认知计算概论
? ? ? 前段時間的“人機大戰”——谷歌的Alpha Go戰勝人類棋手的新聞甚囂塵上，不禁有人會想起1997年IBM自主研發的深藍戰勝卡斯帕羅夫的事件。“人工智能”這個詞再次被推上風口浪尖，而“認知計算”卻鮮有人聽說，同樣是人類模擬機器思索，讓機器具有自主思考能力，都是具有跨時代意義和里程碑式的存在。
? ? ? 認知計算更加強調機器或人造大腦如何能夠主動學習、推理、感知這個世界，并與人類、環境進行交互的反應。它會根據環境的變化做出動態的反應，所以認知更加強調它的動態性、自適應性、魯棒性、交互性。
? ? ? 計算機在體系架構上的發展歷史主要體現在兩個方面：
- 計算能力的增強
- 計算規模的增大
? ? ?隨著計算機計算能力的大幅增強，具備了處理海量數據的能力；另一方面，日常生活中所產生的數據規模日益擴大，所擁有的數據源驅動了深層次分析的需求；同時大數據、云計算技術的不斷完善，都促進了對數據進行深度挖掘，提取數據的特征，利用特征讓機器具有自主學習與思考的能力。
? ? ?按照計算方式的不同，可以分為三個計算時代：
- 1990s~1940s ?打卡階段（The Tabulating Era） ? ? ? 機械式
- 1950s~現在 ? ? 編程階段（The Programming Era） ? 自主輸入
- 2011~將來 ? ? ?認知計算階段（The Cognitive Era） ? ?自動思考
? ? ?“大腦”項目：Think & Learn
- 2006 ? ? IBM ? ? ? ?Watson ? ? ?利用自然語言分析，讓機器自動推理事件與回答問題；涵蓋醫療、數據分析、“危險游戲”等。
- 2011 ? ? Google ? ?谷歌大腦 ? ? 通過神經網絡，能夠讓更多的用戶擁有完美的、沒有錯誤的使用體驗；谷歌無人駕駛汽車、谷歌眼鏡等。
- 2012 ? ? Baidu ? ? ?百度大腦 ? ? 融合深度學習算法、數據建模、大規模GPU并行化平臺等技術，構造起深度神經網絡。
一、認知計算的概念：
- 人工，以人為主導；認知，機器對事物與外界的理解，交互的能力
- 編程能力；學習與推理的能力
- 確定性結果；概率性結果
- 人并未參與；人、機器、環境之間的交互
- 圖靈測試或仿造人測量；實際應用中的測試
? ? ?2. ?認知計算所涉及的技術領域：
- 神經科學：機器模擬人腦神經元的思考過程；
- 超計算：超級快速計算和處理能力；
- 納米技術：芯片、系統等底層架構設計。
? ? ?
? ? ?3. 認知計算系統的組成：
? ? ?需要一個能夠理解、學習、推理的“大腦”，一個物物相連的外部環境，大腦與環境之間互相感知與交互。
? ? ?
? ? 4. ?認知計算的應用：
- 典型系統特征：大規模、復雜、人與外界交互、大量非結構化數據、輸出結果不定的系統；
- 生命科學領域：醫療、保險；
- 社會機構領域：金融銀行、政府、能源、教育、商業、交通等。
? ?5. ?案例：Watson-歷史上第一個認知系統
- 自然語言處理
- 問答技術
- 高性能計算
- 知識的表達和推理
- 機器學習
- 非結構化信息管理
? ?6. ?認知系統的五個核心功能：
- 創造更深的人工參與
- 測量和提升專業知識
- 認知融入產品和服務
- 實現認知過程和操作
- 加強探索和發現
? ?7. ?認知計算系統的挑戰與要求：
? ?
? ?8. ?認知計算系統的架構：
- 底層架構：芯片設計（GPU、FPGA、ASIC、POWER8）
- 基礎設施：云環境、超級計算節點
- 組織構架：caffe、Theano、Torch等
- 庫文件：數據庫、工具、包等
- 應用層：信息采集的有效性、人機交互界面、搜索引擎等
?二、人工智能的概述：
? ? ?人的大腦科學&計算機科學——>可視化、心理學、神經元組成、深度學習
? ? 1. 人工智能發展過程：
? ? ?
? ? ?重要的時間節點與人物：
- 1950-1956：兩個重要的人物，諾伯特·維納（控制論）和克勞德·艾爾伍德·香農（信息論）將事物從更高的層次進行抽象，奠定了AI堅實的理論基礎；
- 1950：圖靈，提出了圖靈測試的基本測試方法；
- 1956：達特茅斯會議第一次正式提出AI的概念；
- 1956-1974：AI得到極大發展，提出了許多新的理論，包括自然語言處理、reasoning as search、micro-worlds等；
- 1974-1980：由于發展迅速所帶來的副作用日益凸顯，關于機器代替人類的社會、倫理等問題、投資人看不到長期受益問題等導致其發展陷入低谷；
- 1980-1987：在日本的第五代項目提出，結合AI來發展現代工業生產，又給AI界打了一針強心劑（專家系統）；
- 1987-1993：計算機的高速發展，給傳統硬件組成的研究系統帶來巨大挑戰，更多的人將注意力放在計算能力更強、價格更為便宜的普通計算機上；
- 1995：Sparse coding，將計算機科學理論與生物神經科學理論相結合；
- 2006：Deep Learning，含多隱層的多層感知器的深度學習結構；
- 2007：GPU CUDA，CPU與GPU并用的“協同處理”發展的統一計算設備架構；
- 2011：Google Brain，谷歌在人工智能領域開發出的一款模擬人腦的軟件。
? ? 2. 機器學習的概述：
? ? ?
? ? ?機器學習兩種傳統分類：
- 監督學習：已知label來對事物進行分類；
- 無監督學習：未知label來學習事物特征。
? ? ?應用領域：圖像識別、計算機視覺、語音識別、生物監控、機器人控制、經驗科學、智能醫療等。
? ? ?機器學習的流程圖（有監督學習）：
? ? ?
? ? ?分類算法（Classification）：
- 支持向量機（SVM）
- 神經網絡（Neural Network）
- 樸素貝葉斯（Naiive Bayes）
- 貝葉斯網絡（Bayesian network）
- 邏輯回歸（Logistic regression）
- 隨機森林（Randomized Forests）
- 決策樹（Boosted Decision Trees）
- k近鄰（K-nearest neighbor）
- RBMs
? ? ?聚類算法（Clustering）：
- K-means
- 合并聚類（agglomerative clustering）
- 均值漂移聚類（mean shift clustering）
- 譜聚類（spectral clustering）
? ? 泛化問題（Generalization）：過擬合、欠擬合
? ? ?
? ? 3. 深度學習的概述：
? ? ?
? ? ? 深度學習是機器學習的一個分支，通過利用多層處理的復雜結構，基于一系列的算法來建立高維抽象的模型。其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。深度學習的概念由Hinton等人于2006年提出。基于深度置信網絡(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡（CNN）是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。
? ? ?典型的深度學習：卷積神經網絡CNN
? ? ?
? ? ?實驗已經證明，CNN在圖像和語音處理中能夠取得比傳統方法更好的識別效果，也產生了許多著名的深度學習網絡VGG-Net、AlexNet等。
? ? ?VGG-Net與AlexNet的對比分析：
? ??
| 深度學習網絡 | AlexNet | VGG-Net |
| 產生背景 | 2012年，deep learning的大牛教授 Geoffrey Hinton的學生Alex Krizhevsky設計了一個8層的CNN，并把它用于ImageNet的image classification，直接把當時最好算法的錯誤率差不多減半。 | Andrew Zisserman 教授的組 (Oxford)，VGG-Net 在2014年的 ILSVRC localization and classification 兩個問題上分別取得了第一名和第二名。 |
| 結構層次 | 總共有8層，由5層 convolutional layer，2層 fully connected layer，和最后一層 label layer (1000個node, 每個node代表ImageNet中的一個類別) 組成。 | VGG-Net使用更多的層，通常有16－19層，所有 convolutional layer 使用同樣大小的 convolutional filter。 |
| 結構示意 | ? ? | ? |
| 特征描述 | 中間層描述了圖片的局部特征，全連接層表示了圖像的全局特征。 | |
? ? ? ? 業界牛人：
? ? ? ? ?
? ? ? ? ?
? ? ? ? ?
? ? ? ? ?
? ? ? ? ?開發架構：
? ? ? ? ?
? ? ? ? ?機器學習的常用庫和數據集：
? ? ? ??
? ? ? ?
? ? ? ?
? ? ? ?
?
轉載于:https://www.cnblogs.com/wallacup/p/5994772.html
總結
- 上一篇： JMicroVision教程-应用于测井
- 下一篇： IDEA java编译中出现了Excep