码迷,mamicode.com
首页 > 其他好文 > 详细

认知计算概论

时间:2016-10-24 22:47:23      阅读:326      评论:0      收藏:0      [点我收藏+]

标签:规模   网络   实际应用   事物   决策树   领域   发展   k近邻   生活   

      前段时间的“人机大战”——谷歌的Alpha Go战胜人类棋手的新闻甚嚣尘上,不禁有人会想起1997年IBM自主研发的深蓝战胜卡斯帕罗夫的事件。“人工智能”这个词再次被推上风口浪尖,而“认知计算”却鲜有人听说,同样是人类模拟机器思索,让机器具有自主思考能力,都是具有跨时代意义和里程碑式的存在。

      认知计算更加强调机器或人造大脑如何能够主动学习、推理、感知这个世界,并与人类、环境进行交互的反应。它会根据环境的变化做出动态的反应,所以认知更加强调它的动态性、自适应性、鲁棒性、交互性。

      计算机在体系架构上的发展历史主要体现在两个方面:

  • 计算能力的增强
  • 计算规模的增大

     随着计算机计算能力的大幅增强,具备了处理海量数据的能力;另一方面,日常生活中所产生的数据规模日益扩大,所拥有的数据源驱动了深层次分析的需求;同时大数据、云计算技术的不断完善,都促进了对数据进行深度挖掘,提取数据的特征,利用特征让机器具有自主学习与思考的能力。

     按照计算方式的不同,可以分为三个计算时代:

  • 1990s~1940s  打卡阶段(The Tabulating Era)       机械式
  • 1950s~现在     编程阶段(The Programming Era)   自主输入
  • 2011~将来      认知计算阶段(The Cognitive Era)    自动思考

     “大脑”项目:Think & Learn

  • 2006     IBM        Watson      利用自然语言分析,让机器自动推理事件与回答问题;涵盖医疗、数据分析、“危险游戏”等。
  • 2011     Google    谷歌大脑     通过神经网络,能够让更多的用户拥有完美的、没有错误的使用体验;谷歌无人驾驶汽车、谷歌眼镜等。
  • 2012     Baidu      百度大脑     融合深度学习算法、数据建模、大规模GPU并行化平台等技术,构造起深度神经网络。

一、认知计算的概念:

  1. 人工智能与认知计算的区别:
  • 人工,以人为主导;认知,机器对事物与外界的理解,交互的能力
  • 编程能力;学习与推理的能力
  • 确定性结果;概率性结果
  • 人并未参与;人、机器、环境之间的交互
  • 图灵测试或仿造人测量;实际应用中的测试

     2.  认知计算所涉及的技术领域:

  • 神经科学:机器模拟人脑神经元的思考过程;
  • 超计算:超级快速计算和处理能力;
  • 纳米技术:芯片、系统等底层架构设计。

     技术分享

     3. 认知计算系统的组成:

     需要一个能够理解、学习、推理的“大脑”,一个物物相连的外部环境,大脑与环境之间互相感知与交互。

     技术分享

    4.  认知计算的应用:

  • 典型系统特征:大规模、复杂、人与外界交互、大量非结构化数据、输出结果不定的系统;
  • 生命科学领域:医疗、保险;
  • 社会机构领域:金融银行、政府、能源、教育、商业、交通等。

   5.  案例:Watson-历史上第一个认知系统

  • 自然语言处理
  • 问答技术
  • 高性能计算
  • 知识的表达和推理
  • 机器学习
  • 非结构化信息管理

   6.  认知系统的五个核心功能:

  • 创造更深的人工参与
  • 测量和提升专业知识
  • 认知融入产品和服务
  • 实现认知过程和操作
  • 加强探索和发现

   7.  认知计算系统的挑战与要求:

    技术分享

   8.  认知计算系统的架构:

  • 底层架构:芯片设计(GPU、FPGA、ASIC、POWER8)
  • 基础设施:云环境、超级计算节点
  • 组织构架:caffe、Theano、Torch等
  • 库文件:数据库、工具、包等
  • 应用层:信息采集的有效性、人机交互界面、搜索引擎等

 二、人工智能的概述:

     人的大脑科学&计算机科学——>可视化、心理学、神经元组成、深度学习

    1. 人工智能发展过程:

     技术分享

    2. 机器学习的概述:

     技术分享

     两种分类:

  • 监督学习:已知label来对事物进行分类;
  • 无监督学习:未知label来学习事物特征。

     应用领域:图像识别、计算机视觉、语音识别、生物监控、机器人控制、经验科学、智能医疗等。

     机器学习的流程图:

     技术分享

     分类算法:

  • 支持向量机
  • 神经网络
  • 朴素贝叶斯
  • 贝叶斯网络
  • 逻辑回归
  • 随机森林
  • 决策树
  • k近邻
  • RBMs

     泛化问题:过拟合、欠拟合

    3. 深度学习的概述:

     技术分享

     典型的深度学习:卷积神经网络CNN

     技术分享

 

认知计算概论

标签:规模   网络   实际应用   事物   决策树   领域   发展   k近邻   生活   

原文地址:http://www.cnblogs.com/wallacup/p/5994772.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!