系列文章目录
一篇文章带你了解人工智能
文章目录
前言
计蒙在深圳2019年底接触过一个深度学习的产品研发，由此也有试着切入这个行业的想法，再次回学校生活后，恰巧安排的课程也有python的基础课。
2020年的时候也写过一篇偏概念的文章：
人脸识别简单介绍
随着计蒙定时对开发的关键词的收集过程中，发现人工智能的热度已经有显著提升。加上计蒙有很多粉丝也相对人工智能有所了解，所以出一篇人工智能文章，希望能够帮助到各位。
一、生活中常见的人工智能应用
简单拿手机中的举例：指纹识别，AI刷脸解锁
-
指纹识别
：以一种特殊特殊算法计算得到一串代码，可理解为是根据指纹，排列组合成一个相对于的条形码，通过逆向对比，就可以通过计算获得两个指纹是否出自同一个人。（指纹解锁，指纹支付）
-
AI刷脸解锁
：通过对录制的自拍视频进行检测，从而确定为真人。（活体检测能力可以有效避免照片，视频，3D面具等多种其他方式）。
二、人工智能概念的诞生
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。 （达特茅斯会议）
人工智能是研究，开发用于模拟，延伸，拓展人的智能的理论，方法，技术及应用系统的一门新科技科学。
三、人工智能的三个层面
计算智能，感知智能，认知智能
计算智能即机器具备超强的存储能力和超快的计算能力，可以基于海量数据进行深度学习，利用历史经验指导当前环境。随着计算力的不断发展，储存手段的不断升级，计算智能可以说已经实现。例如AlphaGo利用增强学习技术完胜世界围棋冠军；电商平台基于对用户购买习惯的深度学习，进行个性化商品推荐等。
感知智能是指使机器具备视觉、听觉、触觉等感知能力，可以将非结构化的数据结构化，并用人类的沟通方式与用户互动。随着各类技术发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触点等与感知相关的感知智能也在快速发展。无人驾驶汽车、著名的波士顿动力机器人等就运用了感知智能，它通过各种传感器，感知周围环境并进行处理，从而有效指导其运行。
相较于计算智能和感知智能，认知智能更为复杂，是指机器像人一样，有理解能力、归纳能力、推理能力，有运用知识的能力。目前认知智能技术还在研究探索阶段，如在公共安全领域，对犯罪者的微观行为和宏观行为的特征提取和模式分析，开发犯罪预测、资金穿透、城市犯罪演化模拟等人工智能模型和系统；在金融行业，用于识别可疑交易、预测宏观经济波动等。要将认知智能推入发展的快车道，还有很长一段路要走。
四、现阶段实现AI的基本方法及技术领域
感知智能是现阶段发展最迅速以及产品覆盖最广泛的AI应用。
从技术应用场景的技术展开：
包括计算机视觉，语音识别，自然语言处理等概念。
从实现AI的技术工具和方法论展开：
机器学习是实现AI的最大技术工具集，包括最常见的监督学习，无监督学习等，其中深度学习是机器学习最重要的分支，实现AI效果最佳，深度学习的核心是神经网络的算法技术。
五、常见的术语
-
人工智能
：机器能够做出决策并执行模拟人类智能和行为的任务。（也称智械，机器智能） -
算法
：给AI、神经网络或其他机器提供的一套规则或指令，以帮助它自己学习; 分类，聚类，推荐和回归是四种最流行的类型。（计算机可执行的有限步骤或次序） -
机器学习
：人工智能的一个方面，专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改。（设计和分析一些让计算机可以自动“学习”的算法，是一类从数据中自动分析获得规律并利用规律对未知数据进行预判的算法） -
深度学习
：机器通过由级联信息层组成的人工神经网络自主模仿人类思维模式的能力。(机器学习中一种基于对数据进行表征学习的算法)。 -
神经网络
：现代神经网络是一种非线性统计性数据建模工具。通常是通过一个基于数学统计学类型的学习方法得以优化。 -
启发式搜索技术
：支持通过消除不正确的选项来缩小搜索问题的最佳解决方案的范围。 -
监督学习
：一种机器学习，其中输出数据集训练机器生成所需的算法，如监督学生的教师; 比无监督学习更常见。 -
无监督学习
：一种机器学习算法，用于从没有标记响应的输入数据组成的数据集中得出推论。 最常见的无监督学习方法是聚类分析。
六、人工智能于各产业的渗透（举例）
-
智能支付
：人脸识别支付，指纹识别支付，虹膜识别支付，声纹识别支付等。 -
智能投研
：分析文本报告，智能风险预警，智能搜索推荐等。 -
智能零售
：智能推荐，以图识物，客流统计，智能质检等。 -
智能医疗
：医疗机器人，医疗影像分析等。 -
智能交通
：自动驾驶，交通信号灯智能匹配，疲劳驾驶检测，夜视辅助等。 -
智能教育
：语言识别，图像识别，自适应题库等。
七、学习人工智能
目前实现AI使用最多的语言为python，在这个基础上你需要了解AI算法，机器学习中的监督学习，非监督学习，深度学习等核心原理。重要的是思考自己感兴趣的应用场景或者领域，去了解一些应用层面的相关业务或者商业规则。（领域太广，建议
针对某一领域就业
）。
个人建议如下：
- 选择编程语言（python）
- 学习代数、微积分、概率统计学等基础知识（考研数学一的应该很熟了）
- 于网上找入门课程，并对感兴趣领域深入实战（大多免费）
总结
希望对您有所帮助，欢迎留言。如有问题可联系计蒙。