正文

智能英文縮寫（智能英文縮寫怎么說）

發(fā)布時(shí)間：2023-03-12 19:59:59 稿源：創(chuàng)意嶺閱讀： 60 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于智能英文縮寫的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、什么是AI,叫人工智能,和BI,商業(yè)智能有什么區(qū)別?
2、智能控制系統(tǒng)，英文ITES是什么的縮寫？
3、人工智能讀片的過程體現(xiàn)為()。
4、究竟什么是機(jī)器學(xué)習(xí) 深度學(xué)習(xí)和人工智能

智能英文縮寫（智能英文縮寫怎么說）

一、什么是AI,叫人工智能,和BI,商業(yè)智能有什么區(qū)別?

數(shù)據(jù)分析-派可數(shù)據(jù)商業(yè)智能BI

商業(yè)智能BI（Business Intelligence），是一套由

數(shù)據(jù)分析-商業(yè)智能BI

商業(yè)智能BI的優(yōu)勢(shì)就是能夠把不同來源、不同格式、不同規(guī)范的

可視化大屏 - 派可數(shù)據(jù)商業(yè)智能BI

目前，人們期待看到人工智能AI和商業(yè)智能BI結(jié)合的產(chǎn)品，就是希望這兩個(gè)系統(tǒng)互補(bǔ)，由商業(yè)智能BI把數(shù)據(jù)轉(zhuǎn)化為信息，然后人工智能AI把信息轉(zhuǎn)化為決策，形成一個(gè)不需要人類干預(yù)，完全自動(dòng)化輸出決策信息的流程。

二、智能控制系統(tǒng)，英文ITES是什么的縮寫？

英文ITES是intelligent control system 的縮寫

三、人工智能讀片的過程體現(xiàn)為()。

人工智能讀片的過程體現(xiàn)為：圖像獲取-圖像解釋-感知結(jié)果。

拓展資料：

什么是人工智能？

人工智能英文縮寫為AI。它是研究、用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用的一門新的技術(shù)科學(xué)。

人工智能也稱為智械、機(jī)器智能，指的是由人制造出來的機(jī)器所表現(xiàn)出來的智能。正常來說人工智能是指通過普通計(jì)算機(jī)程序來展現(xiàn)人類智能的技術(shù)。通過醫(yī)學(xué)、神經(jīng)科學(xué)、機(jī)器人學(xué)及統(tǒng)計(jì)學(xué)等的進(jìn)步，有些判斷則認(rèn)為人的無數(shù)職業(yè)也將逐漸被人工智能取代。

人工智能的可以分為兩部分，人工和智能。“人工”比較好理解，爭議性也不大。

有時(shí)我們會(huì)要考慮什么是人力所能及制造的，或者人自身的智能程度有沒有高到可以創(chuàng)造人工智能的地步，等等。但總的來說，“人工”就是通常意義下的人工系統(tǒng)。

四、究竟什么是機(jī)器學(xué)習(xí) 深度學(xué)習(xí)和人工智能

目前，業(yè)界有一種錯(cuò)誤的較為普遍的意識(shí)，即“深度學(xué)習(xí)最終可能會(huì)淘汰掉其他所有機(jī)器學(xué)習(xí)算法”。這種意識(shí)的產(chǎn)生主要是因?yàn)?，?dāng)下深度學(xué)習(xí)在計(jì)算機(jī)視覺、自然語言處理領(lǐng)域的應(yīng)用遠(yuǎn)超過傳統(tǒng)的機(jī)器學(xué)習(xí)方法，并且媒體對(duì)深度學(xué)習(xí)進(jìn)行了大肆夸大的報(bào)道。

深度學(xué)習(xí)，作為目前最熱的機(jī)器學(xué)習(xí)方法，但并不意味著是機(jī)器學(xué)習(xí)的終點(diǎn)。起碼目前存在以下問題：

1. 深度學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù)，才能展現(xiàn)出神奇的效果，但現(xiàn)實(shí)生活中往往會(huì)遇到小樣本問題，此時(shí)深度學(xué)習(xí)方法無法入手，傳統(tǒng)的機(jī)器學(xué)習(xí)方法就可以處理；

2. 有些領(lǐng)域，采用傳統(tǒng)的簡單的機(jī)器學(xué)習(xí)方法，可以很好地解決了，沒必要非得用復(fù)雜的深度學(xué)習(xí)方法；

3. 深度學(xué)習(xí)的思想，來源于人腦的啟發(fā)，但絕不是人腦的模擬，舉個(gè)例子，給一個(gè)三四歲的小孩看一輛自行車之后，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學(xué)習(xí)過程往往不需要大規(guī)模的訓(xùn)練數(shù)據(jù)，而現(xiàn)在的深度學(xué)習(xí)方法顯然不是對(duì)人腦的模擬。

深度學(xué)習(xí)大佬 Yoshua Bengio 在 Quora 上回答一個(gè)類似的問題時(shí)，有一段話講得特別好，這里引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大致意思是，科學(xué)不是戰(zhàn)爭而是合作，任何學(xué)科的發(fā)展從來都不是一條路走到黑，而是同行之間互相學(xué)習(xí)、互相借鑒、博采眾長、相得益彰，站在巨人的肩膀上不斷前行。機(jī)器學(xué)習(xí)的研究也是一樣，你死我活那是邪教，開放包容才是正道。

結(jié)合機(jī)器學(xué)習(xí)2000年以來的發(fā)展，再來看Bengio的這段話，深有感觸。進(jìn)入21世紀(jì)，縱觀機(jī)器學(xué)習(xí)發(fā)展歷程，研究熱點(diǎn)可以簡單總結(jié)為2000-2006年的流形學(xué)習(xí)、2006年-2011年的稀疏學(xué)習(xí)、2012年至今的深度學(xué)習(xí)。未來哪種機(jī)器學(xué)習(xí)算法會(huì)成為熱點(diǎn)呢？深度學(xué)習(xí)三大巨頭之一吳恩達(dá)曾表示，“在繼深度學(xué)習(xí)之后，遷移學(xué)習(xí)將引領(lǐng)下一波機(jī)器學(xué)習(xí)技術(shù)”。但最終機(jī)器學(xué)習(xí)的下一個(gè)熱點(diǎn)是什么，誰又能說得準(zhǔn)呢。

編輯于 2017-12-27

29918 條評(píng)論

收藏感謝收起

阿里云云棲社區(qū)

用戶標(biāo)識(shí)1

已認(rèn)證的官方帳號(hào)

39 人贊同了該回答

人工智能并不是一個(gè)新的術(shù)語，它已經(jīng)有幾十年的歷史了，大約從80年代初開始，計(jì)算機(jī)科學(xué)家們開始設(shè)計(jì)可以學(xué)習(xí)和模仿人類行為的算法。

在算法方面，最重要的算法是神經(jīng)網(wǎng)絡(luò)，由于過擬合而不是很成功（模型太強(qiáng)大，但數(shù)據(jù)不足）。盡管如此，在一些更具體的任務(wù)中，使用數(shù)據(jù)來適應(yīng)功能的想法已經(jīng)取得了顯著的成功，并且這也構(gòu)成了當(dāng)今機(jī)器學(xué)習(xí)的基礎(chǔ)。

在模仿方面，人工智能專注于圖像識(shí)別，語音識(shí)別和自然語言處理。人工智能專家們花費(fèi)了大量的時(shí)間來創(chuàng)建諸如邊緣檢測(cè)，顏色配置文件，N-gram，語法樹等。不過，這些進(jìn)步還不足以達(dá)到我們的需求。

傳統(tǒng)的機(jī)器學(xué)習(xí)：

機(jī)器學(xué)習(xí)（ML）技術(shù)在預(yù)測(cè)中發(fā)揮了重要的作用，ML經(jīng)歷了多代的發(fā)展，形成了具有豐富的模型結(jié)構(gòu)，例如：

1.線性回歸。

2.邏輯回歸。

3.決策樹。

4.支持向量機(jī)。

5.貝葉斯模型。

6.正則化模型。

7.模型集成（ensemble）。

8.神經(jīng)網(wǎng)絡(luò)。

這些預(yù)測(cè)模型中的每一個(gè)都基于特定的算法結(jié)構(gòu)，參數(shù)都是可調(diào)的。訓(xùn)練預(yù)測(cè)模型涉及以下步驟：

1. 選擇一個(gè)模型結(jié)構(gòu)（例如邏輯回歸，隨機(jī)森林等）。

2. 用訓(xùn)練數(shù)據(jù)（輸入和輸出）輸入模型。

3. 學(xué)習(xí)算法將輸出最優(yōu)模型（即具有使訓(xùn)練錯(cuò)誤最小化的特定參數(shù)的模型）。

每種模式都有自己的特點(diǎn)，在一些任務(wù)中表現(xiàn)不錯(cuò)，但在其他方面表現(xiàn)不佳。但總的來說，我們可以把它們分成低功耗（簡單）模型和高功耗（復(fù)雜）模型。選擇不同的模型是一個(gè)非常棘手的問題。

由于以下原因，使用低功率/簡單模型是優(yōu)于使用高功率/復(fù)雜模型：

在我們擁有強(qiáng)大的處理能力之前，訓(xùn)練高功率模型將需要很長的時(shí)間。
在我們擁有大量數(shù)據(jù)之前，訓(xùn)練高功率模型會(huì)導(dǎo)致過度擬合問題（因?yàn)楦吖β誓Ｐ途哂胸S富的參數(shù)并且可以適應(yīng)廣泛的數(shù)據(jù)形狀，所以我們最終可能訓(xùn)練一個(gè)適合于特定到當(dāng)前的訓(xùn)練數(shù)據(jù)，而不是推廣到足以對(duì)未來的數(shù)據(jù)做好預(yù)測(cè)）。

然而，選擇一個(gè)低功率的模型會(huì)遇到所謂的“欠擬合”的問題，模型結(jié)構(gòu)太簡單，如果它復(fù)雜，就無法適應(yīng)訓(xùn)練數(shù)據(jù)。（想象一下，基礎(chǔ)數(shù)據(jù)有一個(gè)二次方關(guān)系：y = 5 * x ^ 2;你無法適應(yīng)線性回歸：y = a * x + b，不管我們選擇什么樣的a和b。

為了緩解“不適合的問題”，數(shù)據(jù)科學(xué)家通常會(huì)運(yùn)用他們的“領(lǐng)域知識(shí)”來提出“輸入特征”，這與輸出關(guān)系更為直接。（例如，返回二次關(guān)系y = 5 * square（x），如果創(chuàng)建了一個(gè)特征z = x ^ 2，則可以擬合線性回歸：y = a * z + b，通過選擇a = 5和b = 0）。

機(jī)器學(xué)習(xí)的主要障礙是特征工程這個(gè)步驟，這需要領(lǐng)域?qū)＜以谶M(jìn)入訓(xùn)練過程之前就要找到非常重要的特征。特征工程步驟是要靠手動(dòng)完成的，而且需要大量領(lǐng)域?qū)I(yè)知識(shí)，因此它成為當(dāng)今大多數(shù)機(jī)器學(xué)習(xí)任務(wù)的主要瓶頸。

換句話說，如果我們沒有足夠的處理能力和足夠的數(shù)據(jù)，那么我們必須使用低功耗/更簡單的模型，這就需要我們花費(fèi)大量的時(shí)間和精力來創(chuàng)建合適的輸入特征。這是大多數(shù)數(shù)據(jù)科學(xué)家今天花時(shí)間去做的地方。

神經(jīng)網(wǎng)絡(luò)的回歸：

在大數(shù)據(jù)時(shí)代，云計(jì)算和大規(guī)模并行處理基礎(chǔ)架構(gòu)的共同發(fā)展，使得機(jī)器處理能力在二十一世紀(jì)初得到了極大的提升。我們不再局限于低功耗/簡單的模型。例如，當(dāng)今最流行的兩種主流機(jī)器學(xué)習(xí)模型是隨機(jī)森林和梯度提升樹。盡管如此，兩者都非常強(qiáng)大，并且提供了非線性模型擬合的訓(xùn)練數(shù)據(jù)，但數(shù)據(jù)科學(xué)家仍然需要仔細(xì)地創(chuàng)建特征以獲得良好的性能。

與此同時(shí)，計(jì)算機(jī)科學(xué)家重新使用神經(jīng)網(wǎng)絡(luò)的許多層來完成這些人類模仿的任務(wù)。這給DNN（深度神經(jīng)網(wǎng)絡(luò)）帶來了新的生機(jī)，并在圖像分類和語音識(shí)別任務(wù)方面提供了重大突破。DNN的主要區(qū)別在于，你可以將原始信號(hào)（例如RGB像素值）直接輸入DNN，而不需要?jiǎng)?chuàng)建任何域特定的輸入功能。通過多層神經(jīng)元（這就是為什么它被稱為“深度”神經(jīng)網(wǎng)絡(luò)），DNN可以“自動(dòng)”通過每一層產(chǎn)生適當(dāng)?shù)奶卣?，最后提供一個(gè)非常好的預(yù)測(cè)。這極大地消除了尋找“特征工程”的麻煩，這是數(shù)據(jù)科學(xué)家們最喜歡看到的。

DNN也演變成許多不同的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，所以有CNN（卷積神經(jīng)網(wǎng)絡(luò)），RNN（遞歸神經(jīng)網(wǎng)絡(luò)），LSTM（長期短期記憶），GAN（生成敵對(duì)網(wǎng)絡(luò)），轉(zhuǎn)移學(xué)習(xí)，注意模型（attention model）所有的這些被統(tǒng)稱為深度學(xué)習(xí)（Deep Learning），它正在引起整個(gè)機(jī)器學(xué)習(xí)界的關(guān)注。

強(qiáng)化學(xué)習(xí)：

另一個(gè)關(guān)鍵組成部分是關(guān)于如何模仿一個(gè)人（或動(dòng)物）的學(xué)習(xí)，設(shè)想感知/行為/獎(jiǎng)勵(lì)循環(huán)的非常自然的動(dòng)物行為。一個(gè)人或者一個(gè)動(dòng)物首先會(huì)通過感知他或者她所處的狀態(tài)來了解環(huán)境。在此基礎(chǔ)上，他或者她會(huì)選擇一個(gè)“動(dòng)作”，將他或者她帶到另一個(gè)“狀態(tài)”。那么他或她將獲得“獎(jiǎng)勵(lì)”，循環(huán)重復(fù)，直到他或她消失。這種學(xué)習(xí)方式（稱為強(qiáng)化學(xué)習(xí)）與傳統(tǒng)監(jiān)督機(jī)器學(xué)習(xí)的曲線擬合方法有很大不同。尤其是，強(qiáng)化學(xué)習(xí)學(xué)習(xí)得非?？?，因?yàn)槊恳粋€(gè)新的反饋（例如執(zhí)行一個(gè)行動(dòng)并獲得獎(jiǎng)勵(lì)）都被立即發(fā)送到影響隨后的決定。

強(qiáng)化學(xué)習(xí)也提供了預(yù)測(cè)和優(yōu)化的平滑整合，因?yàn)樗诓扇〔煌男袆?dòng)時(shí)保持當(dāng)前狀態(tài)的信念和可能的轉(zhuǎn)換概率，然后做出決定哪些行動(dòng)可以導(dǎo)致最佳結(jié)果。

深度學(xué)習(xí)+強(qiáng)化學(xué)習(xí)= AI

與經(jīng)典的ML技術(shù)相比，DL提供了一個(gè)更強(qiáng)大的預(yù)測(cè)模型，通?？梢援a(chǎn)生良好的預(yù)測(cè)結(jié)果。與經(jīng)典優(yōu)化模型相比，強(qiáng)化學(xué)習(xí)提供了更快的學(xué)習(xí)機(jī)制，并且更適應(yīng)環(huán)境的變化。

機(jī)器學(xué)習(xí) vs 深度學(xué)習(xí)

在深度探討machine learning和data science的聯(lián)系之前，這里簡要地討論一下machine learning 和deep learning。machine learning是一套算法，來訓(xùn)練數(shù)據(jù)集做預(yù)測(cè)或者采取行動(dòng)以使得系統(tǒng)最優(yōu)化。舉例來說，supervised classification algorithms被用來根據(jù)歷史數(shù)據(jù)將想要貸款的客戶分成預(yù)期好的和預(yù)期差的(good or bad prospects)。對(duì)于給定的任務(wù)(比如監(jiān)督聚類)，需要的技術(shù)多種多樣：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是很多技術(shù)的組合。所有這些都是數(shù)據(jù)科學(xué)的子集。當(dāng)這些算法自動(dòng)化后，比如無人駕駛飛機(jī)或者無人駕駛汽車，這就叫AI了，或者說的具體一點(diǎn)，deep learning。如果采集的數(shù)據(jù)來自傳感器并且通過互聯(lián)網(wǎng)傳播，那么這就是機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)或深度學(xué)習(xí)應(yīng)用于物聯(lián)網(wǎng)了。

有些人對(duì)深度學(xué)習(xí)有不同的定義，他們認(rèn)為深度學(xué)習(xí)是更深層次的神經(jīng)網(wǎng)絡(luò)(一種機(jī)器學(xué)習(xí)的技術(shù))。AI(Artificial Intelligence)是創(chuàng)建于20世紀(jì)60年代的計(jì)算機(jī)科學(xué)的一個(gè)子領(lǐng)域，是關(guān)于解決那些對(duì)人類來講非常容易但是對(duì)計(jì)算機(jī)而言很難的任務(wù)。值得一提的是，所謂的strong AI可能可以做所有人類可以做的事情(可能除了純粹的物理問題)。這是相當(dāng)廣泛的，包括各種各樣的事情，比如做計(jì)劃，在世界上到處溜達(dá)，識(shí)別物體和聲音，說話，翻譯，社交或者商業(yè)交易，還有創(chuàng)造性工作(比如寫詩畫畫)等等。

NLP(Natural language processing)只是AI要處理的語言部分，尤其是寫。

Machine learning是這樣的一種情況：給出一些可以被以離散形式描述的AI問題(比如從一系列動(dòng)作中選出對(duì)的那個(gè))，然后給定一堆外部世界的信息，在不需要程序員手動(dòng)寫程序的情況下選出那個(gè)“正確的”行為。通常情況需要借助外界的一些過程來判斷這個(gè)動(dòng)作對(duì)不對(duì)。在數(shù)學(xué)上，這就是函數(shù)：你給一些輸入，然后你想要他處理一下得到正確的輸出，所以整個(gè)問題就簡化為用一些自動(dòng)的方式建立這種數(shù)學(xué)函數(shù)模型。和AI區(qū)分一下：如果我寫了一段特別機(jī)智的程序有著人類的行為，那這就可以是AI，但是除非它的參量都是自動(dòng)從數(shù)據(jù)中學(xué)會(huì)的，否則就不是機(jī)器學(xué)習(xí)。

Deep learning是當(dāng)下非常流行的機(jī)器學(xué)習(xí)的一種。它包含一種特殊的數(shù)學(xué)模型，可以想成是一種特定類型的簡單塊的組合(或者說是塊的功能的組合)，這些塊可以進(jìn)行調(diào)整來更好的預(yù)測(cè)最終結(jié)果。

以上就是關(guān)于智能英文縮寫相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。