学了这些基础算法，人工智能就算入门了 _人工智能

说起人工智能，大家总把它和科幻电影中的机器人联系起来，而实际上这些科幻场景与现如今的人工智能没什么太大关系。
人工智能确实跟人类大脑很相似，但它们的显著差异在于人工智能是人造的——人工智能不必具备生物特性。

文章插图

人工智能的目标是使计算机可以如人脑一样工作，但这并不意味着人工智能需要在方方面面都向人脑看齐。某个人工智能算法与人脑真实功能的匹配程度称为“生物似真性” 。
艾伦脑科学研究所（Allen Institute of Brain Science)的首席科学官Christof Koch曾断言大脑“是已知宇宙中最复杂的东西” 。而在人工智能的学科背景下，大脑本质上就是一种深奥、繁复的技术，我们有必要对它进行研究，通过逆向工程来解析它的工作原理和机制，从而模仿它的功能。

文章插图

在进一步深入学习之前，还要介绍一些与人工智能算法交互的通用概念。人工智能算法也称为“模型”，本质上是一种用以解决问题的技术。现在已经有很多特性各异的人工智能算法了，最常用的有神经网络、支持向量机、贝叶斯网络和隐马尔科夫模型等。
对于人工智能从业者来说，如何将问题建模为人工智能程序可处理的形式是至关重要的，因为这是与人工智能算法交互的主要方式。接下来我们将以人类大脑与现实世界的交互方式为引，展开关于问题建模基本知识的讲解。
01
对输入/输出建模

机器学习算法实际上就是给定输入，产生输出，而输出又受到算法本身的长短期记忆影响。下图展示了长短期记忆如何参与产生输出的过程。

文章插图
【学了这些基础算法，人工智能就算入门了】
机器学习算法抽象图示
如图所示，算法接受输入，产生输出。大多数机器学习算法的输入和输出是完全同步的，只有给定输入，才会产生输出，而不像人脑，既可以对输出做出响应，偶尔也能够在没有输入的情况下自行产生输出。
到目前为止，我们一直在抽象地谈论输入/输出模式，你一定很好奇输入/输出到底长什么样儿。实际上，输入和输出都是向量形式，而向量本质上就是一个如下所示的浮点数组：
Input:[-0.245,.283,0.0]Output:[0.782,0.543]绝大多数机器学习算法的输入和输出数目是固定的，就像计算机程序中的函数一样。输入数据可以被视作函数参数，而输出则是函数的返回值。就上例而言，算法会接受3个输入值，返回两个输出值，并且这些数目一般不会有什么变化，这也就导致对特定的算法而言，输入和输出模式的元素数量也不会改变。
要使用这种算法，就必须将特定问题的输入转化为浮点数数组，同样，问题的解也会是浮点数数组。说真的，这已经是大多数算法所能做的极限了，机器学习算法说穿了也就是把一个数组转换为另一个数组罢了。
在传统编程实践中，许多模式识别算法有点儿像用来映射键值对的哈希表，而哈希表在很大程度上与字典又有些相似之处，因为它们都是一个条目对应一个含义。哈希表一般长下面这样儿：
● “hear” ->“to perceive or Apprehend by the ear”；
● “run” ->“to go faster than a walk”；
● “write” ->“to form (as characters or symbols) on a surface with an instrument (as a pen)” 。
上例这个哈希表是一些单词到定义的映射，其中将字符串形式的键映射为同样是字符串形式的值。你给出一个键（单词），哈希表就会返回一个值（对应单词的定义），这也是大多数机器学习算法的工作原理。
在所有程序中，哈希表都由键值对组成，机器学习算法输入层的输入模式可以类比为哈希表中的“键”，而输出层的返回模式也可以类比为哈希表中的“值”——唯一的不同在于机器学习算法比一个简单的哈希表更为复杂。
还有一个问题是，如果我们给上面这个哈希表传入一个不在映射中的键会怎么样呢？比如说传入一个名为“wrote”的键。其结果是哈希表会返回一个空值，或者会尝试指出找不到指定的键。而机器学习算法则不同，算法并不会返回空值，而是会返回最接近的匹配项或者匹配的概率。比如你要是给上面这个算法传入一个“wrote”，很可能就会得到你想要的“write”的值。