人工智能漫谈演讲April15.课堂PPT

《人工智能漫谈演讲April15.课堂PPT》由会员分享，可在线阅读，更多相关《人工智能漫谈演讲April15.课堂PPT（36页珍藏版）》请在装配图网上搜索。

1、.1人工智能漫谈谭营北京大学计算智能实验室（CILPKU）北京大学智能科学系.2漫谈要点人工智能的起源人工智能的发展历程计算智能的研究几个人工智能发展中的重大成就当前人工智能的热点对人工智能发展的几点思考结语.3人工智能的起源 思想萌芽可以追溯到十七世纪的巴斯卡和莱布尼茨，萌生了有智能的机器的想法。十九世纪，布尔和摩尔根提出了“思维定律”，这是人工智能的开端；英国科学家巴贝奇设计了第一架“计算机器”，被认为是计算机硬件，也是AI硬件的前身。1943年M-P Model提出，Heb学习率发现,Perceptron的提出，神经网络训练,1956年Dartmouth会议，由J.McCarthy及一批

2、多学科的科学家在Dartmouth大学召开的会议上，首次提出“Artificial Intelligence”概念。今年是AI诞生60周年（1个甲子）！.4计算机能具有智能吗？阿兰图灵认为机器可以模拟人脑思维过程；一个良好设计的计算机能够做到人脑所能做的一切。“计算机科学之父”、“人工智能之父”阿兰麦席森图灵The Turing Test图灵奖.5什么是人工智能？让机器做需要人类智能才可以做的那些事情。让机器做人类需要它做的任何事情。认识、模拟和扩展人的（自然）智能，为人类社会服务。.62016/4/12 Tuesday人工智能的发展历程：人工智能的三个学派 符号主义学派 始于20世纪50年代

3、以知识为基础，通过推理来进行问题求解功能模拟的方法代表人物：Simon,Minsky和Newell.McCarthy,Nillsson.联接主义学派始于1943年的M-P模型（McCulloch,Pitts）1982年Hopfiled提出的用硬件模拟神经网络,BP算法结构-功能模拟的方法代表人物：McCulloch,Pitts,Hopfield,Rumelhart等。行为主义学派进化主义或控制论学派始于20世纪60-70年代智能行为的“感知-动作”模式行为模拟的方法代表人物：R.A.Brooks螺旋式上升发展路线.7人工智能的研究内容方法层面：启发式搜索 推理方法 知识表示 AI语言(Lisp

4、，Prolog,)模式识别 机器学习 生物激发方法（计算智能）应用层面：自然语言理解、数据库的智能检索、专家系统、机器定理证明、博弈、机器人学、自动程序设计、组合调度（智能优化）、感知、语音、视觉、生物特征识别、虚拟现实、复杂系统、大数据，等。.8计算智能的研究-Computational Intelligence人工神经网络-例如：多层神经网络（MLP）及其Back Propagation(BP)Alg.模糊逻辑与推理进化计算-例如：Genetic Alg.群体智能-例如：PSO,Fireworks Alg.等等计算智能（CI）涉及神经计算、模糊计算、进化计算和人工生命等领域，它的研究和发展

5、正反映了当代科学技术多学科交叉与集成的重要发展趋势，是人工智能的最新发展。.9传统人工智能VS计算智能 传统人工智能符号人工智能始于20世纪50年代以符号形式的知识和信息为基础，通过逻辑推理，运用知识进行问题求解知识获取、知识表示、知识组织与管理、知识运用、基于知识的智能系统 计算智能 计算人工智能 始于20世纪80年代 以数值数据为基础，通过数值计算，运用算法进行问题求解 人工神经网络、进化计算、群体智能、人工免疫系统、模糊系统.10生物神经网络vs.人工神经网络生物神经网络结构多层前馈人工神经网络模型.11 x,x5,5f(x)=20+e 20exp 0.2 1=i x 2 exp 1co

6、s(2xi),x 32,32n n i=111ni2f(x)=ni=12）Rosenbrock Function2i+1i=13）Rastrigin FunctionD2i ii=1n1 nn4）Ackley Function复杂优化问题Standard benchmark functions1）Sphere Function.1212更复杂优化问题-智能优化搜索方法.13遗传算法-Genetic Algorithm生物进化是一个优化过程，目的是在不断变化的竞争环境中提高某生物(或系统)的生存能力。个体环境候选解待求解问题?适者生存，优胜劣汰建模.14自然群体.15.16FWA Ying Ta

7、n,Fireworks Algorithm,Springer,2015.10.Y.Tan,C.Yu,S.Q.Zheng and K.Ding,Introduction toFireworks Algorithms,International Journal of SwarmIntelligence Research(IJSIR),October-December 2013,vol.4,No.4,pp.39-71.谭营(著)，烟花算法引论,科学出版社,2015.04.17机器学习（Machine Learning）通过经验提高系统自身性能的过程（系统自我改进）机器学习是人工智能的主要核心研究领域

8、之一,也是现代智能系统的关键环节和瓶颈。一个没有学习功能的系统是不能被称为智能系统。机器学习正逐渐从AI中独立出来,成为一种新的问题求解工具。.182016/4/12 Tuesday谭营-机器学习研究及最新进展机器学习的任务 令W是这个给定世界的有限或无限所有对象的集合，由于观察能力的限制，我们只能获得这个世界的一个有限的子集QW，称为样本集。机器学习就是根据这个有限样本集Q，推算这个世界的模型，使得其对这个世界为真。QWModel建模泛化.19浅层学习（Shallow Learning）浅层学习是机器学习的第一次浪潮 上世纪80年代，计算智能研究中的人工神经网络热潮，给机器学习带来了希望，掀

9、起了基于统计模型的机器学习热潮。多层感知机（Multi-layer Perceptron），支撑向量机（SVM）、Boosting、最大熵方法（如Logistic Regression）等。人工神经网络的反向传播算法（BP算法）.20深度学习-Deep Learning 2006年，Prof.Geoffrey Hinton等在科学上发表的文章开启了深度学习的新浪潮。他们的两个主要观点：1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络的训练问题，可以通过“逐层预训练”（layer-wise pre-training）来有

10、效解决。深度学习是机器学习的第二次浪潮 Deep learning algorithms attempt to learnmultiple levels of representation ofincreasing complexity/abstraction.21Deep Architectures Deep multi-layer neural networks are the basic architectures of deeplearning.When a function can be approximated by adeep architecture with few comp

11、utationalelements,it might need a very largearchitecture to be approximated by aninsufficiently deep one.22Breakthrough Greedy layerwise unsupervised pre-training.Hinton et al.,2006;Bengio et al.,2007;Ranzato et al.,2007.Use the weights got by pre-training to initialize the weight of supervisedtrain

12、ing.Then run the general supervised training process such as BP algorithm.23Experimental ComparisonWithout pre-training,training converges to a poorer apparent local minimum.Unsupervised pre-training helps to find a better minimum of the online error.Experiments were performed by Dumitru Erhan.24Rac

13、e on ImageNet(Top 5 Hit Rate)Answer from Geoff Hinton:85%,2012在科技界，微软、谷歌、Facebook、百度等巨头对于研发的狂热追逐举世皆知，ImageNet 大规模视觉挑战也是其角力的重要战场.25人脸识别程序 CUHK的汤晓鸥教授领导的计算机视觉研究组(mmlab.ie.cuhk.edu.hk)开发了一个名为DeepID的深度学习(DL)模型，在LFW(Labeled Faces in the Wild)数据库上获得了99.15%的识别率，这也是有史以来首次超过99%的LFW识别率，比肉眼识别更加精准。此前,Facebook发布了

14、另一套基于深度学习的人脸识别算法DeepFace，在LFW上取得了97.35%的识别率。.26免疫浓度特征 生物免疫系统中的抗体浓度垃圾邮件与正常邮件的浓度特征分布 邮件样本的抗体浓度特征“自己”“异己”浓度免疫应答过程中抗体浓度的变化 抗体浓度特征的表征能力浓度特征在分类器BPNN、LD、SVM上与其他方法的对比.27Single-CDCS-LALWFGWFDTE-DLAccuracy 基于危险理论的集成检测模型 危险区域定义匹配信号与危险信号的协同免疫检测模型 P.Matzinger的免疫危险模型集成检测中的危险信号PU2PU3PUATREC0.89PU1免疫危险模型 集成检测模型的性能表

15、现0.980.970.960.950.940.930.920.910.9集成检测模型与其他集成方法的对比.28围棋人机大战：AlphaGo v.s.Lee Sedol（李世石）Results:4:1人工智能下棋程序AlphaGo获得大胜！引起了世界范围的广泛关注与热议，以及对人工智能飞速发展的鼓舞，和些许恐惧与担忧！.29AlphaGoCombining Monte Carlo Search Tree(MCST)+Supervised Learning(SL)+Reinforcement Learning(RL)+Deep Neural Networks(DNN).Clever Idea:(G

16、ood starting point):Use SL Policy Network to learn from human expertgood experience (Rapidly boosting up):Use RL Policy Network to improve by playing withitself (Efficient strategy):Use RL Value Networks to compute the outcome ofevery move.30AlphaGOs Framework31Monte Carlo tree search(MCTS).31Superv

17、ised learning of policy networks in AlphaGO Definition:s:state(3(19*19)a:action(19*19)SL policy network:predict p(a|s)RL policy network sampling each move from its outputprobability distribution over actions.RL policy network vs SL policy network won 80%of games32.32Evaluating the playing strength o

18、f AlphaGo AlphaGo vs other Go programs won 494 out of 495 games(99.8%)The distributed AlphaGo vs AlphaGo won 77%of games The distributed AlphaGo vs other Go programs Won 100%33.33阿里云人工智能程序小Ai 准确预测了我是歌手4歌王-李玟 4月8日晚，湖南卫视我是歌手4落下帷幕，阿里云人工智能程序小Ai成功预测李玟夺冠！在七进六帮帮唱环节，小Ai也准确预测出容祖儿被淘汰。在六进三两两演唱PK环节，小Ai完全准确的预测出了

19、获胜者张信哲、黄致列、李玟。在最终歌王争霸环节，小Ai以42的胜率一举命中总决赛歌王李玟，在三轮比赛中完全预测准确。小Ai用结果证明，机器可以理解人类的情感世界，人工智能再次在人类情感领域取得突破，表明人工智能技术继续前行！目前，小Ai的学习速度是人类的1万倍，要成为某一领域的专家，如果人类需要10万小时，则小Ai只需要10小时。.34人工智能发展的几点思考 AI技术正在以前所未有的发展速度飞速前进，更多的惊喜会不断涌现 AI技术的应用会广泛深入地渗透到我们工作与生活的方方面面，无法分开，就像我们今天无法离开的水、电、信息、能源、移动互联网，等等。AI技术的发展会将人类社会发展推到一个前所未有的新高度，进入智能社会 AI技术的发展必须遵循人类社会的道德规范和行为准则，防止其为人类社会带来灾难。.3536结束语人工智能是一门多学科交叉的综合性前沿学科，在理论上很不成熟，技术上逐渐突破，应用上正在快速扩展和渗透；基于各种生物原理与过程的激发是其继续前进的源泉，人类社会的需求是其不断发展的动力！欢迎同学们加入到研究“智能科学”行列中！http:/.36Thank you!