| Candidates should be able to: | Notes and guidance |
|---|---|
| Show understanding of how graphs can be used to aid Artificial Intelligence (AI) | Purpose and structure of a graph Use A algorithm* and Dijkstra’s algorithm to perform searches on a graph Candidates will not be required to write algorithms to set up, access, or perform searches on graphs |
| Show understanding of how artificial neural networks have helped with machine learning | |
| Show understanding of Deep Learning, Machine Learning and Reinforcement Learning and the reasons for using these methods. | Understand machine learning categories, including supervised learning, unsupervised learning |
| Show understanding of back propagation of errors and regression methods in machine learning |
人工智能（AI）
A-Level 计算机科学 · 第 18 主题
18.1
人工智能（AI）
大纲
来源:剑桥国际大纲
人工智能(artificial intelligence,AI)构建做通常需要人类智能的任务的系统——识别语音和图像、翻译、玩游戏、驾驶、生成文本。大多数现代 AI 用机器学习(machine learning)——从数据中学习模式而不是被一步步编程的算法。在它之内,用有许多层的神经网络(neural networks)的深度学习(deep learning)自 2010 年代以来一直占主导。
一个人形机器人(humanoid robot)把这些能力中的许多放进一个身体:它用 AI 看脸、理解语音,并以逼真的方式移动它的脸和手臂。
探索
AI learning type lab
Classify AI examples by the type of learning or concern involved.
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| artificial intelligence | 人工智能 | rén gōng zhì néng |
| deep learning | 深度学习 | shēn dù xué xí |
| neural networks | 神经网络 | shén jīng wǎng luò |
| humanoid robot | 人形机器人 | rén xíng jī qì rén |
18.1
人工智能中的图
许多 AI 问题坐在一个图(graph)上——节点(nodes,状态、地点)由边(edges,移动、关系)连接。
- 寻路:道路构成一个图;最短路线是一个图搜索(Dijkstra 算法、A* 算法)。
- 玩游戏:每个棋盘位置是一个节点,每步是一条边;带 alpha-beta 剪枝的极小化极大(minimax)搜索博弈树。
- 状态空间搜索:一个规划问题是通过应用算子在状态之间移动以到达一个目标。
- 知识表示:一个语义网络(semantic network)以概念为节点、关系为边("狗 IS-A 动物");一个知识图谱(knowledge graph)为搜索引擎和助手存储关于世界的事实。
导航图的标准工具包括广度优先搜索(breadth-first search)和深度优先搜索(depth-first search)。
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| graph | 图 | tú |
| nodes | 节点 | jié diǎn |
| edges | 边 | biān |
| minimax | 极小化极大 | jí xiǎo huà jí dà |
| semantic network | 语义网络 | yǔ yì wǎng luò |
| knowledge graph | 知识图谱 | zhī shí tú pǔ |
| breadth-first search | 广度优先搜索 | guǎng dù yōu xiān sōu suǒ |
| depth-first search | 深度优先搜索 | shēn dù yōu xiān sōu suǒ |
18.1
人工神经网络(ANN)
一个 ANN 受大脑神经元的启发。一个人工神经元(artificial neuron):
- 取几个输入值,把每个乘以一个权重(weight),并把它们加起来,再加上一个偏置项(bias term)。
- 对这个和应用一个激活函数(activation function,一个非线性函数,如 ReLU)。
- 输出结果,它馈入更靠后的神经元。
神经元坐在层里:一个输入层、一个或多个隐藏层(hidden layers,在那里学到有用的内部模式),和一个输出层。有许多隐藏层时,它是一个深度神经网络(deep neural network),而训练它就是深度学习。
ANN 让模型直接从原始数据(像素、音频、文本)学习复杂模式,而不需要手工设计的特征——推动了图像识别(image recognition)、语音识别(speech recognition)、机器翻译(machine translation)和玩游戏的突破。它们在大量数据、含噪或非常复杂的输入,以及太难用显式规则捕获的模式上做得好。
探索
Tap the parts of a neural network
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts.
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| artificial neuron | 人工神经元 | rén gōng shén jīng yuán |
| weight | 权重 | quán zhòng |
| bias term | 偏置项 | piān zhì xiàng |
| activation function | 激活函数 | jī huó hán shù |
| hidden layers | 隐藏层 | yǐn cáng céng |
| deep neural network | 深度神经网络 | shēn dù shén jīng wǎng luò |
| image recognition | 图像识别 | tú xiàng shí bié |
| speech recognition | 语音识别 | yǔ yīn shí bié |
| machine translation | 机器翻译 | jī qì fān yì |
18.1
机器学习、深度学习与强化学习
Machine learning
总括术语——任何从数据中学习的算法。三种范式:
- 监督学习(supervised learning)——数据有标签(labels,图像被标为"猫"/"狗");算法学习输入 → 标签。用于分类(classification,一个类别)和回归。
- 无监督学习(unsupervised learning)——没有标签;算法找出结构,例如相似客户的一个聚类(cluster)。
- 强化学习(下面)。
当显式规则不切实际时用 ML(垃圾邮件过滤器、推荐、欺诈检测)。
Deep learning
ML 的一个子集,用深度神经网络。较低的层学习简单模式(边缘、音素),较高的层把它们组合成抽象概念。它需要大量数据和大量计算(GPU);对于小数据集,更简单的 ML 方法往往做得更好。
Reinforcement learning
在强化学习(reinforcement learning)中,一个智能体(agent)在一个环境中行动;每个动作改变状态并返回一个奖励(reward)。智能体通过试错(trial and error,一开始没有标签)学习一个随时间最大化总奖励的策略(policy,一个策略)。用于序贯决策问题——游戏、机器人控制、自动驾驶。
一辆自动驾驶汽车(self-driving car)是一个真实的例子。激光雷达(lidar)和摄像头传感器(车顶上旋转的单元)建立道路的一个实时图像,而一个学到的策略决定如何安全地转向、加速和刹车。
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| machine learning | 机器学习 | jī qì xué xí |
| supervised learning | 监督学习 | jiān dū xué xí |
| labels | 标签 | biāo qiān |
| classification | 分类 | fēn lèi |
| unsupervised learning | 无监督学习 | wú jiān dū xué xí |
| cluster | 聚类 | jù lèi |
| reinforcement learning | 强化学习 | qiáng huà xué xí |
| agent | 智能体 | zhì néng tǐ |
| reward | 奖励 | jiǎng lì |
| policy | 策略 | cè lüè |
| self-driving car | 自动驾驶汽车 | zì dòng jià shǐ qì chē |
| lidar | 激光雷达 | jī guāng léi dá |
18.1
训练神经网络:反向传播
训练调整权重,使输出匹配目标。标准方法是带梯度下降(gradient descent)的反向传播(backpropagation,误差的反向传播)。对每个训练样例:
- 前向传播(forward pass)——把输入馈送到输出。
- 计算误差,用一个损失函数(loss function,一个表示输出有多错的单一数字)。
- 反向传播(backward pass)——把误差向后传播,用链式法则找出每个权重的梯度(它对误差贡献了多少)。
- 更新权重,走一小步(由学习率(learning rate)设定)以减少误差。
在许多样例和许多趟(训练轮次(epochs))上重复,直到误差停止缩小。名字"反向"来自第 3 步:误差从输出向后流向输入,所以每个权重的梯度在一趟中被找到。训练之后,一个新输入只需要一次前向传播就能得到一个预测。
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| backpropagation | 反向传播 | fǎn xiàng chuán bō |
| gradient descent | 梯度下降 | tī dù xià jiàng |
| loss function | 损失函数 | sǔn shī hán shù |
| learning rate | 学习率 | xué xí lǜ |
| epochs | 训练轮次 | xùn liàn lún cì |
18.1
回归
一些任务预测一个数(一个房价、明天的温度)——回归(regression),与分类(一个类别)相对。
线性回归(linear regression)拟合一条直线(或超平面):
$$y = m_{1} x_{1} + m_{2} x_{2} + \ldots + m_{n} x_{n} + c.$$
选择系数以最小化误差平方和,对照训练数据。当关系看起来大致线性且你想要一个可解释的模型时用它。对于弯曲的数据,用多项式、决策树或神经网络的回归方法——同样的思想:定义一个模型、定义一个损失,并调整参数以最小化它。回归和分类都是监督的;选择取决于答案是一个数还是一个类别。
探索
Fitting a regression line
Drag the controls. Linear regression draws the straight line that makes the squared distances to the data points as small as possible — then it predicts a number for any new input.
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| regression | 回归 | huí guī |
| linear regression | 线性回归 | xiàn xìng huí guī |
18.1
人工智能在真实场景中的应用
许多考试场景用同样的模式——一个在带标签的数据上训练的深度学习模型,常常几个组合成一个流水线:
- 在一个自动商店的客户识别:系统在带标签的人脸图像上训练;一个摄像头捕获一张脸;图像识别提取一个表示;它对照注册的客户被匹配;最接近的匹配识别该人。
- 从图像读文本:图像识别找到文本区域;光学字符识别(optical character recognition)提取字符;机器翻译转换它们;文本转语音(text-to-speech)大声读它们。
- 收银台商品检测:在带标签的产品图像上训练的物体检测 AI,看到哪些商品进入一个购物篮并向账户收费。
当一个用户与系统交互时,模型是快的——它只做前向传播推理;智能在训练期间学到的模式中。
例题。 对每个任务,说明它需要回归还是分类,以及人工神经网络的输出层会是什么样:(a) 预测明天的气温;(b) 判断一封邮件是否为垃圾邮件。要问的是被预测的是哪一类东西。(a) 气温是连续标度上的一个数值,所以这是回归,输出层是持有该数值的单个神经元。(b) 垃圾邮件与非垃圾邮件是一个类别,所以这是分类,输出给出每个类别的概率。两者都是有监督学习:各自都需要带标签的样本来训练,训练通过反向传播调整权重以减小误差。决定性的问题很简单,就是数值还是类别 - 而不是这个任务感觉有多难。
词汇表
训练
| 英文 | 中文 | 拼音 |
|---|---|---|
| optical character recognition | 光学字符识别 | guāng xué zì fú shí bié |
| text-to-speech | 文本转语音 | wén běn zhuǎn yǔ yīn |
18.1
考试技巧
- 区分机器学习、深度学习和强化学习,各带一个例子。
- 描述一个 ANN(输入、隐藏和输出层;加权连接)以及反向传播如何调整权重以削减误差。
- 区分监督对无监督学习;回归预测一个连续值。
本主题的互动课程
逐步学习,并即时检测练习。