的点称为特征点（feature point）；所有这些特征点构成的空间被称为特征空间（feature space）。

2.3 分门别类：分类器

分类器就是一个由特征向量到预测类别的函数。

训练分类器

让分类器学习得到合适参数的过程称为分类器的训练。

两种常见的训练线性分类器的算法——感知器和支持向量机，它们提供了两种利用训练数据自动寻找参数的方法。

感知器

感知器（perceptron）是一种训练线性分类器的算法，它的主要想法是利用被误分类的训练数据的调整现有分类器的参数，使得调整后的分类器判断得更加准确。

感知器学习算法：感知器使用被分错得样本来调整分类器——如果标注得类别是+1，使得a₁x₁ + a₂x₂ + b < 0的样本就是被误分类；如果标注的类别是-1，使得a₁x₁ + a₂x₂ + b ≥ 0的样本就是被误分类。我们可以把这两种情况综合起来——若y(a₁x₁ + a₂x₂ + b) ≤ 0，那么样本就被分错了，其中y表示数据的真实类别。感知器学习算法根据这个误分类的样本来调整分类直线的参数，使得直线向该误分类数据一侧移动，以减小该误分类数据与直线的距离，直到直线越过该误分类数据使其被正确分类。

• 第一步：选取初始分类器参数a₁，a₂，b；
• 第二步：在训练集中选取一个训练数据，如果这个训练数据被误分类，即y(a₁x₁ + a₂x₂ + b) ≤ 0，则按照以下规则更新参数：
  • a₁ ← a₁ + δyx₁
  • a₂ ← a₂ + δyx₂
  • b ← b + δy
• 第三步：回到第二步，直到训练数据种没有误分类数据为止。

其中，δ是学习率（learning rate），学习率是指每一次更新参数的程度大小。

感知器的学习算法就是不断减少对数据误分类的过程。

损失函数（loss function）：在训练过程中用来度量分类器输出错误程度的数学化表示。预测错误程度越大，损失函数的取值就越大。

假定总共由N个训练数据，我们用(x₁⁽ⁱ⁾), x₂⁽ⁱ⁾)来表示第i个训练数据的特征向量，y⁽ⁱ⁾表示第i个训练数据的标注类别，那么感知器的损失函数L则定义为：

L(a₁, a₂, b) = Σmax(0, -y⁽ⁱ⁾(a₁x₁⁽ⁱ⁾ + a₂x₂⁽ⁱ⁾ + b))

有了损失函数衡量分类器对数据的误分类程度后，我们可以用优化的方法来调整分类器的参数，以减少分类器对数据的误分类。

优化（optimization）就是调整分类器的参数，使得损失函数最小的过程。

支持向量机

实际上，我们只要关注离分类直线最近的点的距离，使得它们距离分类直线越远越好。我们把两个类别中离分类直线最近的点到直线的距离和称为分类间隔（classification margin）。

---