北大AI-杨强

02 Oct 2018

传统人工智能方法

符号空间搜索：

穷举法？可以得到所有问题的解

登山算法：

从当前的节点开始，和周围的邻居节点的值进行比较。 如果当前节点是最大的，那么返回当前节点，作为最大值(既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。如此循环直到达到最高点。

• 缺点：
  1. 陷入局部最小；
  2. 在山脊震荡，
  3. 在平顶失去方向。

博弈树：

逻辑知识表达：

基于概率

机器学习：

自然语言处理

智能规划

最近突破的方法

卷积神经网络

深度神经网络

深度强化学习

人工智能的方向

• 理解人的意识？
• 深度生成模型：把两图合一
• 基于图像的问答：

  单例学习

  bayesian program learning（单个例学习），这是从一个例子就能学会，我们知道深度学习是有千万个例子的。实际上它用了我们过去没有涉及到的概念，就叫做结构，如果我们了解了一个问题的结构，那么这个结构的一个具体形式只用一个例子就可以学会了。其他的部分，需要很多例子的那一部分可能是参数、统计，这一部分我们实际上可以通过迁移学习来学习。也就是说这个圆就圆满了，就是一个闭环了。看到这么多人工智能的，有失败的时候，有成功的时候，我们到现在能总结出什么经验呢？我觉得现在的人工智能的成功离不开高质量的大数据，但是并不是未来人工智能的成功一定需要大数据。那么我们下面要问是不是在未来有小数据也可以让人工智能成功？大数据开疆拓土、更多的应用和更多的计算能力确实来自于工业。人才培养、小数据研究则依靠学界。这两者结合是我们今后发展的一个方向。

  机器学习

  CNN、RNN、DNN

  卷积神经网络、循环神经网络、深度神经网络

• 感知机：包含输入层、输出层和隐含层，即输入的特征向量通过隐含层到达输出层；
• 多层感知机
• DNN：结构上类似于多层感知机
• CNN：由于DNN的隐含层节点过多，CNN利用卷积核做池化。如对一幅图像用100个卷积核，每个卷积核处理后可以得到不同特征的响应；
• RNN：考虑时间序列上的变化，时间上梯度小时的问题，发展长短时记忆单元LSTM，防止梯度消失。

  Machine Translation

  建立一个中间语言，把所有语言都翻译成中间语言，再转译

• Visual Question Answering