养花知识
花卉大全
花卉诊疗
多肉植物
养花攻略
养花问答
网站首页试述解释学习的基本原理,学习形式和功能(人工智能)
人工智能的原理是什么
人工智能的原理，简单的形容就是：
人工智能=数学计算。
机器的智能程度，取决于“算法”。最初，人们发现用电路的开和关，可以表示1和0。那么很多个电路组织在一起，不同的排列变化，就可以表示很多的事情，比如颜色、形状、字母。再加上逻辑元件（三极管），就形成了“输入（按开关按钮）——计算（电流通过线路）——输出（灯亮了）”
这种模式。
想象家里的双控开关。
为了实现更复杂的计算，最终变成了，“大规模集成电路”——芯片。
电路逻辑层层嵌套，层层封装之后，我们改变电流状态的方法，就变成了“编写程序语言”。程序员就是干这个的。
程序员让电脑怎么执行，它就怎么执行，整个流程都是被程序固定死的。
所以，要让电脑执行某项任务，程序员必须首先完全弄清楚任务的流程。
就拿联控电梯举例：
别小看这电梯，也挺“智能”呢。考虑一下它需要做哪些判断：上下方向、是否满员、高峰时段、停止时间是否足够、单双楼层等等，需要提前想好所有的可能性，否则就要出bug。
某种程度上说，是程序员控制了这个世界。可总是这样事必躬亲，程序员太累了，你看他们加班都熬红了眼睛。
于是就想：能不能让电脑自己学习，遇到问题自己解决呢？而我们只需要告诉它一套学习方法。
大家还记得1997年的时候，IBM用专门设计的计算机，下赢了国际象棋冠军。其实，它的办法很笨——暴力计算，术语叫“穷举”（实际上，为了节省算力，IBM人工替它修剪去了很多不必要的计算，比如那些明显的蠢棋，并针对卡斯帕罗夫的风格做了优化）。计算机把每一步棋的每一种下法全部算清楚，然后对比人类的比赛棋谱，找出最优解。
一句话：大力出奇迹！
但是到了围棋这里，没法再这样穷举了。力量再大，终有极限。围棋的可能性走法，远超宇宙中全部原子之和（已知），即使用目前最牛逼的超算，也要算几万年。在量子计算机成熟之前，电子计算机几无可能。
所以，程序员给阿尔法狗多加了一层算法：
A、先计算：哪里需要计算，哪里需要忽略。
B、然后，有针对性地计算。
——本质上，还是计算。哪有什么“感知”！
在A步，它该如何判断“哪里需要计算”呢？
这就是“人工智能”的核心问题了：“学习”的过程。
仔细想一下，人类是怎样学习的？
人类的所有认知，都来源于对观察到的现象进行总结，并根据总结的规律，预测未来。
当你见过一只四条腿、短毛、个子中等、嘴巴长、汪汪叫的动物，名之为狗，你就会把以后见到的所有类似物体，归为狗类。
不过，机器的学习方式，和人类有着质的不同：
人通过观察少数特征，就能推及多数未知。举一隅而反三隅。
机器必须观察好多好多条狗，才能知道跑来的这条，是不是狗。
这么笨的机器，能指望它来统治人类吗。
它就是仗着算力蛮干而已！力气活。
具体来讲，它“学习”的算法，术语叫“神经网络”（比较唬人）。
（特征提取器，总结对象的特征，然后把特征放进一个池子里整合，全连接神经网络输出最终结论）
它需要两个前提条件：
1、吃进大量的数据来试错，逐渐调整自己的准确度；
2、神经网络层数越多，计算越准确（有极限），需要的算力也越大。
所以，神经网络这种方法，虽然多年前就有了（那时还叫做“感知机”）。但是受限于数据量和计算力，没有发展起来。
神经网络听起来比感知机不知道高端到哪里去了！这再次告诉我们起一个好听的名字对于研（zhuang）究（bi）有多重要！
现在，这两个条件都已具备——大数据和云计算。谁拥有数据，谁才有可能做AI。
目前AI常见的应用领域：
图像识别（安防识别、指纹、美颜、图片搜索、医疗图像诊断），用的是“卷积神经网络（CNN）”，主要提取空间维度的特征，来识别图像。
自然语言处理（人机对话、翻译），用的是”循环神经网络（RNN）“，主要提取时间维度的特征。因为说话是有前后顺序的，单词出现的时间决定了语义。
神经网络算法的设计水平，决定了它对现实的刻画能力。顶级大牛吴恩达就曾经设计过高达100多层的卷积层（层数过多容易出现过拟合问题）。
当我们深入理解了计算的涵义：有明确的数学规律。那么，
这个世界是是有量子（随机）特征的，就决定了计算机的理论局限性。——事实上，计算机连真正的随机数都产生不了。
——机器仍然是笨笨的。
更多神佑深度的人工智能知识，想要了解，可以私信询问。
简介：
人工智能（Artificial Intelligence），英文缩写为AI，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。 人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。
科学介绍：
1、实际应用
机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
2、学科范畴
人工智能是一门边沿学科，属于自然科学和社会科学的交叉。
3、涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论。
4、研究范畴
自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法。
5、意识和人工智能
人工智能就其本质而言，是对人的思维的信息过程的模拟。
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，可以产出一种新的可以和人类智能相似的方式做出反应的智能机器，该领域的研究主要有机器人、语言识别、图像识别、自然语言处理和专家系统等。
自从人工智能诞生以来，理论和技术越来越成熟，应用领域在不断的扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以把人的意识、思维的信息过程的模拟。虽然人工智能不是人的智能，但可以像人那样思考、最终可能超过人的智能。
优点：
1、在生产方面，效率更高且成本低廉的机器及人工智能实体代替了人的各种能力，人类的劳动力将大大被解放。
2、人类环境问题将会得到一定的改善，较少的资源可以满足更大的需求。
3、人工智能可以提高人类认识世界、适应世界的能力。
缺点：
1、人工智能代替了人类做各种各样的事情，人类失业率会明显的增高，人类就会处于无依靠可生存的状态。
2、人工智能如果不能合理利用，可能被坏人利用在犯罪上，那么人类将会陷入恐慌。
3、如果我们无法很好控制和利用人工智能，我们反而会被人工智能所控制与利用，那么人类将走向灭亡，世界也将变得慌乱。
来自加州大学伯克利分校的 Artificial Intelligence course（人工智能课程）是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏 ）来解释基本知识。我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。
学习原理有哪些
（一）行为主义学习理论
行为主义是20世纪20年代由美国心理学家华生创始的一个心理学派。其基本观点是：教育就是按照一定目标塑造人的行为；学习是经过强化建立刺激与反应之间的联结。其公式为：S→R（刺激→反应）。在刺激→反应之间不靠中介，直接联结。
研究行为主义最有影响的是20世纪40～50年代美国新行为主义心理学家斯金纳。其主要观点有：
（1）教育是“塑造人的行为”。
（2）操作性条件反射论。通过实验，他发现了一种不与已知刺激直接联系、由可操作性动作即可引发的自发性反射（而不是那种由已知刺激直接引发的应答性条件反射），从而为人类学习找到了一种可操作、可控制的机制。
（3）反应概率强化论。学习是由刺激引起的反应概率（准确－牢固－速度）上的一种变化，强化是增强这个反应概率的一种手段。
（4）程序教学法。他应用操作性条件反射理论，创造了“教学机器”，倡导“小步呈现、积极反应、及时反馈、自定步调、提高效果”的程序教学，导致了60年代的程序教学运动。
第一代教学设计（ID1）的最初尝试就是依据行为主学习理论在程序教学中开始的。起初是对教学机器、个别媒体的设计，后来逐步拓展到对多种媒体乃至整个教学过程和教育项目的设计，70年代后，又被广泛用来指导计算机辅助教学（CAI）的教学设计。可以说，60～70年代，行为主义学习理论在教学设计中占据着统治地位。
行为主义学习理论对ID1的理论指导，主要是通过强调外在客观刺激的原理来实现的。它把教师的“教”当作客观刺激物，置于S→R中“S”的地位，学习者被放在接受刺激和被动反应的“R”的地位。ID1则以此为依据，把教师的“教”置于教学设计的中心地位，学习者则处于被教、被控制的地位。
由于行为主义学习理论与传统教学方式的需要相适应，并在听、说、读、写、画、算、演、做等动作技能教学中应用效果明显，使得行为主义学习理论指导下的ID1，在今天，在传统教学方式流行的地方和一些动作技能的教学中，仍然富有生命力。但是，由于行为主义学习理论固有的机械性、被动性和低效性，给复杂事物的学习带来较大困难；特别是它对学习者及其学习积极性、主动性的忽视，直接与科学、技术和教育的发展相背，因此，认知主义学习理论及其指导下的第二代教学设计（ID2）很快得到发展。
（二）认知主义学习理论与ID2
认知主义学习理论认为，学习并非S→R直接地、机械地联结，而是以学习者的主观能动作用为中介来实现的。在坚持这一基本观点的基础上，认知主义学习理论又分为格式塔、联结－认知主义、建构主义等不同学派。其中，产生于70年代、以美国心理学家加涅为代表的联结－认知主义学派，由于兼取行为主义“联结”学习理论和认知主义学习理论二者之长，得到更多教师和学习者的认同，成为70～90年代认知主义学习理论的代表性学派。其主要观点有：
1、学习是改变行为。学习是否发生可以通过行为表现的改变来推断，学习目标可以用精确的行为术语来描述。这就为ID2中通过练习、提问、观察、测验等形式来检查学习效果，获取反馈信息的设计提供了理论依据，也为学习目标的描述提供了方法。
2、学习离不开内、外部条件。人的学习固然与外界刺激分不开，但人是有认知机能的，在学习时，他总是利用这一机能，为实现一定的目标、主动地去寻求外部刺激，进入内部认知过程。因此，学习既要重视外部事物的刺激作用，又要重视学习者内部机制的中介作用。学习公式不是S→R而是S－O－R（“O”代表有机体的内部状态）。这一观点为ID2所坚持的“通过科学安排教学的外部条件来促进学习者内部认知过程发生”的设计原则，提供了理论依据。
3、认知因素是有结构的。人的各种认知因素，如知识、策略、感知、记忆、反应等，相互之间不是孤立的，而是一个相互作用、有机联系在一起的完整结构，即认知结构。学习就是在原有认知结构的基础上，经内部认知活动而扩大原有认知结构或形成新的认知结构的过程。这种不断形成、日益发展的认知结构，对学习者的行为和当前正在进行的认知活动具有决定作用。这一观点深化了ID2中对学习者特征的分析——从对所具有知识数量和水平的分析，深入到对认知结构和认知能力的分析，使教学内容、教学起点和教学策略的确定，建立在了更科学的理论基础之上。
4、人脑犹如电脑，学习，即认知过程，是人脑对信息处理、加工的过程。加涅认为，认知过程是人脑按照一定目的、策略，从外界环境中输入、加工、存储、提取、使用、创造信息的内部过程。这一过程及其结构，是不能直接被人观察的，但可以通过计算机模拟研究认知表征（信息在人的头脑中的呈现方式）的方法，去了解学习者进行学习时的认知心理过程。ID2中对学习层次、认知过程、教学策略等的分析，主要依据就是加涅的这一信息加工理论观点。
联结－认知主义学习理论及其所支撑的ID2，与行为主义学习理论及其所支撑的ID1相比，在对学习者主观能动性的确认、学习者特征的分析、教学策略的设计等方面，有了根本性的区别和发展。但是，由于认知心理研究的复杂性和隐秘性，使学习者内部因素的发挥产生了许多困难，至今尚无根本性突破，公式S－O－R中 “O”的地位和作用实际上仍然从属于“S”， ID2从总的来看，仍然是客观主义的（学习的发生主要靠外部客观事物的刺激），“教”依然处于中心地位。而以“教”为中心的教学设计，已不能完全适应社会教育、教学改革和现代教育技术发展的需要。于是，建构主义学习理论及其指导下的第三代教学设计（ID3）便应运而生。
（三）建构主义学习理论与ID3
建构主义是由结构主义发展来的一种哲学方法论，主要研究事物是否有结构，结构是从哪里来的，结构怎样建构等问题。20世纪90年代以后，结构主义被应用于教育领域，导致了一场教育心理学的革命，使认知主义学派中的建构主义学习理论得到迅速发展。（8）这一理论认为，“学习是建构内在的心理表征的过程，学习并不是把知识从外界搬到记忆中，而是以已有的经验为基础，通过与外界相互作用来建构新的理解”。当前，建构主义学习观更强调具体情景对意义建构的作用。其主要观点有：
1、学习是以学习者为中心、主动进行意义建构的过程。学习不是外界客观事物对学习者的强化刺激，不是教师对学习者传授和灌输知识，而是学习者在与外界环境相互作用中进行意义建构的过程。在学习过程中，学习者是一个处于中心地位的主动者，主动与所处情景（社会文化背景）发生交互作用，主动取得教师与协作伙伴的指导和帮助，主动选取学习资源、学习方法，主动根据自己先前的认知结构，注意和有选择地知觉外在信息，建构当前事物的意义。这一观点对ID3的指导意义主要表现在：
（1）确立了ID3以“学”为中心的性质，使教学设计始终围绕学习者进行，学习者具有积极性，拥有主动权；
（2）赋予教师的“教”以新的内含——帮助、指导、和促进学习者进行意义建构；
（3）使意义建构成为学习的最终目标。
2、学习者进行意义建构的过程是双向的。在当前事物的结构与学习者原有认知结构一致时，原有认知结构中的有关经验与当前事物就会发生同化过程，建构当前事物的意义，使原有认知结构得以扩充；在二者不一致、不能同化时，则会发生顺应过程，重新建构（改造或重组）原有认知结构。ID3中强调的以学习者的认知结构为依据去设计知识结构的设计原则，就是以这一观点为依据的。同时，这一观点还指明，学习者的认知结构是在认知活动中建构的，因此，ID3必须重视学习者认知建构过程的设计。
3、学习者对事物意义的建构是多元化的。人总是按照自己的理解建构事物的意义，而事物具有复杂性、多样性和时空运动性，学习者对事物的感知方式、个人情感和认知结构又具有特殊性，因此，即使对同一事物，每个学习者对其意义的建构都可能是不同的。这一观点要求ID3注意设计各种合作学习的方法，以便使学习者能更多地接触不同观点，相互交流，取长补短，共同提高。这对个别化学习和远距离学习中的教学设计尤为重要。
4、学习应处于真实情境中。学习的目的在于能够真正运用所学的知识去解决现实世界中的实际问题。学习者所处情境越真实，需要解决的问题越现实，学习者的学习积极性越高，主动性越强，自由性越大，学习过程就越生动、有效。这一观点是ID3中强调“学习活动的设计应与学习任务挂钩”、“应设计与真实物理环境相似、复杂程度相近的有援学习环境”等设计要求的理论依据。
建构主义学习理论与行为主义和联结－认知主义学习理论相比，是一个性质上的重大变化和发展。它超越了客观主义认识论，把学习者的认知作用提升到了关键地位，树立了结构主义认识论的建构观，把以“教”为中心的ID1、ID2推进到了以“学”为中心的ID3。建构主义学习理论及其指导下的ID3，由于适应当前社会教育、教学改革发展的方向，并得到现代教育技术发展的支持和保障，所以，在国内外产生了很大影响。但是，应当看到，它们在一些方面还不成熟。例如，建构主义学习理论把学习者的意义建构作为整个学习过程的最终目的；ID3则用“意义建构”取代“教学目标”，等等。这些观点都是有失偏颇、有待研究的。
行为主义，认知主义，建构主义——三大基础学习理论
教学设计中涉及到三大学习理论，行为主义学习理论、认知主义学习理论和建构主义学习理论。相应的教学设计也经历了行为主义教学设计、认知主义教学设计和建构主义教学设计阶段。
1．行为主义：基于可观察的行为上的变化，行为主义关注对某一行为的重复，直至它变为自动、无意识的。
2．认知主义：基于行为背后的思维过程，我们观察到的行为可用来分析了学习者内心的变化。
3．建构主义：基于这样一个假设：每个人根据自己的经验和计划来建构自己对世界的看法，建构主义关注的是学习者在一定的情景中解决问题。
① 行为主义理论基础
行为主义作为一种学习理论可以追溯到亚里士多德时代，亚里士多德在一篇名为记忆的文章中提联结（association），其他的哲学家追随了他的思想。行为主义学习理论关注的是可被观察和测量的明显的行为。它把思维看作是黑箱，大脑对于刺激的反映是可被定量的观察的，行为主义完全忽视了对人脑思维过程的研究，在行为主义发展过程中关键人物有：巴浦落夫Pavlov、华生Watson、桑代克horndike和斯金那Skinner。
巴浦落夫：原苏联著名的生物学家，以经典的条件反射理论著名，著名的实验是以食物、狗、铃声展开的。
桑代克：他尝试用精密科学解决教育问题，存在的事物存在于可被测量的一定量中。他的理论（联接主义理论）声明：学习是由刺激和反应的连接构成。
华生：华生的实验是一个小孩子和一只白色的猫，当小孩摸猫的时候就制造一突然的噪音，于是孩子就害怕猫了（之前他是不害怕的）。华生的实验表明在对于一定刺激的情感反应中条件的角色，可解释人们恐惧、偏见的形成。
斯金纳：他的理论着眼于看得见的行为的变化，忽视了人头脑中的变化过程。他的书《科学与人类行为》操作性条件反射理论作用于法律，宗教，教育，经济的原则。斯金纳的工作不同于研究经典条件反射理论的前辈，他研究的是操作性条件反射理论。
②认知主义理论基础：
早在20世纪，20年代人们就发现行为主义的局限性。托尔曼在老鼠走迷宫的实验中发现老鼠在http://www.rixia.cc实验中表现出在利用认知地图走迷宫。当把迷宫的一部分关闭，老鼠并没有显得惊慌失措，好象它知道关闭的那部分本来就是走不通的，在视觉上，老鼠不可能看到那条路是行不通的，但它仍然选择走一条较长的路线，它知道那会是出路。
行为主义理论不能解释某些社会行为，儿童并不是模仿每个被强化的行为，例如他们会模仿一些他们初次观察到的行为，尽管这些行为并没有被强化。当Bandura and Walters观察到的这些现象，他们屏弃了传统的操作性条件反射理论（认为儿童在学习之前先要进行反应-强化），他们在《社会学习与个人发展》书中阐述到个体可以模仿观察到的别人的行为，这种观点后来经班度拉 Banduras的努力发展为社会认知理论。
认知主义承认强化的重要性，但它更倾向于人们在信息加工过程中认知结构的获得和重组。
认知心理学可追溯到古希腊，柏拉图、亚里士多德。1950美国掀起了一场认知革命，其中皮亚杰（Jean Piaget）有教大影响的。
 建构主义基础：
建构主义学习理论，是认知学习理论的一个重要分支，它分为现实的建构主义与激进的建构主义。与强调刺激--反应，并把学习者看作是对外部刺激作出被动反应，即作为知识灌输对象的行为主义学习理论不同，建构主义学习理论强调认知主体的内部心理过程，并把学习者看作是信息加工的主体。
建构主义学习理论基本内容包含“学习的含义”及“学习的方法”两方面.学习是获取知识的过程.对于“学习的含义”，建构主义认为知识不是通过教师传授得到，而是学习者在一定情境即社会文化背景下，借助其他人(教师和同学)的帮助，利用必要的学习资料(文字、图象、实物、CAI、网络等)，通过意义建构方式主动建构事物的性质、规律以及事物间的内在联系.
三．三大学习理论在教学设计中的历史。
1．行为主义和教学设计
行为主义对教学设计的影响具体表现在教学机器的产生、程序教学思想、个别化方法教学、在现代社会中CAI的教学设计也从相当程度上秉承了行为主义的思想。
2．认知主义与教学设计
先行组织者、记忆帮助术以及教学内容的组织由浅入深的策略都是来自与认知主义理论的影响。在认知主义影响下的教学设计要遵循以下原则：以利用和形成学生良好的认知结构作为价值取向和目标指向原则、重视环境的设计原则、教学内容的设计要以条理化、结构化和整合化为原则、设计中要处处体现学生主体和自主的原则。
3.建构主义与教学设计
建构主义认为，世界是客观存在的，但是对于世界的理解和赋予的意义都是每个人自己决定的。我们是以自己的经验为基础来构建现实，或者至少说是在解释现实。我们的个人世界总是用我们自己的头脑创建的。由于我们的经验以及对经验的信念不同，于是我们对外界世界的理解也是各不相同的，所以建构主义更关心如何以原有的经验、心理结构和信念为基础来构建知识。
建构主义认为，学习是建构内在心理表征的过程。学习者并不是把知识从外界搬到记忆中，而是以已有的经验为基础通过与外界的相互作用来获取、建构新知识的过程。
建构主义与现代教学设计系统是不相一致的，具体表现在：在建构主义理论中，学习者自己建构知识，那么教学设计者怎样决定学习成果呢？建构主义所倡导的学习工具和结果不易测量而且不同学习者所需要的工具和学习的结果也不相同。这种不一致引发教学设计专家之间的一场争论，其核心问题是，建构主义和教学设计能否共处？
一种观点认为，建构主义根本不能与教学设计的理论相容，他们认为，教学设计是基于客观主义的，要追求一种可显的、可控的学习效果，而建构主义非客观主义的立场是与这一点根本相违背的，它强调学习效果是自我建构的，是不可预测的，所以是不能引入教学设计理论的。另外一种观点认为：建构主义对一些复杂学习领域、高级学习目标的教学设计是比较适合的，他可以以一种“新的心理集”的方式引进教学设计领域，可弥补传统教学设计过分分离与简化教学内容的局限（Reigeluth,Wilson,Jonasson）。
按照建构主义学习理论，学习环境包含情境、协作、会话和意义建构等四大要素，有意义的知识建构可发生在如下学习环境中：
1． 用多种方法表现现实世界，避免用过度单纯地表现复杂的现实世界。
2． 提供可信的工作——融入情景中的。
3． 提供现实世界基于案例的学习环境，而不是事先就决定了教学顺序。
4． 培养沉思练习。
5． 促进（enable）基于情景和基于内容的知识建构.
6. 支持通过协商地协作地建构知识。
四、学习理论与教学设计的实践
教学设计可以被概括为三种活动：教学分析活动、教学决策活动和教学设计的结果评价活动。其中分析是决策和评价的基础和前提。而分析活动通常是以原子论为指导思想的，即要鉴别和分解出事物的构成成分及它们之间的关系。教学设计的作用是用于指导实践，是应用理论，而不仅只是纯粹的理论。试图将教学设计与某个理论联结起来就象是将学校与现实世界联结起来一样。我们在学校环境中所学习到的知识并不是总能适应我们在社会的需要，就像理论不是总能应用于实践。从实用的观点来看，教学设计者的工作是要发现哪些因素是起作用的，我们怎样去利用他们。
行为主义理论、认知主义理论和建构主义理论——我们怎样将他们与教学设计联系起来。首先，我们不应该屏弃系统方法，但我们必须调整它以适应设计需要。我们必须同意根据学习环境来确定哪种学习方法是最适合的。并不存在绝对优或绝对劣的学习方法，一些学习问题是需要讲解，而另一些问题适合由学生来控制学习环境。
行为主义的方法在学生掌握专业知识即进行“知道是什么” (knowing what)的教学内容时是很有效的。认知主义策略在需要定义事实和规则的问题解决策略中很有用。(knowing how)。建构主义策略特别适合用在不清楚的问题通过在活动中反省。
人工智能，机器学习和深度学习之间的区别和联系
有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活nmKyN中的一部分。这些评价可以说都是正确的，就看你指的是哪一种人工智能。
今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。
今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。
如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。
五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。
从概念的提出到走向繁荣
1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。
过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。
让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。
| 人工智能（Artificial Intelligence）——为机器赋予人的智能
早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。
人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。
这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，nmKyN机器学习。
| 机器学习—— 一种实现人工智能的方法
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。
随着时间的推进，学习算法的发展改变了一切。
| 深度学习——一种实现机器学习的技术
人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。
即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。
不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。
我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。
吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
| 深度学习，给人工智能以璀璨的未来
深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
人工智能就在现在，就在明天。有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了，你有你的终结者就好了。
机器学习就是进行归纳、综合的学习。
而深度学习就一层层地分析来学习，就像是小孩、亲年、中年、老年对一篇童话的不同理解一样，最初的分析会是很肤浅的，需要的时间也就短，然后再分析之前分析出来的结果，时间更长，理解跟深。
机器学习是人工智能的基本学习方法，而深度学习则是机器学习的一种。
人工智能的学习思路是什么？
有参加交大人工智能中心、北风等培训过的吗，可以简单分享一下吗？要学习人工智能，就要先了解清楚人工智能是什么。人工智能就是制造智能的机器http://www.rixia.cc，更特指制作人工智能的程序。人工智能模仿人类的思考方式使计算机能智能的思考问题，人工智能通过研究人类大脑的思考、学习和工作方式，然后将研究结果作为开发智能软件和系统的基础。
第一步：选好研究领域
人工智能包含很多细分领域，包括可视化、图像识别、智能机器人等。想要学习人工智能，要在学习前选好自己感兴趣的方向，有方向的进行学习。寻找一些免费的书籍，对行业有所了解后才能清楚自己要走的路。贪多嚼不烂，不提倡每个领域都去尝试。要选定一个方向去深入研究。选好方向后，就要一步一步深入学习了。
第二步：打牢数学基础
数学是打开科学大门的钥匙，数学知识是基础里的基础了。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。
数学基础包括高等数学、概率论和线性代数等。高等数学里主要包括常数e、导数、信息熵与组合数、梯度下降、牛顿法等；概率论主要有概率论基础、古典模型、常见概率分布、大数定理和中心极限定理、协方差(矩阵)和相关系数、最大似然估计和最大后验估计等；线性代数及矩阵包括线性空间及线性变换、状态转移矩阵、特征向量、阵的相关乘法、矩阵的QR分解、对称矩阵、正交矩阵、正定矩阵、矩阵的SVD分解、矩阵映射/投影等。这些内容几乎在大一大二的课程里都会学到过。还有就是凸优化，掌握一些凸优化基本概念、凸集、凸函数、凸优化问题标准形式等基础就可以了。
第三步：掌握计算机语言
每种语言都有它的优缺点，可以在了解后结合自己选定的细分领域进行选择。
C++的所有设置都优于Java或Python，并帮助开发人员最大化硬件的功能。Python非常高效，效率比java、r、matlab高，在学习入手方面较为简单等。至于是C++、Python、Octave / MATLAB、R、Java、R还是其他一些语言，如何选择取决于你想要做的内容。
第四步：使用开源框架
选择一个GPU，找一个开源框架，自己多动手训练深度神经网络，多写代码，做一些与人工智能相关的项目。通过实践巩固自己的理论知识，通过动手提升自己的实操能力。
第五步：拓展自己视野
了解行业最新动态和研究成果，比如经典论文，网络上该领域达人分享的知识等，通过与该领域更专业人士的沟通学习，提升自己的眼界与技能。善于使用GitHub等平台，搜索热门项目，通过练习提升自己的技能，提高自己的实操能力。
第六步：深入研究，成为该领域的牛人
当你掌握了基础知识与理论，也具备了实操能力，并且眼界与思维能力处在同行业的前端了，积累了丰厚的项目经验，那么恭喜你，你已经成为该专业领域的牛人了。但学习不能停止，每个行业都处在不停的更新变化中，需要具备敏锐的洞察力，及时跟上行业前言。
需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累。
需要掌握至少一门编程语言：毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。
另外人工智能对学历要求很高，研究生只是入门，而且对算法也有很高的要求，总的来讲，入门人工智能门槛很高。
人工智能需要什么基础？
人工智能是一个包含很多学科的交叉学科，你需要了解计算机的知识、信息论、控制论、图论、心理学、生物学、热力学，你要有一定的哲学基础，有科学方法论作保障。这些学科的每一门都是博大精深的，但同时很多事物都是相通的，你学了很多知识有了一定的基础的时候再看相关知识就会触类旁通，很容易。在这中间关键是要有自己的思考，不能人云亦云，毕竟人工智能是一个正在发展并具有无穷挑战和乐趣的学科，如果你对人工智能感兴趣，那欢迎到百度的人工智能吧做客，那里有对人工智能丰富而深刻的讨论。
需要必备的知识有: 1、线性代数：如何将研究对象形式化？ 2、概率论：如何描述统计规律？ 3、数理统计：如何以小见大？ 4、最优化理论： 如何找到最优解？ 5、信息论：如何定量度量不确定性？ 6、形式逻辑：如何实现抽象推理？ 7、线性代数：如何将研究对象形式化？人工智能简介: 1、人工智能（Artificial Intelligence），英文缩写为AI。 2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能涉及的学科: 哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
1.人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
2. 人工智能是包括十分广泛的科学，它由不同的领域组成。入门最基本的的知识是:机器学习、机械原理、计算机原理、计算机视觉等等。总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
首先，人工智能是通过机器学习来实现的。非人工智能状态下，我们对计算机输入一组数据，它会根据固定的算法进行计算输出一个结果，而机器学习的算法则不同，它会输出给你一个算法模型，让计算机拥有了自动判断的能力，这就是人工智能。
举个不太恰当的比喻，如果把普通计算看成是手工业，那么人工智能就是计算机界的自动化产业，而机器学习就是计算机界的工业革命。
而“深度学习”就是机器学习的一个子集，是超越之前“神经网络研究”的一种机器学习方式，最大的特点是由机器自己来设计输入样本的特征，全过程完全自动化，而这种方式得益于海量数据的产生，来保证其自动设计的准确性。
人工智能典型的技术应用
1. 智能语音语义：包括语音识别，自然语言处理，语音合成，机http://www.rixia.cc器翻译等技术，涉及到的学科包括计算机，认知科学，语音学，信息论等。
2. 知识图谱：即描述各个事物之间的关系，通过大量的结构化和非结构化的数据，将各类事物和实体联系在一起。比如智能搜索，智能推荐，智能问答等方面的应用。
3. 计算机视觉：通过摄像头感知和理解影像，例如我们现在使用的人脸识别，图像识别，文字识别，还有体感运动，包括机器人和无人车的定位导航功能等。
4. 无人驾驶和机器人：让汽车或者机器人具备自动执行命令的功能，二者拥有同样的基本原理，感知-认知-决策-控制-执行。例如让汽车从A走到B，要先通过雷达或者传感器感知到自己的位置和周围环境，然后要认知到自身所处的情况和目标，根据这些信息决策出一条路线，控制自己的硬件进行导航，然后执行行驶任务。而这里的智能决策又涉及到博弈论和运筹学的知识。
因此，广义上讲人工智能的基础，实际上覆盖了几乎所有的现代科学和技术，任何相关领域的学科和人才都可以从不同的角度切入行业，但是它的基础学科环境是“大数据”和“深度学习”，那么人工智能技术包括哪些方面呢?我们下次接着聊，综上所述，就是小编今天给大家整理发布的关于人工智能需要哪些基础的相关内容，希望可以帮助到大家。
（1）算力：在AI技术当中，算力是算法和数据的基础设施，支撑着算法和数据，进而影响着AI的发展，算力的大小代表着对数据处理能力的强弱。（2）算法：算法是AI的背后“推手”。AI算法是数据驱动型算法，是AI的推动力量。（3）数据：在AI技术当中，数据相当于AI算法的“饲料”。机器学习中的监督学习和半监督学习都要用标注好的数据进行训练，由此催生了大量数据标注公司，它们将处于未经处理的初级数据，转换为机器可识别信息。只有经过大量的训练，覆盖尽可能多的各种场景才能得到一个良好的模型。
2、技术基础：（1）文艺复兴后的人工神经网络。人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。（2）靠巨量数据运作的机器学习。科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。（3）人工智慧的重要应用：自然语言处理。自然语言处理的研究，是要让机器“理解”人类的语言，是人工智慧领域里的其中一项重要分支。
需要必备的知识有: 1、线性代数：如何将研究对象形式化？ 2、概率论：如何描述统计规律？ 3、数理统计：如何以小见大？ 4、最优化理论： 如何找到最优解？ 5、信息论：如何定量度量不确定性？ 6、形式逻辑：如何实现抽象推理？ 7、线性代数：如何将研究对象形式化？人工智能简介: 1、人工智能（Artificial Intelligence），英文缩写为AI。 2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能涉及的学科: 哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
重要性按照顺序给你排好：
1. 线性代数（数学基础，理解算法必要的东西）
2. 矩阵论（无论是网络结构还是编程实现，都需要矩阵论来支撑计算）
3. 概率论与数理统计（人工智能中到处都是概率分布，概率论的一些重要概念，比如先验概率后验概率，都很重要）
4. 数据结构（不仅包含栈队列，图论和树也很重要）
5. 一门编程语言，可以是python，c++等
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，时下热炒的大数据和阿尔法GO大战李世石，其背后都有人工智能的影子。
学习人工智能，主要掌握：概率论、数理统计、矩阵论、图论、随机过程、最优化、神经网络、贝叶斯理论、支持向量机、粗糙集、经典逻辑、非经典逻辑、认知心理学，同时也要学习高等数学微积分、线性代数，另外编程工具，例如：matlab，spss，C++或Java也必不可少。
文章标签:
下一篇：四季养生是什么意思
