Selon montre « l'intelligence artificielle du rapport influent »:
Le principal chercheur de l'intelligence artificielle est diplômé de l'Université de Tsinghua, Académie chinoise des sciences, Université chinoise de la technologie, du Massachusetts Institute of Technology, l'Université de Beijing et d'autres écoles de bien connu, point de vue académique, 73% des scientifiques AI ont un doctorat, montrant que l'intelligence artificielle est un peuple haut de gamme la collecte, la personne moyenne ne peut tout simplement pas jouer, avez-vous frissonner il?
Apprendre besoin d'intelligence artificielle pour avoir de loin le plus toujours sont l'attitude d'apprentissage et la capacité d'apprendre, après tout, est une industrie de la science de pointe, suivi par les connaissances mathématiques et des compétences en programmation, bourses de mathématiques si vous faites algorithme révolutionnaire, alors pour votre capacité de mathématiques les exigences sont très élevées, si elle est de faire l'ingénierie, les mathématiques cette exigence n'est pas élevé, probablement le niveau d'enseignement supérieur sur la ligne. La capacité de programmation est un retard cumulatif à long terme, ce n'est pas une exigence
Doit maîtriser les connaissances de base nécessaires des mathématiques,
Plus précisément comprennent:
Algèbre linéaire: comment formaliser l'étude?
La théorie des probabilités: comment décrire les lois statistiques?
Statistique mathématique: Comment voyant?
théorie de l'optimisation: comment trouver la solution optimale?
Théorie de l'information: Comment une mesure quantitative de l'incertitude?
La logique formelle: comment le raisonnement abstrait?
Algèbre linéaire: comment formaliser l'étude?
En fait, l'algèbre linéaire de base est non seulement l'intelligence artificielle, il est le fondement des mathématiques modernes et l'analyse mathématique moderne comme la principale méthode de nombreuses disciplines. De la mécanique quantique au traitement d'image ne peuvent pas être séparés en utilisant des vecteurs et des matrices. Derrière des vecteurs et des matrices, signification fondamentale de l'algèbre linéaire est de fournir une sortes de perspective abstraite sur le monde: Tout peut être résumé en une combinaison de certaines caractéristiques, et de les observer dans le cadre des règles définies par la statique prédéfinie et de manière dynamique.
Abstraction d'explication et ne se concentre pas sur une vision de formule mathématique spécifique, les points d'algèbre linéaire sont les suivants: algèbre linéaire que la nature des choses concrètes objets mathématiques abstraits, et décrire leur statique et les propriétés dynamiques, substantiel vecteur linéaire sont l'espace n dimensions le point fixe; vecteur de transformation linéaire décrit comme un changement dans la trame de référence ou système de coordonnées peut être exprimée par une matrice; valeurs et vecteurs propres décrivent les variations de la vitesse et de la direction.
En bref, l'algèbre linéaire que l'addition de l'intelligence artificielle en mathématiques, est un ensemble d'outils de base.
La théorie des probabilités: comment décrire les lois statistiques?
En plus de l'algèbre linéaire, la théorie des probabilités est la base mathématique de l'intelligence artificielle recherches nécessaires. Avec la montée de l'école connexionniste, probabilités et statistiques a remplacé la logique mathématique, la recherche de l'intelligence artificielle est devenu des outils traditionnels. La croissance explosive des données et la puissance de calcul de l'indexation améliorée aujourd'hui, la théorie des probabilités a joué un rôle central dans l'apprentissage de la machine.
Avec l'algèbre linéaire, la théorie des probabilités représente aussi une façon de regarder le monde, l'accent est omniprésent possibilités. École de fréquence de distribution avant la pensée est fixée, les paramètres du modèle reposent sur le calcul de l'estimation du maximum de vraisemblance, la distribution avant bayésienne est considérée comme aléatoire, les paramètres du modèle afin de maximiser le calcul des probabilités a posteriori reposent après sur, la distribution normale est la plus importante dans une des variables aléatoires distribuées.
Statistique mathématique: Comment voyant?
Dans l'étude de l'intelligence artificielle, la statistique mathématique est également indispensable. La théorie statistique basée sur des algorithmes d'apprentissage machine à l'aide des résultats d'exploration de données et une explication, ne font qu'une interprétation raisonnable, pour être en mesure de refléter la valeur des données. statistiques mathématiques pour étudier des phénomènes aléatoires selon les données obtenues par l'observation ou l'expérience, et de faire des estimations et des jugements raisonnables étude des lois objectives.
Bien que les statistiques mathématiques et la théorie des probabilités que la base théorique, mais la différence essentielle dans l'approche entre les deux. En partant du principe que la distribution de probabilité est le rôle connu des variables aléatoires, pour analyser les caractéristiques et les lois des variables aléatoires en fonction de la répartition connue; objet statistiques de l'étude est la distribution variable aléatoire inconnue, la recherche est l'observation de variables aléatoires indépendantes répétées, d'extrapoler la distribution originale de l'observation des résultats obtenus.
Pas avec des mots rigoureux mais intuitifs: Statistique mathématique peut être considérée comme une inverse de la théorie des probabilités . STATISTIQUES tâche est basée sur un échantillon peut être observé, à son tour, déduisent la nature générale, les statistiques de l'outil d'inférence, les statistiques sont fonction de l'échantillon, il est une variable aléatoire, l'estimation des paramètres pour estimer les paramètres inconnus de la répartition globale des échantillons prélevés au hasard, y compris estimation ponctuelle et l'intervalle, test d'hypothèse d'accepter ou de rejeter un jugement général, couramment utilisé dans le taux d'erreur de généralisation est estimée par les modèles d'apprentissage automatique des échantillons aléatoires.
théorie de l'optimisation: comment trouver la solution optimale?
Pour l'essentiel, l'objectif est l'optimisation de l'intelligence artificielle: pour prendre des décisions optimales dans un environnement complexe avec des interactions à plusieurs corps. La quasi-totalité du problème de l'intelligence artificielle se résume finalement à résoudre un problème d'optimisation, et donc l'optimisation théorie de l'intelligence artificielle est aussi Principes de base essentiels. problème d'optimisation de la théorie est de déterminer la valeur maximale d'une fonction objectif donné (valeur minimale) existe, et donc la fonction objective nécessaire pour trouver la valeur maximum (minimum) . Si la fonction cible donnée comme une chaîne de montagnes, le processus d'optimisation est de déterminer la position de pointe et le processus de trouver un chemin pour atteindre le sommet.
En règle générale, pour résoudre le problème d'optimisation est donné à un minimum de la fonction objective sans contrainte, recherche en ligne, la direction de recherche est déterminé à trouver le minimum requis du dérivé dérivé et la seconde de la fonction objective à l'aide d'un premier ordre; Intervalle de confiance idée est de déterminer d'abord l'étape de recherche, puis déterminer la direction de la recherche, l'algorithme heuristique réseau de neurones artificiels représente une autre classe importante des méthodes d'optimisation.
Théorie de l'information: Comment une mesure quantitative de l'incertitude?
Ces dernières années, la recherche scientifique continue de confirmer que l'incertitude est l'attribut essentiel du monde objectif. En d'autres termes, Dieu vraiment rouler les dés. L'incertitude du monde ne peut être utilisé pour décrire le modèle de probabilité, qui a conduit à la création de la théorie de l'information.
Théorie de l'information utilise le concept de « l'entropie de l'information », le nombre et l'efficacité du transfert d'information et d'autres questions pour rendre l'interprétation de l'information et de la communication dans une seule source, et l'évolutivité entre le monde d'incertitude et d'information érigé un combler.
En bref, traite de la théorie de l'information avec l'incertitude dans le monde extérieur, l'entropie conditionnelle et le gain d'information est un important problème de classification des paramètres, la divergence KL est utilisé pour décrire les différences entre les deux distributions de probabilités différentes, principe d'entropie maximale est la classification Résumé lignes directrices communes.
La logique formelle: comment le raisonnement abstrait?
Conférence de Dartmouth a eu lieu en 1956, a déclaré la naissance de l'intelligence artificielle. Dans l'enfance de l'intelligence artificielle, les pères fondateurs distingués, dont John McCarthy, Herbert Simon, Marvin Minsky et autre futur lauréat du prix Turing, leur vision est de « programme a la capacité de penser en synthétique interprétation abstraite comment les substances peuvent avoir l'esprit humain. « en termes simples, l'intelligence artificielle idéale aurait dû apprendre, le raisonnement et la capacité de généraliser le sens abstrait, sa polyvalence sera beaucoup plus forte que l'algorithme pour résoudre des problèmes spécifiques tels que les échecs ou les dames.
Si le processus cognitif est défini comme un symbole d'opérations logiques, l'intelligence artificielle de base est la logique formelle, la logique des prédicats est la principale méthode de représentation des connaissances, l'intelligence artificielle peut être obtenue avec la capacité automatique de raisonnement du système à base de logique prédicat, le théorème incomplétude " l'essence de l'informatique cognitive est « l'idée de base du défi de l'intelligence artificielle de.
