人工智慧

不想人云亦云，於是來刨別家祖墳，一探究竟。

人工智慧，一個熱得不知所措的話題。就跟當年的“雲”一樣，聊得臭大街了，但什麼是雲？就想把你繞暈，其實都在雲裡霧裡。

人工智慧，artificial intelligence，縮寫AI。由於命名的開放性，使得其定義輪廓較為模糊。簡單來說，它是計算機學科的分支之一，是使用計算機模擬和學習人類思維過程和智慧行為的學科。人工智慧已經存在人們身邊很久了。例如，搜尋引擎對結果的排序，輸入法的容錯，相關新聞的推送，垃圾郵件的過濾等等。那麼，如何讓計算機具有人的思維方式呢？

機器學習

機器學習，machine learning，是指，讓程式通過學習經驗（即樣本）E（Experience），完成任務T（Task），並不斷提升任務完成準確率P（Performance）的過程。最著名的例子，alphago VS 李世石，前者通過學習不同棋手間的對弈，在人機對抗中，戰勝圍棋冠軍。機器學習主要分為，監督學習（Supervised Learning）和無監督學習（Unsupervised Learning）。

兩者的區別在於，監督學習的E，為input & result。希望通過給定輸入（input），預估輸出（result）。而無監督學習的E，僅為input。希望將給定的輸入（input），歸為不同的簇集（未知的分類）。

有監督學習

有監督學習，用於處理迴歸（Regression）和分類（Classification）問題。迴歸問題，從座標影象顯示效果來看，可迴歸為連續（Continuous）的線型或面，而分類問題多為離散型（Discrete），星點狀，或存在重疊區域。

例如，圖1，最經典的房價預估問題。統計某一區域內，已成交的房屋面積和對應售價，為該區域內某一面積的房屋預估售價。通過迴歸分析，得到房價與面積的對應關係。

圖1中的+為樣本值，而直線和曲線分別是用不同方法得出的關係函式。從得到的對應關係來看，不同的對應關係（直線或者曲線）所預估的結果也不同。只有通過大量的樣本學習，才能得出較為準確的關係函式。當然了，實際房價也不僅僅與面積有關。

分類問題也較為普遍，最經典的腫瘤疾病判斷問題，例如，圖2。通過腫瘤大小，位置，患者年齡等一系列指標，判定患者是否患有癌症（或者患有何種癌症）。如上圖，不同的座標軸可能代表腫瘤的大小，位置，患者年齡，當然，也可能是其它引數。對應點的顏色則可能代表腫瘤的種類。

無監督學習

無監督學習用於處理聚類（Clustering，或聚簇）問題。即從給定的經驗（樣本集）中，發現和找到規律，將資料分類。而這些分類是事先所不知道的。例如，通過對圖3的學習，獲取類似圖4的聚類方法。

無監督學習的應用也很廣泛。例如，對於新聞的自動分類。當你在閱讀某一條“NBA 火箭隊交易”的新聞時，文章尾部的擴充套件閱讀，將會提供類似的新聞。

小結

至此，本文完成了對人工智慧的簡單描述，並瞭解了機器學習的兩種主要方法，以及方法的經典應用場景。此後，將進一步深入細節，瞭解實現。