深度学习入门之PyTorch - (EPUB全文下载)
文件大小:1.05 mb。
文件格式:epub 格式。
书籍内容:
深度学习入门之PyTorch
第1章 深度学习介绍
第2章 深度学习框架
第3章 多层全连接神经网络
第4章 卷积神经网络
第5章 循环神经网络
第6章 生成对抗网络
第7章 深度学习实战
第1章 深度学习介绍
自古以来,发明家们都梦想着能够创造有思想的机器人,当电脑问世之后,人们一直想知道它们是否可以变得更加智能。如今人工智能成为一个有着无限商业价值和研究价值的领域,人们也看到了人工智能在图像、语音、自然语言上取得的巨大成功。
这一章,我们将简要地介绍一下人工智能及其重要性,以及什么是数据挖掘、机器学习和深度学习,并介绍它们彼此之间的联系与区别,其中会重点介绍深度学习,最后给出一些合理可行的学习建议,帮助大家从零开始进入深度学习这个充满魔力的领域。
1.1 人工智能
人工智能(Artificial Intelligence),也称为机器智能,是指由人工制造出来的系统所表现的智能,所谓的智能,即指可以观察周围环境并据此做出行动以达到目的。
在人工智能的早期,那些对人类智力来说非常困难、但对计算机来说相对简单的问题迅速得到解决,比如,那些可以通过一系列形式化的数学规则来描述的问题。AI的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务,比如,识别人们所说的话或图像中的脸。对于这些问题,我们人类往往可以凭借直觉轻易地解决,因为我们已经在上万年的进化中形成了这些直觉性的能力,但是机器却很难找到实现的方法。
长久以来人们一直相信人工智能是存在的,但是却不知道如何实现。以前的科幻电影总会融入人工智能,比如《星球大战》《终结者》《骇客帝国》,等等。电影的渲染使我们总觉得人工智能缺乏真实感,或者总将人工智能和机器人联系在一起。其实我们身边早已实现了一些弱人工智能,只是因为人工智能听起来很神秘,所以我们往往没有意识到。
首先,不要一提到人工智能就想到机器人。机器人只是人工智能的一种容器,如果将人工智能比作大脑,那么机器人就好似身体——然而这个身体却不是必需的,比如现在很火的AlphaGo,其背后充满着软件、算法和数据,它下围棋是一种人格化的体现,然而其本身并没有“机器人”这个硬件形式。
人工智能的概念很宽泛,现在根据人工智能的实力将它分成三大类。
(1)弱人工智能(Artificial Narrow Intelligence,ANI)
弱人工智能是擅长于单个方面的人工智能。比如战胜世界围棋冠军的人工智能Al-phaGo,它只会下围棋,如果你让他辨识一下猫和狗,它就不知道怎么做了。我们现在实现的几乎全是弱人工智能。
(2)强人工智能(Artificial General Intelligence,AGI)
这是类似人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活,它都能干。创造强人工智能比创造弱人工智能难得多,我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。
(3)超人工智能(Artificial Superintelligence,ASI)
牛津哲学家、知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点,也可以是各方面都比人类强万亿倍的。
我们现在处于一个充满弱人工智能的世界,比如垃圾邮件分类系统,是一个可以帮助我们筛选垃圾邮件的弱人工智能;Google翻译是一个可以帮助我们翻译英文的弱人工智能;AlphaGo是一个可以战胜世界围棋冠军的弱人工智能,等等。这些弱人工智能算法不断地加强创新,每一个弱人工智能的创新,都是在给通往强人工智能和超人工智能的旅途添砖加瓦。正如人工智能科学家Aaron Saenz所说,现在的弱人工智能就像地球早期软泥中的氨基酸,可能突然之间就形成了生命。
1.2 数据挖掘、机器学习与深度学习
大数据的兴起使得数据科学家作为一种新生职业被提出,数据研究高级科学家Rachel Schutt将其定义为“计算机科学家、软件工程师和统计学家的混合体”。数据挖掘作为一个学术领域,横跨多个学科,涵盖但不限于统计学、数学、机器学习和数据库,此外还运用在各类专业领域,比如油田、电力、海洋生物、历史文本、图像、电子通信等。
1.2.1 数据挖掘
简单来说,数据挖掘就是在大型的数据库中发现有用的信息,并加以分析的过程,也就是人们所说的KDD(knowledge discovery in database)。一个数据的处理过程,就是从输入数据开始,对数据进行预处理,包括特征选择、规范化、降低维数、数据提升等,然后进行数据的分析和挖掘,再经过处理,例如模式识别、可视化等,最后形成可用信息的全过程。
所以说数据挖掘只是一种概念,即从数据中挖掘到有意义的信息,从大量的数据中寻找数据之间的特性。
1.2.2 机器学习
机器学习算是实现人工智能的一种途径,它和数据挖掘有一定的相似性,也是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言,机器学习更加注重算法的设计,让计算机能够自动地从数据中“学习”规律,并利用规律对未知数据进行预测。因为学习算法涉及了大量的统计学理论,与统计推断联系尤为紧密,所以也被称为统计学习方法。
机器学习可以分为以下五个大类:
(1)监督学习:从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求是输入和输出,也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归与分类。
(2)无监督学习:无监督学习与监督学习相比,训练集没有人为标注的结果。常见的无监督学习算法有聚类等。
(3)半监督学习:这是一种介于监督学习 ............
以上为书籍内容预览,如需阅读全文内容请下载EPUB源文件,祝您阅读愉快。
书云 Open E-Library » 深度学习入门之PyTorch - (EPUB全文下载)