论文部分内容阅读
摘 要 機器学习是人工智能的核心，也是人工智能技术发展的第三阶段。本文简要分析了人工智能机器学习的研究要点，并对机器学习的技术核心——深度学习（多层神经网络）重点进行探究，旨在从算法层面促进机器学习技术的发展与应用，推动人工智能的健康发展。
关键词 人工智能；机器学习；深度学习
机器学习的初衷是通过学习，AI能够从数据或历史经验中发现规律，自动获取相关知识。人工智能涉及到的专业领域多而复杂，但最终的目的都是使AI具备与人类相似的独立思考能力，即“聪明”属性。因此，有必要通过人工智能算法脉络解析算法应用基本场景，对AI进行更为理性的理解与思考。
1基于人工智能的机器学习研究要点
1.1与环境相适应
对于环境的适应性不同是机器与人类主要差别，环境因素影响机器学习的质量，因此人工智能技术研究中机器对于环境的适应性也是重点研究课题。此外，建立机器内部体系存放的原则通常遵循环境适应性原则，基于环境复杂性特点，机器学习中需要有大量数据作为支撑，同时适当删减多余环节，尽量简化机器学习过程。
1.2扩展机器知识库
需要为机器学习提供种类丰富且表现形式多样化的知识库，包括特征向量、规则化语言以及网络化关联等[1]。在此基础上适当扩展并延伸知识库内容，提升机器学习能力。需要注意的是：一方面选择逻辑较为简单且表意明确的模式，另一方面推理过程容易理解，以此降低机械计算成本。
2机器学习技术中的深度学习技术
在大数据背景下，机器需要处理大量且复杂的数据信息，传统人工智能的机器学习理论难以胜任，无法有效理解并模拟人类学习过程，在发现新事物的能力以及对不完全信息推理能力方面存在较多缺陷。基于此，需要运用深度学习技术研究新的机器学习算法。以人工智能AlphaGo为例，其采用了最新神经网络技术构建了策略网络以及评价网络两个“大脑”，在深度学习技术的支持下，显著提升了大脑对数据处理的准确度和速度。AlphaGo使用了全新算法，其出现为机器学习技术发展带来全新的前景。
2.1机器学习与 AlphaGo 的适切性
AlphaGo作为人工智能的尖端成果，运用了多种机器学习方法，但最为主要的有如下几种。（1）预测，即根据自身已知对未知进行估计。在机器学习中，预测可理解为开发一种新的数学模型，并根据收集的数据（预测变量）对未知数据（预测变量）进行推断。以AlphaGo战胜国际象棋世界冠军卡斯帕罗夫为例，正是因为他可以借助对战分析人类棋手下棋模式，运用预测手段对人类棋手后续走子行为作出较为精准的预测。通常情况下，预测常用的方法为分类和回归。
2.1.1分类
分类算法包括决策树、随机森林、逐步回归和逻辑回归等。以AlphaGo与李世石的对局为例，其主要使用了决策树算法，对其下棋未来几步甚至几十步走子数据进行了分析预测。
2.1.2回归
不同于分类，回归是以连续数值型作为目标数据，主要包括有线性回归算法和回归树算法，通常情况下多用于研究多个数据之间的潜在联系，并通过数学方法进行描述。AlphaGo在对局中采用的是逻辑回归算法，在复杂多变的情况下，判断对手在棋盘各个位置上可能走子的概率作为自身走子的依据。人类充当导师的角色，通过机器学习技术使得机器学会思考，甚至比人类更会思考。
2.2深度学习算法在人工智能的应用
AlphaGo将深度学习技术运用到登峰造极的地步，促进了人工智能智能化水平的提升，是机器学习技术的价值体现[2]。AlphaGo在对局中，系统主要由Policy Network（策略网络）、Fastrollout（快速走子）、Value Network（价值网络）、MonteCarlo Tree Search（蒙特卡洛树搜索）四部分构成。其中，Policy Network用于分析当前局势，对下一步走子进行采样并预测。Fastrollout可显著提升走子速度。Value Network通过分析数据，可对棋局各方胜率提前作出预判。而MonteCarlo Tree Search是连接上述三部分的纽带，使其形成完整的系统。
运用深度学习法，AlphaGo通过神经网络的非监督式学习来指派初始权重，并拥有两个相对独立的大脑，即策略网络与评价网络。研究人员将大量职业选手棋谱输入到系统中，通过算法，AlphaGo的准确率已经高达50%以上，同时卷积核对棋盘无用区域的过滤作用使得预测速度提高了千倍以上。
通过深度学习技术，人工智能的学习能力仍在不断进步中，最新升级的AlphaGoZero将两个大脑一体化，将快速随机走子方式进行升级，通过提升神经网络的质量完成决策与评估。此外，AlphaGoZero的学习能力进一步提升表现在能够在不提前输入围棋规则情况下，依靠自身3天内完成近500次博弈，从中逐渐建立起一套围棋策略体系。在与AlphaGo的对决中，以100：0的成绩完胜。
3结论
在信息革命以及大数据时代背景下，深度学习作为机器学习的子领域具有广阔的发展前景，利于促进人工智能技术不断发展并逐渐迈向新高度。未来，人工智能或将从机器学习阶段最终发展进入通用智能系统阶段，由此我国应重视相关人才的培养，鼓励并支持机器学习技术的发展与应用，促进人工智能产业发展。
参考文献：
[1]李康化，姜姗.机器学习与文化生产变革——基于AI技术发展视角[J].湘潭大学学报（哲学社会科学版），2020，44（01）：74-79.
[2]余涛，贾如春.基于机器学习算法人工智能技术的发展与应用[J].数学学习与研究，2019（13）：149.
关键词 人工智能；机器学习；深度学习
机器学习的初衷是通过学习，AI能够从数据或历史经验中发现规律，自动获取相关知识。人工智能涉及到的专业领域多而复杂，但最终的目的都是使AI具备与人类相似的独立思考能力，即“聪明”属性。因此，有必要通过人工智能算法脉络解析算法应用基本场景，对AI进行更为理性的理解与思考。
1基于人工智能的机器学习研究要点
1.1与环境相适应
对于环境的适应性不同是机器与人类主要差别，环境因素影响机器学习的质量，因此人工智能技术研究中机器对于环境的适应性也是重点研究课题。此外，建立机器内部体系存放的原则通常遵循环境适应性原则，基于环境复杂性特点，机器学习中需要有大量数据作为支撑，同时适当删减多余环节，尽量简化机器学习过程。
1.2扩展机器知识库
需要为机器学习提供种类丰富且表现形式多样化的知识库，包括特征向量、规则化语言以及网络化关联等[1]。在此基础上适当扩展并延伸知识库内容，提升机器学习能力。需要注意的是：一方面选择逻辑较为简单且表意明确的模式，另一方面推理过程容易理解，以此降低机械计算成本。
2机器学习技术中的深度学习技术
在大数据背景下，机器需要处理大量且复杂的数据信息，传统人工智能的机器学习理论难以胜任，无法有效理解并模拟人类学习过程，在发现新事物的能力以及对不完全信息推理能力方面存在较多缺陷。基于此，需要运用深度学习技术研究新的机器学习算法。以人工智能AlphaGo为例，其采用了最新神经网络技术构建了策略网络以及评价网络两个“大脑”，在深度学习技术的支持下，显著提升了大脑对数据处理的准确度和速度。AlphaGo使用了全新算法，其出现为机器学习技术发展带来全新的前景。
2.1机器学习与 AlphaGo 的适切性
AlphaGo作为人工智能的尖端成果，运用了多种机器学习方法，但最为主要的有如下几种。（1）预测，即根据自身已知对未知进行估计。在机器学习中，预测可理解为开发一种新的数学模型，并根据收集的数据（预测变量）对未知数据（预测变量）进行推断。以AlphaGo战胜国际象棋世界冠军卡斯帕罗夫为例，正是因为他可以借助对战分析人类棋手下棋模式，运用预测手段对人类棋手后续走子行为作出较为精准的预测。通常情况下，预测常用的方法为分类和回归。
2.1.1分类
分类算法包括决策树、随机森林、逐步回归和逻辑回归等。以AlphaGo与李世石的对局为例，其主要使用了决策树算法，对其下棋未来几步甚至几十步走子数据进行了分析预测。
2.1.2回归
不同于分类，回归是以连续数值型作为目标数据，主要包括有线性回归算法和回归树算法，通常情况下多用于研究多个数据之间的潜在联系，并通过数学方法进行描述。AlphaGo在对局中采用的是逻辑回归算法，在复杂多变的情况下，判断对手在棋盘各个位置上可能走子的概率作为自身走子的依据。人类充当导师的角色，通过机器学习技术使得机器学会思考，甚至比人类更会思考。
2.2深度学习算法在人工智能的应用
AlphaGo将深度学习技术运用到登峰造极的地步，促进了人工智能智能化水平的提升，是机器学习技术的价值体现[2]。AlphaGo在对局中，系统主要由Policy Network（策略网络）、Fastrollout（快速走子）、Value Network（价值网络）、MonteCarlo Tree Search（蒙特卡洛树搜索）四部分构成。其中，Policy Network用于分析当前局势，对下一步走子进行采样并预测。Fastrollout可显著提升走子速度。Value Network通过分析数据，可对棋局各方胜率提前作出预判。而MonteCarlo Tree Search是连接上述三部分的纽带，使其形成完整的系统。
运用深度学习法，AlphaGo通过神经网络的非监督式学习来指派初始权重，并拥有两个相对独立的大脑，即策略网络与评价网络。研究人员将大量职业选手棋谱输入到系统中，通过算法，AlphaGo的准确率已经高达50%以上，同时卷积核对棋盘无用区域的过滤作用使得预测速度提高了千倍以上。
通过深度学习技术，人工智能的学习能力仍在不断进步中，最新升级的AlphaGoZero将两个大脑一体化，将快速随机走子方式进行升级，通过提升神经网络的质量完成决策与评估。此外，AlphaGoZero的学习能力进一步提升表现在能够在不提前输入围棋规则情况下，依靠自身3天内完成近500次博弈，从中逐渐建立起一套围棋策略体系。在与AlphaGo的对决中，以100：0的成绩完胜。
3结论
在信息革命以及大数据时代背景下，深度学习作为机器学习的子领域具有广阔的发展前景，利于促进人工智能技术不断发展并逐渐迈向新高度。未来，人工智能或将从机器学习阶段最终发展进入通用智能系统阶段，由此我国应重视相关人才的培养，鼓励并支持机器学习技术的发展与应用，促进人工智能产业发展。
参考文献：
[1]李康化，姜姗.机器学习与文化生产变革——基于AI技术发展视角[J].湘潭大学学报（哲学社会科学版），2020，44（01）：74-79.
[2]余涛，贾如春.基于机器学习算法人工智能技术的发展与应用[J].数学学习与研究，2019（13）：149.