第1讲 人工智能与机器学习⚓
1.1 模拟描述与人工智能⚓
人工智能的诞生：1956年达特茅斯会议，首次使用“人工智能”(artificial intelligence)术语。
1936年图灵提出图灵机，用纸带式机器来模拟人们进行数学运算的过程。1956年提出图灵测试：如果电脑能在5分钟内回答由人 类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑就通过测试并可下结论为机器具有智能。
80年代出现了人工智能数学模型方面的重大发明，其中包括著名的多层神经网络（1986）和 B P反向传播算法（1986）等。
人工智能的三大学术流派：符号主义、连接主义、行为主义。
-
符号主义：认为人工智能源于数理逻辑。
系统内部均有一组符号结构，以及作用在这些符号结构上生成其他符号结构的一组过程。
任一物理符号系统如果是有智能的，则必能执行对符号的输入、输出、存储、复制、条件转移和建立符号结构这样6种操作。
-
连接主义：认为人工智能源于仿生学。
思维的基元是神经元，把智能理解为相互连接的神经元竞争与协作的结果，其中以反向传播网络模型和 Hopfield 网络模型更为突出。
新进展：深度学习与深度神经网络。
-
行为主义：认为人工智能源于控制论。
反馈是控制论中的基石，没有反馈就没有智能。强调智能系统与环境的交互，从运行的环境中获取信息（感知），通过行为对环境施加影响。智能行为体现在系统与环境的交互之中，功能、结构和智能行为不可分割。
信息，是物质相互作用中反映出的事物（客观世界的物质现象/主观世界的意识现象）状态与属性。香浓信息论提出“信息是熵的减少”，息是“用来消除不确定的内容”。该内容需要载体记载并传递。
在信息领域，媒体 指 信息传递的载体、渠道、中介物、工具或技术手段。包括无形和有形，是指信息采集、存储、传输、加工和显示中的形态、载体及装置。
- 有形：声音、文字、符号、图像、声光波、知识、技术、代码。
- 无形：纸张、胶卷、磁带、磁盘、光纤、装置、科学仪器等。
1.2 信息加工与机器学习⚓
机器学习是人工智能的基础，研究机器如何模拟人类学习行为，实现人类智能，以及获取新的知识或技能的能力，重新组织已有知识结构并不断改善自身性能。
机器学习范式一：模式识别，通过学习模式特征解决识别问题。
人在观察、认识事物和现象时，常常寻找事物和现象的相同与不同之处，根据使用目的进行分类、聚类和判断，人的这种思维能力即是模式识别。模式识别具有多样性和多元化，可以在不同的概念和粒度上进行，例如图像、语音、文字、语言等。
模式识别主要方法：模板匹配，结构模式识别，统计学习方法，人工神经网络（深度学习）。
机器学习范式二：统计学习，通过学习特征分布特性解决分类问题。
特点是：
- 从一部分观测（训练）样本出发，建立预测模型；
- 从而试图得到一些不能通过原理进行分析得到的规律；
- 并利用这些规律来预测新样本和客观对象，从而可以利用统计学习获得的规律对未来的数据进行较为准确的预测。
主要方法：感知机，K 近邻，贝叶斯，决策树，逻辑回归，支持向量机 SVM，提升方法 Boost，最大期望算法 EM，隐含马尔可夫模型 HMM，条件随机场 CRF。
机器学习的最新进展：深度学习
深度学习，是以人工神经网络为基础的深度学习是一种 End-to-end 的学习 F 分类器的方法（全步骤一次性学习）。
深度学习本质上是构建含有多隐层的机器学习网络模型，通过大规模数据进行训练，得到大量更具代表性的特征信息。深度学习算法打破了传统神经网络对层数的限制，可以生成复杂分类界面；特征表达也是稀疏的。
1.3 媒体技术拓展认知⚓
媒体与认知相互作用——创造新媒体，获取新认知。人的自身认知能力是有限的，媒体技术可以为提高人类认知客观世界的能力提供有效的手段和工具。
人工智能使机器能够感知、理解媒体中记载信息的内容——实现认知。如同人类认知一样，使机器具备对视觉、听觉媒体等获取的信息，进行感知和识别的能力，即机器智能，也即人工智能。记载信息的媒体多种多样，语音、文字、图形、图像、视频等，成为获取信息的主要载体，对非结构化的内容进行智能处理——需要研究机器学习方法。
- 文本：文本检索、文本分类、文本摘要、机器翻译等。
- 图像及视频：视频编码、视频摘要、目标检测、跟踪、识别、3DTV 等。
- 语音：语音编码、语音合成、语音识别等。
课程知识点：
（1）人工智能原理：
- 信息，媒体，人工智能研究发展
- 信息数字化，智能化认知，人工智能应用
（2）认知的生物机理
- 脑信息加工机制，人类视觉感知
- 知觉、注意、记忆
- 知觉与注意机制
（3）机器学习方法
- 模式识别，特征提取与选择、特征变换
- 统计学习方法，支持向量机，分类器训练
- 深度学习，卷积神经网络，循环神经网络
- 认知计算，媒体认知相互作用