人工智能中的语言结构与机器学习

### 人工智能中的语言结构与机器学习 #### 1. 人工智能概述 人工智能（AI）的出现是为了快速解决人类在智力上难以应对的问题。其机器解决方案可由一系列正式和数学规则描述，但真正的挑战在于实现人类看似自动的直观解决能力，如识别语音或图像中的人脸。 从Goodfellow等人的观点来看，计算机以概念层次结构直观理解世界，虽“避免”了人类为其指定知识，但实际上AI在运行起点仍依赖人类干预。 机器学习（ML）是一种学习算法，其数据需人类进行调整以寻找模式。我们建议让机器更具直观性，使其通过关联图像、声音或文字中的简单概念来解释世界，从而基于通用概念构建知识，减少人类早期干预。 ML算法可分为监督学习和无监督学习两类。大多数机器学习算法有超参数，需借助额外数据设置。机器学习本质上是应用统计学的一种形式，强调使用计算机估计复杂函数，减少对证明置信区间的关注，主要有频率论估计和贝叶斯推理两种统计方法。 AI在遵循预先设定的正式规则时最为成功，但世界知识需要直观理解，而当前基于形式语言的项目并不成功，因为其数据库虽由人类依据复杂规则创建，但不足以描述世界。因此，AI系统需要具备自主构建知识、从原始数据中提取模式的能力，即机器学习，以实现对世界的解释和决策。 #### 2. 自然语言结构与人工智能 语言的通用结构包含公理和逻辑元素，足以纳入逻辑推理的代数结构（经典逻辑和多值逻辑），以及确定性或非确定性数量，作为决策的起点。若将此结构应用于机器设计，认知计算就能基于经典逻辑推理（基于先前给定的假设）或多值逻辑推理（基于在不确定性空间中观察到的一组公理）进行决策。 概率可视为处理不确定性的逻辑扩展。逻辑提供了一套正式规则，用于在假设某些命题为真或假的情况下，确定其他命题的真假；概率理论则用于根据其他命题的可能性确定某个命题为真的可能性。 #### 3. 机器学习的关键要素 - **任务（T）**：依Goodfellow等人的观点，ML任务可视为过程的结果，有多种类型，如分类（指定类别，如物体识别）、有缺失输入的分类（映射单个输入的函数）、回归（预测数值，如确定保险费）、转录（将数据转换为文本形式）、自动翻译（将一种语言的数据转换为另一种语言的符号）和异常检测（检测异常对象，如信用卡欺诈）。由于AI执行的任务众多，对其进行分类可能无效或不切实际。 |任务类型|描述| | ---- | ---- | |分类|指定类别，如物体识别| |有缺失输入的分类|映射单个输入的函数| |回归|预测数值，如确定保险费| |转录|将数据转换为文本形式| |自动翻译|将一种语言的数据转换为另一种语言的符号| |异常检测|检测异常对象，如信用卡欺诈| - **资源与性能测量（P）**：ML收集的资源或数据具有定性或定量的测量值。为评估机器学习算法的能力，需设计特定于任务的定量性能测量方法。例如，分类任务、有缺失输入的分类和转录任务通过模型的准确率（正确输出的示例比例）来衡量；与密度估计相关的任务则通过提供先前模型来评分连续值