Python入门指南, 3rd Edition

第 26 章 人工智能 人工智能

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

即使是猫，也有人工智能做不到的事情。

李飞飞

Python近来的声望主要来自于其丰富的人工智能工具集。 在本章中，我将介绍一些人工智能的历史，以及最近的一些发展。鉴于当前人工智能发展的疯狂速度，一些参考文献将不可避免地被更亮、更闪耀的对象所掩盖。

传统数学通过最小化误差，让你拟合出一组点的最佳直线或曲线。 但在人工智能问题中，我们要寻找的模式可能具有复杂的多维形状，其中有许多局部最小 误差。这就是模式识别，而我们并不了解模型是如何做到这一点的。事实上，我们也不了解自己是如何做到这一点的。

在本章中，我们将介绍以下内容：

• 人工智能的近代史，包括导致突破的见解

• Python 在人工智能开发中的作用，从框架到完整模型

• 当前最著名的人工智能模型概述

• 使用基于 Python 的真实框架进行的一些人工智能练习

首先，让我们来看看一些术语的定义，这些术语经常被混杂在一起 ：

人工智能（AI）

一个古老的、不断扩展的术语，指模仿人类能力的机器

机器学习（ML）

人工智能的一个子集，其中计算机在没有明确人类指导的情况下从数据中学习模式

深度 Learning (DL)

使用多层神经网络的 ML 子集

原来...

我一直很喜欢 "原来如此 "这个短语，它指的是一个令人费解的问题在得到解决之后的结果。就像一则悬疑谋杀案，结果发现凶手不是管家，而是公爵可恶的侄子雷金纳德（Reginald），一个还是吸血鬼的坏蛋。或者是一次软件调试，最终通过逻辑、洞察力、谷歌搜索、蛮力和盲目运气的结合得到了解决。

人工智能历史上有许多 "原来如此 "的时刻，以下是其中几个。

专家系统

在，人工智能最初（比如从20世纪50年代到80年代）主要是专家系统：自上而下，或者说是符号 系统。你用代码提供规则来解决特定问题。国际象棋游戏被认为是一个可怕的目标，在 ，硬件和软件都得到了改进。1983年，定制的国际象棋计算机Belle达到了大师级水平；1997年，IBM的 "深蓝 "成为第一台在国际象棋比赛中击败国际象棋大师的机器。

抢先预告：2016 年，名为 AlphaGo 的人工智能系统首次在围棋比赛中击败人类冠军--围棋比赛比国际象棋复杂得多。 后来一个名为 AlphaGo Zero 的版本通过下数百万盘棋来学习围棋，但没有被教授任何规则。 它击败了 AlphaGo。

感知器

在我们的大脑中，数十亿个神经元与其他神经元建立了数以万亿计的连接（突触），在一定程度上刺激或抑制其他神经元。长期以来，人们一直在努力开发基于计算机的神经网络，以模糊地模拟生物等价物（存在证明的例子：如果某物存在，那么，嗯，它是可能的）。

早期的神经模型是感知器。¹ 一个输入层包含多个 "神经元"，提供原始数据。 每个神经元乘以一个单独的权重，然后输入内部函数，平滑并最终计算出一个结果值。 这种方法对一些简单的分类问题很有效，但后来被证明无法解决其他问题。 这种方法的研究因此停滞了数年。

突破性进展

但事实证明......你可以用 多层感知器来解决这些其他问题，它有两个关键但并不显眼的新增功能：

隐藏层

在输入层之后增加内部权重

反向传播

迭代调整内部权重，从预期结果向后调整

这种方法是由 David Rumelhart、Geoffrey Hinton 和 Ronald Williams 于 1986 年开发的，当时他们正在对 ...