---

前言

本文將粗略介紹人工智慧的分類

---

一、什麼是人工智慧？

通過學習掌握了某種技能的機器，我們認為他具備了人工智慧。

二、人工智慧的分類

1.按學派分類

符號主義：又被稱為邏輯主義，心理學派，專家系統。該學派認為人工智慧是源於數學邏輯的，該學派認為人類認知和思維的基本單元為符號，把這種符號輸入到能處理符號的計算機中，從而模擬人的認知過程來實現人工智慧。

連線主義：又被稱為仿生學。該學派是基於神經網路及網路間的連線學習演算法的智慧模擬方法。

行為主義：又被稱為進化主義或控制論學派。研究的是一個群體的行為。

2.按能力分類

弱人工智慧：只能處理單一的問題，該模型如果被訓練為識別貓狗分類，那麼他就只能夠處理這個問題。

強人工智慧：在各個方面都能夠和人類相比。

超人工智慧：在各個方面的遠超人類。

3.按業務領域分類

訊號領域

影像領域：識別/偵測，跟蹤，切割，生成

語音領域:

自然語義

自動化

4 .按學習方式分類

有監督：每條資料都有對應的標籤。如在訓練手寫數字識別的時候我會告訴網路傳入的圖片所對應的數字。高效但成本高

無監督：在訓練網路的時候，只給網路對應的資料沒有標籤，不告訴網路圖片對應的數字。成本低而且泛化效能較好但效率低

半監督：輸入網路的資料只有部分資料有標籤。（少量包含標籤的大量無標籤的）

自監督

5.按實時分類

線上學習：推理和學習是同時進行的。

離線學習：學習完成之後在使用。

6.按學習步驟來分

非端到端學習：資料在輸入模型之前需要認為進行特徵提取。傳入模型的不是原始資料，而是經過處理之後的特徵。特徵提取比較難，對最終的結果影響大。

端到端學習：資料直接輸入模型得到輸出，特徵提取是由模型自己提取的。當任務比較複雜的時候學習起來比較困難。

7.按學習技巧來分

遷移學習：在已經訓練好的基礎上繼續學習新的任務。如某個模型已經學會了識別貓狗，我們在這個基礎上繼續學習識別飛機，船等。

元學習：元學習學習的資料的本質特徵

級聯學習：將任務進行分解來進行學習

遞增學習：逐級增加學習的難度

對抗學習：兩個網路相互競爭從而來進行學習

合作學習：分工合作學習

8.按學習輪次來分

N-shot/Few-shot

one-shot

zero-shot

9.按模型種類來分

判別模型

生成模型

10.按任務來分

迴歸/擬合/函式逼近：當模型的輸出為一個具體的數值時為迴歸任務如預測物體的所在的座標點時。

分類

聚類：聚類和分類本質上都是把資料分開，區別時聚類為無監督學習。我不知道這堆資料裡面有幾個類別也不知道哪些是具體的哪一類的資料。

特徵提取/降維/主成分分析

生成創作

評估與規劃

決策

11.按模型來分

統計：傳統的機器學習，非端到端學習

仿生：神經網路