浅谈人工智能与机器学习

广东外语外贸大学附设外语学校 何卓键

1.人工智能的发展

近些年来，人工智能与机器学习话题持续升温。在互联网、物联网、大数据、云计算迅猛发展的时代背景下，人工智能是计算机技术、网络技术和通信技术互相结合后的产物，该技术不断取得突破，应用日益广泛。“人工智能”是1956年达特茅斯会议中提出的，在那之后它的内涵不断的丰富和发展。人工智能是一项使用机器来实现、代替人类实现认知、识别、分析、决策等功能的技术，其本质是模拟人类意识与思维信息过程[1]。人工智能综合了计算机科学、生理学、哲学等学科，是一门利用计算机模拟人类智能行为科学的统称。它的发展经历了三个阶段。第一阶段为20世纪50-60年代，人工智能的概念被提出，主要注重逻辑推理的机器翻译；第二阶段为20世纪70-80年代，提出了专家系统的概念，在人工神经网络算法的基础上，人工只能发展迅速，同时随着半导体技术和计算硬件能力的逐步提高，人工智能逐渐开始突破，分布式网络使得人工智能的计算成本降低;第三阶段自20世纪末以来，开始进入了重视数据、自主学习的认知智能时代。随着互联网的发展，深度学习的概念被提出，人工智能的应用场景逐渐增多，同时人工智能商业化高速发展，随着后移动时代的来临，全球互联网科技巨头积极布局人工智能战略，开始谋划云端人工智能服务生态系统[2]。

2.人工智能的应用

人工智能在日常生活中有很广泛的应用，在图像识别和语音识别尤为突出，多应用于智能手机、智能家电、智能汽车等。例如智能机中的人脸识别功能、输入法中的语音识别输入功能、汽车导航系统中的语音导航功能等，智能家居的物联网系统能够随时随地了解家电运行情况，实现家电运行模式的自动化调整的智能家电等。另外，在投资顾问领域中，人工智能技术的应用也较为普遍，针对市场的情况，结合顾客的财务水平和投资偏好，运用大数据技术进行统计和分析，提供给客户投资理财建议，比如百度金融等。以日常购物而言，支付宝、微信等支付平台，已经在整个市场普及，街边的小摊大多已都能进行微信或支付宝支付，十分方便。教育领域中，人工智能应用到高新技术与教育学习相结合的全新尝试中，在教育教学领域中人工智能技术的应用也愈发广泛，目的是帮助学生学习、提升学习效果、加深学习印象、提高运用知识的能力与水平、保证学习成绩[3]。例如作业帮、学霸君等在线试题解答APP，学生能够使用拍照片进行搜题，该APP有在线答疑、自动批改作业、提供解题思路等功能，充当同学们日常学习中的得力助手，随时随地解惑答疑也在一定程度上减轻了教师的工作压力和课业负担。未来人工智能技术在教育领域中的应用，其功能包括阅读并评判学生的作文进而给出分数、对学生错误率较高的问题进行答疑、智能机器人助教、进行模拟化学习、语音测评、判断学生发音不准之处等，还可以将大数据技术与人工智能技术相结合，通过大数据分析的方式来判断学生学习中的问题或者知识的掌握能力，给老师教学提供参考依据，为学生提供学习指导，从而帮助老师调整教学方法，帮助学生优化学习策略[4]。在安防领域，人工智能的运用能够依据大数据分析方法与图像处理技术，对人脸进行识别，按照不同层级与准入权限加以限制，或者运用人像快速识别技术，准确识别出嫌疑人员，确定其身份，进行找人、预警、追踪等，能够便于公安系统或安保系统的安全防卫工作[5]。电影《战狼2》中，对主角吴京进行追踪的无人机，运用的就是这种技术。图像处理技术的应用在安防领域中，还能够对汽车进行扫描，明确车辆参数及各种细节，判断汽车的运行轨迹与事故情况，来推断汽车的使用情况或是否存在事故隐患等。

3.机器学习理论

机器学习是人工智能里的一个重要的方向，随着机器学习中神经网络算法的深入研究，深度学习的网络算法也逐渐完善，机器学习与深度学习的应用也更加广泛[6]。机器学习指计算机通过分析和学习大量已有数据，从而拥有预测判断和作出最佳决策的能力，机器学习是人工智能的关键技术，而深度学习是相对于简单学习而言，是传统神经网络的拓展[7]。

机器学习大致可以分为以下步骤：数据采集、特征提取、特征组合评价、现状态与特征组合匹配。每一步骤都在整个学习过程充当重要的角色，对于机器学习来说，数据收集要达到一定的量，数据量太小就失去研究的意义，通常机器学习的数据收集需要交代数据的来源以及采集方式，不同的数据采集的困难程度不同。特征选取是从数据集中过滤掉不相关或冗余的特征[8]。特征选取与特征提取的关键区别在于：特征选取是从原特征集中选取一个子特征集，而特称提取则是在原特征集的基础上重新构造出一些(一个或多个)全新的特征特征提取时决定整个机器学习的关键一步，一般来说数据都会经过一定的处理再进行机器学习，原始数据的计算量过于庞大，因此必须经过特征提取，特征提取的结果从根本上决定着机器学习的结果，不同学者对于特征设计有着不同的定义，但是好的特征变量都需要考虑到以下特性，第一，要尽可能的相对独立，减少堆砌，以免影响到后面的计算量；第二，整个特征集合要尽可能形成一个完备的描述空间，即一个尽可能完备的描述空间下的特征，所能通过机器学习所提取信息的效率才能最大化[9]；第四，在进行特征设计时要考虑到执行效率。特征组合评价、现状态与特征组合匹配属于机器学习的核心部分，如果不能在特征上处理好计算量的问题，就需要设计更好的算法加快收敛速度[10]。

4.机器学习算法

机器学习有常见的算法应用包括决策树算法、人工神经网络、支持向量机、朴素贝叶斯等[11]。决策树算法可以应用于文章分类的工作，将文章关键的句子分为不同的类别，同时可以应用于人脸识别，就人类的面部特征进行分类，比如眼睛的大小，在特征数据获取后，在与数据库里的数据进行匹配识别；人工神经网络可以应用到互联网公司网站的广告过滤系统、反垃圾系统、不良信息等；支持向量机可以快速的处理大批量的数据，在生物学的分类问题上有很大的应用，也可以通过构造一系列超平面，将大规模的图片进行分类；朴素贝叶斯对于大量的数据分类效率也很稳定，可以应用于医院病人分类系统、新闻网站的分类等。机器学习的有关算法包括K-近邻算法、逻辑回归和GBDT[12]。K-邻近算法常用于手写数字识别领域，具有较高的准确率，在处理数据前先用矩阵将训练矩阵存储起来，再将其转化为向量，将测试数据导入到模型中，得到输出结果；逻辑回归常应用到银行的信用评估中，用户填写完相关信息得到的数据，将这些数据通过逻辑回归计算出顾客的信用等级。此外，逻辑回归也通常应用到医学方面，预测病人的发病概率；GBDT算法常常应用于估测广告的点击率等。

5.总结与展望

人工智能是人类惰性和智慧的结合，是一门新兴学科，它是控制论、信息论、计算机科学、数理逻辑、神经生理学等学科的交叉学科[13]。随着人工智能技术的发展，应用场景将不断丰富，并驱动其支撑技术的持续发展，人工智能的市场规模将逐步扩大。人类正在逐步迈向“智能时代”，人工智能作为互联时代前沿的新兴技术，将逐步渗透至各行各业。在大数据时代下，人们的很多工作都需要在计算机网络的支持下才能完成。因此，人们急需在计算机网络技术中应用人工智能，来解决那些计算机网络技术无法独立解决的问题另外，相关的技术人员应继续对人工智能进行更加深入的研究，并凭借先进的技术，对人工智能进行进一步的完善，让人工智能为人们的工作和生活提供更多的帮助[14]。

[1]闫德利.2016年人工智能产业发展综述[J].互联网天地,2017(02)：22-27.

[2]李文轩.基于深度学习的路牌文字识别[D].华南理工大学,2016.

[3]李思琴.基于深度学习的搜索广告点击率预测方法研究[D].哈尔滨工业大学,2015.

[4]胡来丰,舒兰.基于粗集理论的决策树在信用卡发放中的应用[J].计算机技术与发展,2015,25(03)：142-145.

[5]李桂君.基于SMP机群的并行编程模型的研究应用与优化[D].曲阜师范大学,2014.

[6]鲁向拥,陈悦,张瞳,葛贝.Deep Learning算法分析和模型改进[J].计算机光盘软件与应用,2014,17(06)：137-138.

[7]李睿凡,王小捷,钟义信.引入深度学习的人工智能类课程[J].计算机教育,2013(19)：58-61.

[8]程石.人工智能发展中的哲学问题思考[D].西南大学,2013.

[9]郑福奎.机械电子工程与人工智能的关系探究[J].科技创业家,2012(22)：108.

[10]陈文韬.网络环境下远程学习者学习力提升策略研究[D].西北师范大学,2012.

[11]王宏威,李国和,李雪,吴卫江,李洪奇.连续型特征的特征选取方法[A].中国自动化学会智能自动化专业委员会.2011年中国智能自动化学术会议论文集(第一分册)[C].中国自动化学会智能自动化专业委员会,2011：5.

[12]杜海琼.基于Prolog语言的高中人工智能课程教学探索[D].浙江师范大学,2009.

[13]习玲丽,王永初.智能控制的发展前景[J].仪器仪表用户,2006(04)：8-9.

[14]陈卫国.基于微粒群算法的智能控制系统研究与应用[D].湖南大学,2006.