人工智能分类体系

巴黎的灯光下

前言： 刚上大学的时候，每每学习一个新的课程，总觉得学习“概论”、“分类”这种东西很无聊。后来发现，学习具体的实现细节才是最无聊的……因为永远 记 不 住。 所以 开始告诉自己建立系统的知识框架才是重要的：




强人工智能 & 弱人工智能：

>> 强人工智能：指能制造出真正地推理和解决问题的智能机器。比如日本动漫里的“阿童木”、钢铁侠的AI管家“贾维斯”就可以说是一个强人工智能。

>> 弱人工智能：只用于解决某些特定领域的问题，比如 AlphaGo，只会下围棋。

目前人工智能的现状是：强人工智能很弱、弱人工智能很强。弱人工智能已经强大到可以替代许多的岗位，深圳法庭已经开始试用智能语音识别做庭审的发言记录，医院可以用图像识别技术做医学影像的分析。而强人工智能，按照某大咖的说法，人类目前最先进的强人工智能，也远远比不上一个三岁孩子的智力。



结构化数据  & 非结构化数据：

所有的信息科学技术，甚至于整个自然科学技术领域，说到底是都是对数据的分析处理。在人工智能研究中，按所研究对象的数据类型的不同，可以分为：结构化数据、非结构化数据

>> 结构化数据：气温（36 C）、相对温度（75%）、降水量（10mm），以上一组数据则可称为结构化数据，即每一个维度（属性）已经被清晰的量化。

>> 非结构化数据：像一幅图像、一段语音、一段视频，这些都称为非结构化数据。

那么我们怎么让电脑处理非结构化数据的呢？说白了，只有华山一条山——先把非结构化数据转化成结构化数据。比如一张有480个像素点的图片，我们先把它转化为有480维度的结构化数据，再进行进一步处理。再说白了，其实“气温”、“相对温度”本来也是非结构化数据，只是有人在程度员之前帮忙做了量化。



回归预测 & 分类预测

再再说白了，现在人工智能所完成的很多工作，就是通过数据分析做出最合理的预测，由预测的输出类型，可以分为： 回归预测、分类预测

>> 回归预测：定量输出，连续变量预测。比如：预测第二天的股价是多少（契合国情，可能应该预测跌多少）

>> 分类预测：定性输出，定性输出。比如：预测第二天的股价是涨是跌（契合国情，可能应该预测跌不跌停）