目录
1.0引言
1.1目的
1.2背景
2.0方法
2.1阶段
3.0人工智能中的技术
3.1问题求解(搜索)
3.2知识、推理与规划
3.2.1逻辑
3.2.2规划
3.2.3知识表征和推理
3.2.4概率模型
3.3学习
3.3.1决策树/决策规则学习
3.3.2支持向量机
3.3.3K-最近邻
3.3.4集成学习
3.3.5回归分析
3.3.6神经网络
3.3.7强化学习
3.3.8聚类分析
3.3.9关联规则学习
3.3.10推荐系统
3.4通讯、感知与行动
3.4.1信息检索
3.4.2文本挖掘/分类
3.4.3信息抽取
3.4.4机器翻译
3.4.5语音识别
3.4.6计算机视觉
3.4.7机器人
4.0总结和影响
参考文献
1.0引言
1.1目的
本报告的目的是纵览人工智能(AI)的分支技术，明晰它们的发展路径，从而让读者能够更加准确和全面地了解人工智能研究领域的过去、现在和未来。
1.2背景
人们很容易混淆人工智能和机器学习(甚至深度学习)，觉得它们是一样的。这是一个很大的误解。除了流行的神经网络模型之外，人工智能的历史可以追溯到年，在达特茅斯那场名为「达特茅斯人工智能夏季研究项目(DartmouthSummerResearchProjectonArtificialIntelligence)」的研讨会上，「人工智能(ArtficialIntelligence)」(AI)这一术语被首次提出，人工智能研究领域也就此形成[1]。
本报告所讨论的「人工智能」主要是指可以通过机器体现的智能(也叫做机器智能(MachineIntelligence))。在学术研究领域，就是指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligentagent)[1]。
一般而言，人工智能的长期目标是实现通用人工智能(AGI)，这被看作是「强人工智能(strongAI)」。在处理交叉领域问题时，AGI的表现会远远超过普通的机器，并且它还能同时处理多个任务。而弱人工智能（weakAI，也被称为「狭隘人工智能(narrowAI)」)无法解决之前未见过的问题，而且其能力仅局限在特定的领域内。但是，人工智能专家和科学家现在对AGI的确切定义仍然含混不清。区别强人工智能和弱人工智能的常见方法是进行专业测试，比如咖啡测试、图灵测试、机器人大学生测试和就业测试[28]。
本报告所讨论的「技术(technology)」是一个广泛的概念，包含了人工智能领域所使用的方法、算法和模型，我们将使用「技术」一词指代这三者。
与人工智能相关的工作可以追溯到20世纪40年代，那时候WarrenMcCulloch和WalterPitts的研究表明可以通过互连的神经元网络执行计算，DonaldHebb也演示了赫布学习(Hebbianlearning)。年，当「人工智能(AI)」这一术语正式成型的时候，相应的研究也开始快速发展。那时候，人工智能还主要被用于问题求解。尽管在20世纪60年代和70年代期间，神经网络缓慢的发展速度和有限的进展受到过批评，但专家系统的出现维持了人们对人工智能的兴趣和相关研究的增长。不久之后，在20世纪80年代，因为大多数人工智能研究都无法实现它们原先过度的承诺，对人工智能研究的资助也流向了其它领域，由此人工智能学术研究步入了所谓的「人工智能冬天(AIWinter)」[1]时期。幸运的是，联结主义者重新发明的反向传播将神经网络带回了舞台。在20世纪90年代，研究者开始应用概率模型等更科学的方法；与此同时，支持向量机(SVM)在很多领域都超过并取代了神经网络。不久之后就进入了崭新的21世纪，大数据的时代到来了，这帮助研究者开发了多种学习算法，使得深度学习在近些年来得到了蓬勃发展。
转载请注明：http://www.0431gb208.com/sjsbszl/2514.html
