bayesian(人工智能这个专业是干什么的)

bayesian，人工智能这个专业是干什么的？

人工智能一个现代生活里很常见的名词，大多数人对其的印象停留于电影，觉得人工智能无所不能，甚至害怕人工智能有一天会统治世界。

说起来人工智能现在已经很常见了，从2011年siri诞生开始，人工智能其实就已经悄悄走进了大众的领域。到后来的阿法狗，讯飞语音输入法，小爱同学，微软小冰，天猫精灵，这些东西在以前看起来都神奇得不可思议，一个音响居然可以开口对你说话，而且你问的它都答得八九不离十，像个真人一样。

但我觉得人工智能没有那么神奇，所有的神奇效果只是多个技术的组合而已，把它拆开后，就能发现其实一点也不困难，技术就是这样，刚出来的时候令人惊叹，用多了就觉得见怪不怪。

我们首先可以去了解组成一个人工智能需要哪些东西。人工智能常见的技术有机器学习，语音识别，语义识别，计算机视觉，自动驾驶，机器人等。比如常见的语音助理，就包含了语音识别与语义识别两种技术。

这些技术听起来很好懂的样子，实际也不难。

语音识别就是识别一段语音的内容，每段语音都有其特定的频率，通常情况下，特定语音的发音是相似的，就像我们用钢琴和小提琴弹奏同样一段音乐一样，它们的音色不同，但他们的旋律是一样的，所以可以听出来多瑞咪发嗦，计算机在识别一段语音的时候，就是把语音的内容当做是一段音乐来分析，这一句话的旋律可以与哪几个字匹配，那一句话可以与哪几个字匹配。这样匹配匹配着，文字就出来了，所以即使每个人的发音不同，但说话的发音是相似的，那就可以识别出来了，代表产品——讯飞语音输入法，识别率已经高达98%，一百个字里错一两个字，完全不影响阅读，我们甚至已经可以在各大会场，看到由讯飞听见或者搜狗听写产出的字幕。

语义识别这个就比较难了，语音转成文字了，那文字包含的意思是怎么出来呢。这个其实在搜索引擎上很常见，我们通常去搜索一段文字的时候，会把一段文字拆成一个个词语，再通过搜索哪些内容与这些词语相匹配，从而得到搜索引擎的结果。一段文字表达的意思也是一样，比如今天天气怎么样，计算机就会拆成今天，天气，怎么样三个，再根据匹配到的内容，给以回答，通常这种都是程序设计好了的特定语句回答，工程师们会在数据库提前设置好大多数场景用的到的语句，以便于根据对应的情况调用。同时，机器学习算法，会根据数据检查大量的相同对话场景，并且筛选出想要的结果。这时候的回答通常能对应上，但有时候也会驴唇不对马嘴。这时候就要依靠对结果的挑选，帮助机器学习理解出哪些回答更容易正确。

这么说，机器学习会像学习围棋一样，筛选出大量可行的下法，但如果你告诉了它哪种下法更准确，那么它就越来越清楚哪种下法赢的可能性高，从而挑选出准确度更高的结果。

计算机视觉和识别语音一样，每张图片都有自己特殊的内容排列方式，如果相同的物体，它在图片上的内容排列方式是相似的，机器学习算法就是要找到这些相似之处，并且把它归类，下一次碰到相同的数据，再把它识别到这一类里，如果你指正它识别的正确与否，它经过学习之后，会更加清楚哪些是正确的，哪些是错误的，识别的准确率也会大大提高。而当数据量与处理能力到达一定的量级的时候，电脑甚至不需要你去标记出哪些是正确的，哪些是错误，它就能自发的去寻找相同类型的图片。并且再从其他的地方找出类似的图，2012年，谷歌动用16000个处理器的机器学习网络，就已经可以自发的找到猫的图片。而现在，这项技术已经被应用到各个地方。手机里的人物相册，拍照美图软件的人脸识别，火车站，支付宝的刷脸支付，都是其技术发展的重要标志。

自动驾驶自动驾驶严格意义上来说，不是一门技术，而是多项技术的合并场景。但由于这个技术的应用场景过于广泛而且前景巨大，被归为一类热门技术，吸引了大量的人才去钻研，去创造。自动驾驶技术，说小，可以用到家用扫地机上，说大，可以应用到飞机，轮船，火车，汽车上。它采用了哪些技术呢？雷达，红外探测，计算机视觉，GPS定位，这些技术，平时我们理解它的时候，以为它只能查看，但经过人工智能算法的处理之后，它相当于给了汽车一双眼睛和耳朵，让汽车可以感知到世界并且给予对的判断，比如雷达检测到前方有车，而车右侧马路很空，汽车可以自行变道，比如红外检测到前方车辆温度异常，于是减速远离，避免出现前方车辆起火而相撞的事情，汽车识别到的场景越多，数据量越庞大，那么行驶的可靠性就会更高。汽车有了这些先进的自动传感技术，再结合上机器学习的算法，自动驾驶的可能性会变得无比的高，如果未来的某一天，自动驾驶出事故的概率比人工驾驶的概率要低了，或许就可以通过法律的批准，然后真正的得到上市，到时候的汽车，可能就没有驾驶员了。目前，已经有没有驾驶员的自动驾驶汽车，在一些园区、学校、甚至机场进行测试运客，也有很多的学校，有无人快递车进行投送，我相信，自动驾驶普及到生活的这一天离我们不远了。

机器人机器人与自动驾驶一样，也是多项技术的合并场景，而且根据各个场景，所使用的传感器，处理方式，活动装置各不相同，无人机就是机器人分类下的一种，虽然无人机目前大多数由人类自己遥控，但无人机上仍然搭载了很多优秀的智能技术，如自动识别前方物体来进行避障；自动识别水面从而避免落水。这使无人机从一个专业的技术，变成了大众可以使用的普通技术，现在很多摄影师，使用无人机进行航拍摄影，就是因为这项技术的普及使得操作变得简化、大众化、平民化。不过机器人更广泛的应用场景，应该在工业，农业这些需要庞大劳动力的地方，现在工厂的自动化流水线，经过稍加改造，就可以成为智能的机器人生产流水线，通过机器的识别的精细度与操作的精准度，能大大提高生产效率，提升产品质量，并且提供优化与解决的方法。

得益于计算机算力的进步与网络的发展，机器学习，神经网络，区块链，AR/VR，大数据，物联网，云计算，这些技术的发展前途得到了突飞猛进，以至于人工智能成为了未来世界里绝不可忽视的问题。它带来的影响力是深远的，它抛开了人类传统里由自主制定规则的程式化运作，拥抱了数据与机器学习的智能化运作，很多人类下意识的动作，相似的人类思维的方式，相同问题的解决方法，人工智能都可以得出一个当时最优解，比起依靠认知与经验的人类来说，只要机器的算法足够的好，出错率足够的低，那未来生活将会变无比神奇而美好，这也是我相信人工智能会改变世界的运行规则的原因。

就是对事物进行？

分类就是对事物进行区分的过程和方法，就是根据文本的特征或属性，划分到已有的类别中。

常用的分类算法包括：决策树分类法，朴素的贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearest neighbor，kNN)，模糊分类法等等。

北航2023年人工智能考研大纲？

1、842人工智能基础综合试题含信号与系统、算法设计与分析和机器学习三门课程的内容。所有课程均不指定参考书。

2、试题总分为150分，每门课试题满分50分，三门课程的试题均计入考试成绩。

《信号与系统》考试大纲（50分）

一、复习要点

（一）信号与系统绪论

(1)信号与系统的概念；

(2)信号的描述、分类及常用信号；

(3)信号的基本运算。

（二）正交函数集与正交分解

(1)信号分解的物理意义；

(2)正交函数集；

(3)信号在正交函数集上的分解。

（三）连续周期信号的傅里叶级数

(1)连续周期信号在三角函数集上展开；

(2)连续周期信号傅里叶级数；

(3)有限项傅里叶级数与均方误差。

（四）连续信号的傅里叶变换

(1)非周期连续信号的傅里叶变换；

(2)典型信号的傅里叶变换；

(3)傅里叶变换的基本性质；

(4)周期信号的傅里叶变换。

（五）拉氏变换

(1)拉氏变换的定义、物理意义；

(2)拉氏变换的基本性质；

(3)拉氏逆变换；

(4)双边拉氏变换。

（六）连续时间系统的时域分析

(1)系统的概念、表示与分类；

(2)LTI系统分析方法概述；

(3)连续系统的时域经典分析法；

(4)零输入响应与零状态响应；

(5)卷积的定义与性质；

(6)卷积法求解系统响应。

（七）连续时间系统的S域分析

(1)系统函数；

(2)由系统函数零、极点分布分析时域特性；

(3)线性系统的稳定性分析。

（八）离散时间系统的时域分析

(1)离散时间信号（序列）及其表示；

(2)典型离散时间信号；

(3)离散时间信号的基本运算；

(4)离散时间系统的基本概念描述与分类；

(5)系统冲激响应函数的求解。

（九）离散时间系统的Z域分析

(1)z变换及其收敛域；

(2)典型序列的z变换；

(3)逆z变换；

(4)z变换的基本性质；

(5)系统函数与z域分析。

（十）离散信号的傅里叶分析

(1)离散周期信号的傅里叶级数DFS；

(2)序列的傅里叶变换离散时间傅里叶变换DTFT；

(3)离散傅里叶变换DFT；

(4)快速傅里叶变换FFT。

（十一）傅里叶变换及其图像处理应用

(1)数字图像简介；

(2)二维离散傅里叶变换2D DFT及其性质；

(3)2D DFT在图像处理中的应用。

《算法设计与分析》考试大纲（50分）

一、整体要求

(一)掌握算法的定义、性质和表示方法，并能够使用伪代码对算法进行描述；

(二)能够熟练采用渐近上界、渐近下界与渐近紧确界分析算法的运行时间；

(三)掌握算法设计的常用方法，包括分而治之、动态规划、贪心、近似算法；掌握图的基本概念和重要的基础图算法；

(四)掌握计算复杂性的基本概念和证明P类、NP类问题的方法；

(五)具有对简单计算问题的建模、分析、算法设计、算法优化和编程求解能力。

二、复习要点

(一)渐近复杂性分析

（1）Ｏ、Ω、Θ符号定义；

（2）分析给定算法的渐近复杂性；

（3）比较具有不同渐近上界的算法的效率；

（4）递归函数的运行时间分析。

（二）常用算法设计方法的基本思想和特点，以及针对具体问题设计相应的算法并分析其效率

（1）分治算法

（2）动态规划算法

（3）贪心算法

（4）近似算法

（三）图算法

（1）图的基本概念和基本性质；

（2）图的表示方法；

（3）图的遍历与搜索方法；

（4）最小生成树和最短路径等图具体问题算法。

（四）计算复杂性

（1）计算复杂性的基本概念，如判定问题、优化问题等；

（2）P类和NP类问题的定义和证明。

《机器学习》考试大纲（50分）

一、复习要点

（一）机器学习基础算法：（1）Bayesian学习以及相关算法；（2）Q学习基本概念；（3）归纳学习-决策树构建算法。

掌握机器学习发展历史、AlphaGO技术的发展历史以及核心技术，掌握Q学习的基本方法；掌握VC维的定义，以及统计学习理论的基本结论，深入理解经验风险和真实风险概念区别与联系；理解Bayesian的基本原理，贝叶斯学习、朴素贝叶斯算法在相关实际问题中应用；掌握HMM算法的基本原理；掌握信息熵概念的内涵、ID3算法构建过程、根据具体的实例，构建决策树。掌握信息增益的概念，以及在构建决策树时的物理含义。

（二）神经网络与深度学习：（1）线性分类器-感知机等；（2）传统神经网络-BP算法等；（3）深度学习-卷积神经网络等。

掌握线性分类器的构建方法，包括线性分类器的基本形式、构建方法；掌握感知机的构建方法、Fisher准则、最小均方误差准则。掌握机器学习里优化概念如何应用于线性分类器的设计。理解神经网络的反传算法基本原理、能够根据具体简单的网络实例写出反传公式的基本形式。了解经典深度神经网络模型、以及前沿技术，主要掌握卷积神经网络；理解卷积神经网络的构建过程、包括卷积操作的定义、Pooling操作的定义等。

（三）统计学习分类器：（1）支持向量机；（2）Adaboost算法；（3）子空间学习与稀疏表示。

理解统计学习理论的基本原理、支持向量机的基本原理与线性分类器的联系。掌握支持向量机的优化目标构造方法、优化算法以及应用。掌握Adaboost的基本原理，弱分类器的基本概念以及分类器融合算法。掌握子空间学习与稀疏表示的基本概念与思想，掌握主成分分析方法的具体过程、优化目标以及应用。基本了解Fisher判别分析、核判别分析等等；了解稀疏表示方法与子空间学习的联系与区别。

学习大数据机器学习及人工智能必读书目有哪些？

机器学习给人类带来了不可思议的力量，得益于移动互联网和物联网的发展，机器学习正在以前所未有的速度改变人类的生活。

如今，但凡有些名气的科技公司都在发展机器学习和人工智能，后来者希望借助这个风口一举完成逆袭，巨头们希望在这个风口上提前卡位布局，进一步拉开与追随者的距离。

如今，机器学习和人工智能成为新宠，聪明人都渴望掌握一些相关的技术，以免被人工智能的浪潮淘汰。科技狂人马斯克在被问到自己的成功秘诀时说，读书，不停地读书。

读书使人进步，那么，对于机器学习和人工智能领域的初学者来说，哪些书是必读的呢？本文列出了有关机器学习和人工智能的最佳入门书籍，不分次序。希望它们能给您打开人工智能世界的大门。

机器学习

Programming Collective Intelligence

本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。

全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。本书是Web开发者、架构师、应用工程师等的绝佳选择。

Machine Learning for Hackers

Machine Learning for Hackers （中文译名：机器学习-实用案例解析）通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。这是一本实操型的书，重点放在讲怎么用R做数据挖掘，机器学习的算法更多的是通过黑箱的方式来讲，强调input,output含义，弱化机器学习算法细节。文中基本都是通过case来讲述怎么去解决问题，并且提供了原始数据供自己分析。适合两种人：

（1）有过机器学习的一些理论，缺少案例练习

（2）只需掌握怎么用通用的机器学习解决问题的人，只希望知道机器学习算法的大致思想，不想详细学习机器学习中的算法。

Machine Learning by Tom M Mitchell

《Machine Learning》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《Machine Learning》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。

The Elements of Statistical Learning

《The Elements of Statistical Learning》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《The Elements of Statistical Learning》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。

计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。

Learning from Data

这是一门机器学习（ML）的入门课程，涵盖其基本理论、算法及应用。机器学习是大数据及金融、医药、商业及科研应用的关键技术。机器学习使得计算系统能够自动学习如何通过数据中提取的信息执行目标任务。机器学习现已成为当下最热门的研究领域之一，也是加州理工学院15个不同专业的本科生和研究生的研修课程。本课程在理论和实践中保持平衡，并涵盖了数学与启发式方法。

Pattern Recognition and Machine Learning

这本书是机器学习的神作之一，必读经典！

人工智能

Artificial Intelligence: A Modern Approach

《Artificial Intelligence: A Modern Approach》以详尽和丰富的资料，从理性智能体的角度，全面阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向，是一本难得的综合性教材。

Artificial Intelligence for Humans

这本书阐释了基本的人工智能算法，如维度、距离度量、聚类、误差计算和线性回归等，用了丰富的案例进行阐释。需要较好的数学基础。

Paradigm of Artificial Intelligence Programming

本书介绍了出色的编程范式和基本的AI理论，是致力于人工智能领域的小伙伴的必读之作。

Artificial Intelligence: A New Synthesis

本书提出了统一人工智能理论的新的集成方法，涵盖了诸如神经网络，计算机视觉，启发式搜索，贝叶斯网络等。进阶选手必读。

The Emotion Machine: Commonsense Thinking, Artificial Intelligence and the Future of Human Mind