人工智能是指通过普通计算机程序实现的人类智能技术,这一学科不仅具有非凡的科学意义,对人类自身生存方式的影响也在不断加深。本书作为人工智能领域的入门读物,内容围绕人工智能的核心框架展开,具体包括数学基础知识、机器学习算法、人工神经网络原理、深度学习方法与实例、深度学习之外的人工智能和实践应用场景等模块。本书力图为人工智能初学者提供关于这一领域的全面认识,也为进一步的深入研究奠定坚实的基础。
通俗易懂的人工智能入门课!
自序
2016 年,AlphaGo 的横空出世掀起了人工智能的新一轮热潮。在经历了近三十年的沉寂后,人工智能终于迎来了新的春天。自此,人工智能不仅以如火如荼之势赚足了政策的关注、资本的涌入以及吃瓜群众的眼球,其技术进展更是以令人瞠目结舌的速度狂飙突进,悄无声息地改造着普通人的生活。
人工智能是一把双刃剑,它既能推动经济社会的进步,也能潜移默化地改造人类自己,这种改造的威力甚至远胜于基因武器。关于人工智能对人类自身影响的论述虽然屡见不鲜,绝大多数却都不得要领。众多专家鼓吹的“超人工智能毁灭人类”的末世论调,即使不是胡说八道也称得上危言耸听。无人超市和无人工厂的出现都在表明:人工智能真正的威胁在于使绝大多数人沦为机器的附庸。人工智能本质上是一种劳动工具,但当劳动工具本身已经强大到反客为主时,作为劳动者的人类便成了多余的角色,有降格为“亚人工智能”的风险。
如何应对来势汹汹的人工智能?一个办法是专精于依赖创造力的领域,比如科学和艺术,但这对天赋的要求较高,显然并不适用于每一个人(更何况人工智能很可能重塑人类对科学和艺术的品味);另一种门槛更低的办法就是掌握核心技术,让人工智能回归“为我所用”的工具性,正如伟大的军事家孙武所言:“知己知彼,百战不殆。”
这就是本书的目的:普及人工智能的基础知识,建立人工智能的
初步体系,走出了解人工智能的第一步。人工智能虽然复杂,但并不神秘。它建立在基础数学上,通过简单模型的组合实现复杂功能。在工程上,深度神经网络通常以其恒河沙数般的参数让人望而却步;可在理论上,各种机器学习方法的数学原理却具有更优的可解释性。从事年薪百万的高端研究固然需要非凡的头脑,但理解人工智能的基本原理绝非普通人遥不可及的梦想。
但理解基本原理不是终点。本书应该是一份简历、一份提纲,勾勒出这个领域的基本框架。当然,简历无法浓缩一个人丰富的经历,几十篇文章的体量也不足以覆盖人工智能的全部内容。想要基于这份提纲深入研究,还需要付出更多的时间和精力。
学习人工智能的目的是什么呢?是将人工智能融入现有的工作之中。人类智能和人工智能各有所长,互为补充,人类的优势在于想象力和创造力,机器则更擅长完成具有固定规则的重复性劳动。人工智能的价值在于落地,它的优势则是几乎在所有领域都有用武之地。与其星辰大海,不如近水楼台,将自身专业的领域知识和人工智能的方法结合,以处理和解决实际问题,并在实践中不断学习和进化,这才是搭上人工智能这列快车的正确方法。
世纪之交时曾流行一种说法:不懂计算机、外语和驾驶技术的人将成为21 世纪的文盲。而在不久的将来,人工智能很可能成为检验文盲的新标尺。希望本书能够成为系统和深入学习人工智能的基础,也祝愿未来的你能够掌控人工智能,而不是被人工智能所掌控。
王天一
2018 年4 月于贵阳
前言
欢迎阅读《裂变:秒懂人工智能的基础课》 !
作为一门交叉学科,人工智能涉及纷繁的基础知识,难免让初学者有一头雾水之感。虽然眼下关于人工智能和机器学习的专著汗牛充栋,但这些著作要么专注于艰深的理论,要么偏重于代码的实现,在基础与进阶的衔接处理上则略嫌草率。正因如此,本书希望为人工智能的入门者提供对这一学科的初步认识和基础知识,从而为深入的钻研做好准备。出于可读性的考虑,本书尽可能地减少复杂数学公式的使用,力图以通俗的语言解释清楚公式背后的道理,在数学细节之外先建立起原理与概念的框架,以了解整个领域的概貌。
人工智能的早期发展遵循的是符号主义学派的路径,但狭窄的应用领域让它在短暂的辉煌之后迅速走向沉寂。吸取了符号主义学派的教训,连接主义学派以工程技术手段模拟人脑神经系统的结构和功能。这种思路在一定程度上实现了人脑形象思维,也带来了今天人工智能的核心技术。正因如此,本书在内容安排上将围绕机器学习与神经网络等核心概念展开,并结合当下火热的深度学习技术,勾勒出人工智能发展的基本轮廓与主要路径。结合人工智能发展的历史与趋势,本书内容包含以下几个模块。
? 数学基础。数学基础知识蕴含着处理智能问题的基本思想与方法,也是理解复杂算法的必备要素。这一模块覆盖了人工智能必备的数学基础知识,包括线性代数、概率论、最优化方法等。
? 机器学习。机器学习的作用是从数据中习得学习算法,进而解决实际的应用问题,是人工智能的核心内容之一。这一模块覆盖了机器学习中的主要方法,包括线性回归、决策树、支持向量机、聚类等。
? 人工神经网络。作为机器学习的一个分支,神经网络将认知科学引入机器学习中,以模拟生物神经系统对真实世界的交互反应,并取得了良好的效果。这一模块覆盖了神经网络中的基本概念,包括多层神经网络、前馈与反向传播、自组织神经网络等。
? 深度学习。简而言之,深度学习就是包含多个中间层的神经网络,数据爆炸和计算力飙升推动了深度学习的崛起。这一模块覆盖了深度学习的概念与实现,包括深度前馈网络、深度学习中的正则化、自编码器等。
? 神经网络实例。在深度学习框架下,一些神经网络已经被用于各种应用场景,并取得了不俗的效果。这一模块覆盖了几种神经网络实例,包括深度信念网络、卷积神经网络、循环神经网络等。
? 深度学习之外的人工智能。深度学习既有优点也有局限,其他方向的人工智能研究正是有益的补充。这一模块覆盖了与深度学习无关的典型学习方法,包括概率图模型、集群智能、迁移学习、知识图谱等。
? 应用场景。除了代替人类执行重复性的劳动,在诸多实际问题的处理中,人工智能也提供了有意义的尝试。这一模块覆盖了人工智能技术在几类实际任务中的应用,包括计算机视觉、语音处理、对话系统等。
本书脱胎于作者在极客邦科技的极客时间 App 上所开设的专栏《人工智能基础课》。在专栏的打磨过程中,极客邦科技的郭蕾和李佳给予了极大的帮助;在本书的出版过程中,电子工业出版社的张春雨和刘恩惠付出了辛勤的劳动。在此谨向极客邦科技和电子工业出版社两个优秀的平台,以及所有相关工作人员一并表示诚挚的感谢。
由于作者才疏学浅,书中错漏之处在所难免,在此谨请广大读者批评指正,不吝赐教。