使用 Python 实现人工智能 – 入门概念
自从计算机或机器发明以来，它们执行各种任务的能力就呈指数级增长。人类已经开发了计算机系统的功能，包括其工作领域多样化、速度不断提高以及尺寸随时间减小等。
计算机科学的一个分支是人工智能，其目标是创造与人类一样智能的计算机或机器。
人工智能 (AI) 的基本概念
根据人工智能之父约翰·麦卡锡的说法，人工智能是"制造智能机器，尤其是智能计算机程序的科学和工程"。
人工智能是一种让计算机、计算机控制的机器人或软件以与智能人类类似的方式进行智能思考的方式。人工智能是通过研究人类大脑如何思考以及人类在尝试解决问题时如何学习、决策和工作，然后利用这项研究的结果作为开发智能软件和系统的基础而实现的。
在利用计算机系统的力量时，人类的好奇心使他想知道，"机器能像人类一样思考和行动吗？"
因此，人工智能的发展始于在机器中创造类似人类智能的意图。
学习人工智能的必要性
众所周知，人工智能追求创造与人类一样聪明的机器。我们研究人工智能的原因有很多。原因如下 −
人工智能可以通过数据学习
在我们的日常生活中，我们处理大量数据，而人类大脑无法跟踪如此多的数据。这就是为什么我们需要自动化。为了实现自动化，我们需要研究人工智能，因为它可以从数据中学习，可以准确无误地完成重复性任务。
人工智能可以自学
系统自学是非常必要的，因为数据本身在不断变化，从这些数据中获取的知识必须不断更新。我们可以使用人工智能来实现这一目的，因为人工智能系统可以自学。
人工智能可以实时响应
借助神经网络，人工智能可以更深入地分析数据。由于这种能力，人工智能可以根据实时条件思考和响应情况。
人工智能实现了准确性
借助深度神经网络，人工智能可以实现极高的准确性。人工智能在医学领域有助于根据患者的 MRI 诊断癌症等疾病。
人工智能可以组织数据，以充分利用数据
数据是使用自学习算法的系统的知识产权。我们需要人工智能以始终提供最佳结果的方式索引和组织数据。
理解智能
借助人工智能，可以构建智能系统。我们需要理解智能的概念，这样我们的大脑才能构建另一个像它一样的智能系统。
什么是智能？
系统计算、推理、感知关系和类比、从经验中学习、从记忆中存储和检索信息、解决问题、理解复杂思想、流利使用自然语言、分类、概括和适应新情况的能力。
智能类型
正如美国发展心理学家霍华德·加德纳所描述的那样，智能有多种形式 −
| Sr.No | 描述 | 示例 |
|---|---|---|
| 1 | 语言智能 说话、识别和使用音系（语音）、句法（语法）和语义（含义）机制的能力。 |
叙述者、演说家 |
| 2 | 音乐智能 创造、交流和理解声音含义的能力，理解音调、节奏。 |
音乐家、歌手、作曲家 |
| 3 | 逻辑数学智能 在没有动作或物体的情况下使用和理解关系的能力。这也是理解复杂和抽象概念的能力。 |
数学家、科学家 |
| 4 | 空间智能 感知视觉或空间信息、改变它并在不参考物体的情况下重新创建视觉图像、构建 3D 图像以及移动和旋转它们的能力。 |
地图阅读者、宇航员、物理学家 |
| 5 | 身体运动智力 使用整个或部分身体解决问题或制作产品、控制精细和粗略运动技能以及操纵物体的能力。 |
玩家、舞者 |
| 6 | 个人内在智力 区分自己的感受、意图和动机的能力。 |
乔达摩佛 |
| 7 | 人际智力 识别和区分他人的感受、信仰和意图。 |
大众传播者、采访者 |
当一台机器或一个系统配备了至少一种或所有智能时，你可以说它是人工智能。
智能由什么组成？
智能是无形的。它由 −
- 推理
- 学习
- 解决问题
- 感知
- 语言智能
让我们简要介绍一下所有组成部分 −
推理
它是一组使我们能够为判断、决策和预测提供依据的过程。大致有两种类型 −
| 归纳推理 | 演绎推理 |
|---|---|
| 它通过具体观察做出广泛的一般性陈述。 | 它从一个一般性陈述开始，并研究得出特定、合乎逻辑的结论的可能性。 |
| 即使陈述中的所有前提都是正确的，归纳推理也允许结论为假。 | 如果某件事对一类事物来说通常是正确的，那么它对该类的所有成员来说也是正确的。 |
| 示例 − "Nita 是一名教师。Nita 很勤奋。因此，所有教师都很勤奋。" | 示例 − "所有 60 岁以上的女性都是祖母。Shalini 65 岁。因此，Shalini 是祖母。" |
学习 − l
学习能力由人类、特定动物物种和人工智能系统所拥有。学习分为以下几类 −
听觉学习
通过聆听和听觉进行学习。例如，学生听录音讲座。
情景学习
通过记住自己目睹或经历过的事件序列进行学习。这是线性和有序的。
运动学习
通过精确的肌肉运动进行学习。例如，挑选物体、写作等。
观察学习
通过观察和模仿他人进行学习。例如，孩子试图通过模仿父母来学习。
感知学习
这是学习识别以前见过的刺激。例如，识别和分类物体和情况。
关系学习
它涉及学习根据关系属性而不是绝对属性区分各种刺激。例如，在烹饪土豆时添加"少一点"的盐，因为上次煮土豆时加了一大汤匙盐。
空间学习 − 它是通过视觉刺激（如图像、颜色、地图等）进行学习。例如，一个人可以在真正沿着道路行走之前在脑海中创建路线图。
刺激反应学习 − 它是学习在存在某种刺激时执行特定行为。例如，狗听到门铃时会抬起耳朵。
问题解决
这是一个人感知并试图通过采取一些已知或未知障碍阻碍的路径从当前情况中得到期望的解决方案的过程。
问题解决还包括决策，即从多个替代方案中选择最合适的替代方案以达到期望目标的过程。
感知
这是一个获取、解释、选择和组织感官信息的过程。
感知假设感知。在人类中，感知由感觉器官辅助。在人工智能领域，感知机制将传感器获取的数据以有意义的方式组合在一起。
语言智能
这是一个人使用、理解、说和写口头和书面语言的能力。它在人际交流中很重要。
人工智能涉及什么
人工智能是一个广泛的研究领域。该研究领域有助于找到解决现实世界问题的方法。
现在让我们看看人工智能内的不同研究领域 −
机器学习
它是人工智能最受欢迎的领域之一。该领域的基本概念是让机器学习从数据中学习，就像人类可以从自己的经验中学习一样。它包含学习模型，在此基础上可以对未知数据进行预测。
逻辑
这是另一个重要的研究领域，其中数学逻辑用于执行计算机程序。它包含执行模式匹配、语义分析等的规则和事实。
搜索
该研究领域主要用于国际象棋、井字棋等游戏。搜索算法在搜索整个搜索空间后给出最优解。
人工神经网络
这是一个高效的计算系统网络，其核心主题借鉴了生物神经网络的类比。ANN 可用于机器人技术、语音识别、语音处理等。
遗传算法
遗传算法有助于在多个程序的帮助下解决问题。结果将基于选择最适合的程序。
知识表示
这是一个研究领域，借助它我们可以用机器可以理解的方式来表示事实。知识表示得越有效；系统越智能。
AI 的应用
在本节中，我们将看到 AI 支持的不同领域 −
游戏
AI 在国际象棋、扑克、井字游戏等战略游戏中起着至关重要的作用，在这些游戏中，机器可以根据启发式知识思考大量可能的位置。
自然语言处理
可以与理解人类自然语言的计算机进行交互。
专家系统
有些应用程序集成了机器、软件和特殊信息来传递推理和建议。他们为用户提供解释和建议。
视觉系统
这些系统理解、解释和领悟计算机上的视觉输入。例如，
侦察飞机拍摄照片，用于确定空间信息或区域地图。
医生使用临床专家系统来诊断患者。
警方使用计算机软件，通过法医艺术家制作的存储肖像识别罪犯的面部。
语音识别
一些智能系统能够在人类与其交谈时听到并理解句子及其含义方面的语言。它可以处理不同的口音、俚语、背景噪音、因寒冷而导致的人声变化等。
手写识别
手写识别软件读取用笔写在纸上或用手写笔写在屏幕上的文本。它可以识别字母的形状并将其转换为可编辑的文本。
智能机器人
机器人能够执行人类赋予的任务。它们有传感器来检测来自现实世界的物理数据，例如光、热、温度、运动、声音、碰撞和压力。它们有高效的处理器、多个传感器和巨大的内存，以展现智能。此外，它们能够从错误中吸取教训，并适应新环境。
认知建模：模拟人类思维过程
认知建模基本上是计算机科学领域的研究领域，它涉及研究和模拟人类的思维过程。人工智能的主要任务是让机器像人类一样思考。人类思维过程最重要的特征是解决问题。这就是为什么认知建模或多或少试图了解人类如何解决问题。之后，该模型可用于各种人工智能应用，如机器学习、机器人技术、自然语言处理等。以下是人类大脑不同思维水平的图表 −
代理和环境
在本节中，我们将重点介绍代理和环境以及它们如何帮助人工智能。
代理
代理是任何能够通过传感器感知其环境并通过效应器对该环境采取行动的东西。
人类代理具有与传感器平行的感觉器官，例如眼睛、耳朵、鼻子、舌头和皮肤，以及用于效应器的其他器官，例如手、腿、嘴。
机器人代理用摄像头和红外测距仪代替传感器，用各种电机和执行器代替效应器。
软件代理将编码的位串作为其程序和动作。
环境
某些程序在完全人工环境中运行，仅限于键盘输入、数据库、计算机文件系统和屏幕上的字符输出。
相比之下，一些软件代理（软件机器人或软机器人）存在于丰富、无限的软机器人领域中。模拟器具有非常详细、复杂的环境。软件代理需要实时从一系列操作中进行选择。软件机器人旨在扫描客户的在线偏好，并向客户展示其在真实和人工环境中工作的有趣项目。
