哪个网站做攻略比较好,签约做网站模板,大型旅游网站源码 织梦,做网站推广需要花多少钱原文来源#xff1a;Towards Data Science作者#xff1a;Luke James「雷克世界」编译#xff1a;KABUDA对于技术领域中存在的AI相关技术#xff0c;我们应心存感恩。人类不仅花费了数十年的时间来研究完善数学算法#xff0c;以使这些奇妙复杂的算法发挥效用#xff0c;… 原文来源Towards Data Science作者Luke James「雷克世界」编译KABUDA对于技术领域中存在的AI相关技术我们应心存感恩。人类不仅花费了数十年的时间来研究完善数学算法以使这些奇妙复杂的算法发挥效用而且在这一过程中我们还在不断寻求突破性发展并以此作为灵感深入研究从而使得下一代智能能够得以存在于我们的星球上。大自然及其所包含的一切都深深地根植于AI的运作中并将在这里成长壮大。David Attenborough拍摄的野生动物纪录片令人印象深刻。他们对地球上许多生物的行为和属性进行了令人难以置信的详细解读这使得我们能够了解这些生物是如何融入自然生态系统并通过共同努力从而使我们居住的星球蓬勃发展最终让地球成为如今的模样。虽然我不是David Attenborough但我还是想将你们带入到我的野生动物纪录片中来。我们要探讨的明星生物不是别的正是那些被大自然直接启发的人工智能算法。首先我需要想你们介绍两种算法概念搜索/寻路Search/Pathfinding和预测建模Predictive Modelling。搜索寻路算法搜索算法本质上是一种程序旨在找到一个到达目标的最佳/最短路径。例如旅行推销员travelling salesman问题就是一个典型的搜索优化问题在这一问题中你将会得到一个城市及其之间距离的列表。旅行推销员需要对每个城市访问一次你必须为其寻找最短路线以最大限度地减少旅行时间和费用确保能够返回最初城市。这一问题的实际应用是送货卡车。假设伦敦有100人在线下单所有的箱子都被装在同一辆货车里。快递例如DPD必须计算最优路线平衡距离/时间以便从仓库最终返回仓库交付这些包裹并确保公司在交付过程中尽可能少地浪费时间和金钱。预测建模算法如今预测建模是炒作的焦点。世界各地的数据科学家都在他们舒适的办公大楼楼顶高呼“神经网络”而诸如谷歌这样的公司正到处奔走试图用这些小巧而复杂的“人工大脑”及其不同变体来解决世界上的各种问题。实际上预测建模使用统计学来预测结果。你经常会听到数据科学家试图解决两种预测建模问题回归和分类。回归是发现两组变量之间相关性的黑魔法分类是计算数据集属于不同组的概率的过程。5种生物启发学习算法1.人工神经网络ARTIFICIAL NEURAL NETWORKS 前馈神经网络 - 最基本的神经网络类型算法类型预测建模生物学启示认知大脑功能神经元应用示例情感分析、图像识别/检测、语言修正、机器人我们从最常见的人工智能(AI)算法开始。神经网络是人工智能领域中一个称之为机器学习的子类别的一部分。它们的设计和构建模仿了神经元层面的大脑功能即轴突和树突相互作用通过系统传递信息通过一系列“层”生成预测输出。每一层都提供了一个额外的数据表示层从而使得你能够对最复杂的问题进行建模。神经网络可能是目前应用最广泛的机器学习算法也是数据科学和机器学习领域的研究热点。这一概念最初是在1958年提出的称之为“感知机”。后来Geoffrey Hinton对其进行了提炼并被Google和Facebook等公司中进行推广。神经网络可用于解决各种类型的问题包括自然语言处理、视觉识别等。这种监督学习算法既支持回归问题也能用于分类问题且其应用的实例可以在日常的消费类产品中找到包括智能手机及联网家庭设备。2.遗传算法 遗传算法中个体的繁殖算法类型搜索/寻路生物学启示适者生存/进化细胞繁殖应用示例数据挖掘/分析、机器人、制造/设计、过程优化为了解决搜索问题遗传算法在一组连续的世代个体中采用了一种类似于“适者生存”的进化方法。每一代都含有一些字符串标记了我们在DNA中所看到的的染色体。群体中的每个个体都代表搜索空间中的一个点因此每个个体都是可能的候选解。为了提高解的数量我们将个体置于进化的过程中。整体中的每个个体都会为争夺资源和配偶而竞争相较于竞争中失败的个体而言每场竞争中胜出的个体通常会产生更多的子个体。更加“理想”的候选个体基因在种群中传播会导致优秀的父母将产生更具有潜力的后代。3.群体/集体智能SWARM/COLLECTIVE INTELLIGENCE 蚁群优化实例 一种集体智能算法算法类型搜索/寻路生物启示蚁群/鱼群/鸟群应用示例机器人、视频游戏AI、制造、路线规划蚁群优化和粒子群优化是符合“集体智慧”概念的两种最常见算法。在基本层面上我们所讨论的算法都需要利用多个工作智能体working agents。每个工作智能体都表现出非常基本的行为能力这些行为通过集体作为一个整体工作以便可以触发更复杂、更紧急的行为以解决问题。蚁群优化ACO与粒子群优化PSO有很大不同。两者都旨在实现紧急行为但采用了不同的方法。像真正的蚂蚁群体一样ACO利用信息素气味引导个体智能体选择最短路径。最初在问题空间中初始化一个随机信息素。随后个体智能体开始遍历搜索空间在搜索过程中释放信息素气味。在每个时间段中信息素将以一个确定的速率衰减。单一智能体根据其前方信息素气味的强度做出决策以遍历搜索空间。特定方向的气味越强烈就越有可能向那个方向前进。信息素气味最强的方案就是最优解决方案。PSO更多的是关注整体方向。一些单一智能体被初始化随后它们从随机方向开始。每个时间段每个智能体都需要做出决策是否要改变方向。这一决策将以最优解决方案pbest/全局最优的方向、最邻近的方向局部最优以及当前前进方向作为基础。新的前进方向通常是对所有这些值的 “妥协”。4.强化学习 强化学习环境中的智能体行为算法类型预测建模生物启示经典条件反射应用示例视频游戏、自主车辆控制、生产线软件、金融系统随着心理学的发展和一个类似于经典条件反射的过程强化学习可以对智能体所采取的有利行动做出积极的数字反应。学习强化学习的概念往往比学习经典的条件反射更容易。巴甫洛夫的狗Pavlov’s Dogs这是在19世纪90年代进行的一项研究当时俄罗斯心理学家Ivan Pavlov正在研究狗的唾液对喂食的反应。这里可以找到一篇能够很好地解释这件事的文章。本质上而言如果一个强化学习采取了一个好的行动能够向完成任务的方向迈出了一步那么它将得到一个数字奖励。该智能体将学习使用一个策略从而使每一步都能获得最大奖励。将原始输入应用到算法中可以让智能体开发自身对问题的感知并改进该如何利用最有效的方式去解决问题。将强化学习算法与其他机器学习技术相结合的应用是非常普遍的例如神经网络。这通常被称为深度强化学习。神经网络常用于预测强化学习在作出特定决策时应得到的奖励。如今Deep Mind是Google旗下的一所公司它在这一领域取得了很大的进步并可以采用Deep Q Learning方法来解决更为普遍的问题例如一种算法能够玩转整个Atari游戏库并且在游戏“GO”中在没有任何帮助的前提下击败了世界冠军。他们目前正在采用这种方法来处理更复杂的游戏如“星际争霸II”。作为参考Q Learning是一种无模型版本的强化学习算法。它可以为任何有限的马尔可夫决策过程Markov Decision Process找到最优的动作选择策略。在程序初始化时每个动作值对应的Q值由开发人员定义并在每个时间段由强化学习算法进行更新。下图展示的是更新Q动作值对Q action-value pair的等式示例。 Q学习值Q Learning Value更新方程5.人工免疫系统 算法类型预测建模生物学启示免疫系统用例安全软件、自主导航系统、调度系统、故障检测软件免疫系统是通过产生免疫反应来保护身体免受物质和病原体侵害的系统。人工免疫系统Artificial Immune SystemAIS是受理论免疫学和应用于解决问题的观察免疫功能启发而产生的适应性系统。AIS是生物启发计算和自然计算的子领域与机器学习和人工智能相关。通常有多个与AIS相关联的算法:克隆选择Clonal Selection树突状细胞Dendritic Cell阴性选择Negative Selection人工免疫识别Artificial Immune Recognition与生物免疫系统一样AIS能够将系统内的所有细胞分为“自我”和“非我”两类。一个分布式的情报工作队被用来对所有的细胞采取行动。参与免疫活动的最重要的两类细胞是B细胞和T细胞于你我而言是白血细胞。T细胞分为三类一种是用来激活B细胞一种是用来结合并破坏外来入侵者还有一种是用来抑制自身免疫问题。B细胞负责产生抗体即与抗原毒性/外来物质相结合的特异性蛋白质。人工免疫系统通常用于通过监测入侵检测以抵御网络攻击并且通常被集成于企业级软件中。与本文中提到的其他算法不同关于此主题的免费在线学习资料非常有限该技术可能是本文提及的所有技术当中最不发达的一种。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。由互联网进化论作者计算机博士刘锋与中国科学院虚拟经济与数据科学研究中心石勇、刘颖教授创建。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
