1.逻辑和算法（常识性的“思考”机）

1. 逻辑和算法（常识“思考”机器）

大部分早期的人工智能工作都与逻辑、自动定理证明和操纵各种符号有关。约翰·麦卡锡在 1959 年发表的题为“常识编程”的开创性论文也顺应了这一趋势。

如果我们打开当今最流行的 AI 教科书之一《人工智能：现代方法》（AIMA），我们会立即注意到这本书的开头介绍了搜索、约束满足问题、一阶逻辑和编程。第三版的封面（如下图）像一个大棋盘（因为掌握国际象棋是人类智力的标志），并以艾伦·图灵（计算机理论之父）和亚里士多德（最伟大的古典哲学家）为特色，象征着智慧） .

CS本科人工智能课程规范教材AIMA的封面

然而，基于逻辑的人工智能掩盖了感知问题，我一直认为理解感知原理是解开智能奥秘的金钥匙。感知是人类容易掌握但机器难以掌握的事物之一。（延伸阅读：《计算机视觉就是人工智能》，作者2011年博文）逻辑是纯粹的，传统的象棋机器人也是纯算法的，但现实世界是丑陋的、肮脏的、充满不确定性的。

我认为大多数当代人工智能研究人员认为基于逻辑的人工智能已经死了。一个一切都被完美观察并且没有测量误差的世界并不是机器人和大数据所在的现实世界。我们生活在机器学习时代，数字技术击败一阶逻辑。

逻辑非常适合讲课，我怀疑一旦足够多的认知问题“基本解决”，我们就会看到逻辑的复兴。未来会有很多开放的认知问题，所以会有很多场景。在这些场景下，社区不再需要担心认知问题，开始重新审视这些经典思想。也许在2020年。

2. 概率、统计和图形模型（“测量”机器）

人工智能中的概率方法用于解决不确定性问题。《人工智能：一种现代方法》一书的中间章节介绍了“不确定的知识和推理”，对这些方法进行了生动的介绍。如果你是第一次接触 AIMA概率论pdf是什么意思，我建议你从这个部分开始。如果您是刚接触 AI 的学生，请不要吝啬数学。

宾夕法尼亚州立大学概率与数理统计课程的 PDF 文件

当大多数人提到概率方法时，他们认为这只是计数。外行很容易假设概率方法是花哨的计数方法。然后概率论pdf是什么意思，我们简要回顾了过去这两种可比较的统计思维方法。

频率论方法严重依赖经验——这些方法是数据驱动的，纯粹依靠数据进行推断。贝叶斯方法更复杂，并且结合了数据驱动的可能性和先验。这些先验往往来自第一原理或“直觉”，而贝叶斯方法擅长将数据和启发式方法结合起来以制作更智能的算法——理性主义和经验主义世界观的完美结合。

最激动人心的，后来的常客与贝叶斯辩论，是一种称为概率图形模型的东西。这类技术来自计算机科学领域，虽然机器学习现在是 CS 和统计学学位的重要组成部分，但当统计学和运算结合起来时，它的强大能力才真正释放出来。

概率图模型是图论和概率方法的结合，这两种方法在 2000 年代中期都在机器学习研究人员中风靡一时。当我在读研究生时（2005-2011），变分方法、吉布斯采样和信念传播算法深深地嵌入了每个 CMU 研究生的大脑，让我们有机会思考机器学习问题） GraphLab 的优秀思维框架。我对图模型的了解大部分来自 Carlos Guestrin 和 Jonathan Huang。Carlos Guestrin 现在是 GraphLab（现为 Dato）的首席执行官，该公司生产用于图像机器学习的大规模产品。Jonathan Huang 现在是 Google 的高级研究员。

下面的视频虽然是对 GraphLab 的概述，但也完美地说明了“在图表中思考”以及现代数据科学家如何舒适地使用它。Carlos 是一位出色的讲师，他的演讲不仅限于公司的产品，更多的是为下一代机器学习系统提供思路。

概率图模型计算方法介绍

PPT和视频，关注后私信回复1023，即可获得下载链接。

如果你觉得深度学习能够解决所有机器学习问题，真得好好看看上面的视频。如果你正在构建一套推荐系统，一个健康数据分析平台，设计一个新的交易算法，或者开发下一代搜索引擎，图模型都是完美的起点。

3. 深度学习和机器学习（数据驱动机器）

机器学习是从样本中学习的过程，因此当前最先进的识别技术需要大量的训练数据、深度神经网络和足够的耐心。深度学习强调了当今成功的机器学习算法中的网络架构。这些方法基于具有许多隐藏层的“深层”多层神经网络。注意：我想强调的是，如今（2015 年），深层结构并不是什么新鲜事。只需看看下面 1998 年的这篇“深度”结构文章。

LeNet，Yann LeCun 的开创性论文《基于梯度学习的文档识别方法》