人工智能必备基础总结

人工智能简单来说就是建立在以线性代数和概率论为框架的基础数学之上，通过简单的组合实现复杂的功能。

章节目录：

数学方面的基础知识

机器学习相关内容

人工神经网络

深度学习

神经网络应用

另类的人工智能

人工智能的应用

本文主要是用于普及人工智能的基础知识，内容注重广度，深度将在来日一一介绍。

（一）数学方面的基础知识

线性代数

今天的人工智能技术都是建立在数学模型之上的，而数学模型大部分是建立在线性代数理论支撑的基础之上的。

线性代数也可以理解为是用虚拟数字世界表示真实物理世界的工具。

线性代数对于人工智能来说是一个基础的工具集。

概率论

概率论也是研究人工智能的必备数学基础和主流工具，在数据极速增长和计算力增强的今天，概率论在机器学习中扮演了核心角色。

概率论表达的是一种可能性。

概率论的估计有两种方法，最大似然估计法和最大后验概率法，分别对应的是频率学派和贝叶斯学派。

在现行的机器学习中，大量任务是根据已有的数据预测可能出现的情况，所以贝叶斯定理得到了广泛的应用。

数理统计

基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释，只有合理的解读，数据的价值才能够体现。

机器学习中的很多算法也依赖于数理统计作为基础。

最优化方法

人工智能的目标就是最优化，在复杂环境与多交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，所以最优化理论同样是人工智能必备的基础知识。

信息论

信息论处理的是客观世界中的不确定性，它建立在概率的基础上。

形式逻辑

形式逻辑也是智能行为的描述方式，任何能够将某些物理模式或符号转化成其他模式或符号的系统都有可能产生智能的行为，也就是人工智能。

（二）机器学习相关内容

机器学习概述

从大量现象中提取反复出现的规律与模式，这一过程在人工智能中的实现就是人工智能。

如果算法利用某些经验使用自身在特定任务上的性能得到改善，就可以说该算法实现了机器学习。

线性回归

线性回归假设输出变量是若干输入变量的线性组合，并根据这一关系求解线性组合中最优系数。

在众多的回归分析方法里，线性回归模型最有益于拟合，其估计结果的统计特性也更容易确定，因而得到广泛应用。

朴素贝叶斯方法

朴素贝叶斯方法用于解决分类问题。

其基本思想在于分析待分析样本出现在每个输出类别中的后验概率，并以取得最大后验概率的类别作为分类的输出。

逻辑回归

此部分理解不深刻，大家自行研究。

决策树

决策树是解决分类问题的另一种方法。决策树算法采用树形结构，使用层层推理来实现最终的分类，决策数的优势在于构造过程无需使用任何先验条件，适用于探索式的知识发现。

支持向量机

支持向量机是一种二分类算法，通过在高维空间中构造超平面实现对样本的分类。

集成学习

集成学习使用多个个体学习器来获得比每个单独学习器更好的预测性能，包括序列化方法和并行化方法两类。

聚类分析

聚类分析是一种无监督学习方法，其目标是学习没有分类标记的训练样本，以揭示数据的内在性质和规律。

聚类分析要将数据划分为若干个互不相交的子集，每个子集中的元素在某种度量之下都与本子集内的元素具有更高的相似度。

降维学习

一个学习任务通常会涉及样本的多个属性，但并非每个属性在问题的解决中

都具有同等重要的地位，有些属性可能举足轻重，另一些可能无关紧要。根据凡事抓主要矛盾的原则，对举足轻重的属性要给予足够的重视，无关紧要的属性则可以忽略不记，这在机器学习中就体现为降维的操作。

（三）人工神经网络

神经网络概述

以工程技术手段模拟人脑神经系统的结构和功能，通过大量的非线性并行处理器模拟人脑中的众多神经元，用处理器复杂的连接关系模拟人脑中众多神经元之间的突触行为。

神经元与感知器

有点高深，目前没理解，但是很重要。

多层感知器

多层感知器包含一个或多个在输入节点和输出节点之间的隐藏层，除了输入节点外，每个节点都是使用非线性激活函数的神经元。

多层感知器是一类前馈人工神经网络。

径向基函数神经网络

这个不太懂。

自组织特征映射

将无监督学习引入神经网络中，对应的结构就是自组织特征映射。

模糊神经网络

模糊神经网络就是将常规的神经网络赋予模糊输入信号和模糊权值，其作用在于利用神经网络结构来实现模糊逻辑推理。

（四）深度学习

（无）神经网络应用

（六）另类的人工智能

（七）人工智能的应用

本次先介绍3章。另外几章明天介绍。