學習心得
在進行了幾周的學習之後對機器學習有了一定的認識，首先從模式識别定義說起，模式識别是根據已有知識的表達，針對待識别模式，判别和決策期所屬的類别或預測其回歸值。知識，我的了解是對事物固有屬性或事物間聯系的描述，我們可以以A->B這樣來描述它，屬性和聯系是多對多的，比如蘋果是長在樹上的，梨也是長在樹上的，而模式識别要做的就是通過資料擷取待識别模式的特征，進而判定其類别或預測其回歸值。這幾周的學習主要是将資料可量化可計算化，也就是特征向量，在這部分的學習中感覺比較困難的就是由于特征是多元的，比較抽象，了解起來比較困難，此外這部分涉及到一些線性代數的知識遺忘得比較多，因而不得不将線代重新拾起，接下來得課程是通過某一方法計算待識别模式與所屬類别的相似程度，介紹了什麼是歐式距離，馬氏距離等等，以及這些方法的特點與不足，感覺課程的思想不難，分類判别的公式也不難，公式的推導是我覺得較為複雜的一部分，通過學習我基本了解了機器學習要學什麼，我的薄弱點是什麼，在今後的學習中我将加強對線性代數以及公式推導部分的學習以更好地掌握這門課。
人工智能領域前沿技術的介紹
以下是我在網上查找的關于人工智能領域前沿技術的介紹：
深度學習通過建構多隐層模型和海量訓練資料，來學習更有用的特征，最終提升分析準确性。深度學習能夠通過資料挖掘進行海量資料處理，自動學習資料特征，尤其适用于包含少量未辨別資料的大資料集；采用層次網絡結構進行逐層特征變換，将樣本的特征表示變換到一個新的特征空間，進而使分類或預測更加容易。是以，深度學習自2006年由Jeffery Hinton實證以來，在雲計算、大資料和晶片等的支援下，已經成功地從實驗室中走出來，開始進入到了商業應用，并在機器視覺、自然語言處理、機器翻譯、路徑規劃等領域取得了令人矚目的成績。
對抗性神經網絡是指由一個不斷産生資料的神經網絡子產品與一個持續判别所産生資料是否真實的神經網絡子產品組成的神經網絡架構，創造出近似真實的原創圖像、聲音和文本資料的技術。該技術有望大幅提升機器翻譯、人臉識别、資訊檢索的精度和準确性，随着三維模型資料序列能力的提升，未來将在自動駕駛、安防監控等領域産生可觀的應用價值。
膠囊網絡是指在深度神經網絡中建構多層神經元子產品，用以發現并存儲物體詳細空間位置和姿态等資訊的技術。該技術能使機器在樣本資料較少情形下，快速識别不同情境下的同一對象，在人臉識别、圖像識别、字元識别等領域具有廣闊的應用前景。
雲端人工智能是指将雲計算的運作模式與人工智能深度融合，在雲端集中使用和共享機器學習工具的技術。該技術将龐大的人工智能運作成本轉移到雲平台，能夠有效降低終端裝置使用人工智能技術的門檻，有利于擴大使用者群體，未來将廣泛應用于醫療、制造、能源、教育等多個行業和領域。
神經形态計算是指仿真生物大腦神經系統，在晶片上模拟生物神經元、突觸的功能及其網絡組織方式，賦予機器感覺和學習能力的技術。該技術的目标在于使機器具備類似生物大腦的低功耗、高效率、高容錯等特性，将在智能駕駛、智能安防、智能搜尋等領域具有廣闊應用前景。
量子神經網絡是指采用量子器件搭建神經網絡，優化神經網絡結構和性能的技術。該技術充分利用了量子計算超高速、超并行、指數級容量的特點，有效縮短了神經網絡的訓練時間，未來将在人臉識别、圖像識别、字元識别等領域具有重要應用價值和廣闊前景。
我國人工智能領域的先進與不足
總體來看，中國人工智能産業蓬勃發展，已經成為人工智能發展極為迅速的國家之一。中國人工智能快速發展的推動力主要來自計算力明顯的提升、多方位的政策支援、大規模多頻次的投資以及逐漸清晰的使用者需求。根據烏鎮智庫釋出的資料，中國人工智能企業曆年融資額、人工智能專利數量及人工智能論文數量均位世界前列。但我國人工智能基礎層技術仍然薄弱，人工智能基礎層提供計算力，主要包含人工智能晶片、傳感器、大資料及雲計算。其中晶片具有極高的技術門檻，且生态搭建已經基本成形。目前該層級的主要參與者為Nvidia、Mobileye和英特爾在内的國際科技巨頭，中國在基礎層實力相對薄弱。中國晶片起步較晚，核心技術方面，空白較多，需要填補。我國晶片産業起步較晚，技術的劣勢很明顯，生産的晶片比較粗糙，品質無法保障，更是沒有統一标準，無法規模化生産。目前核心內建電路的16項當中，國産晶片有9項的占有率是0%。我國晶片對外依賴度較高，離開獨立設計和生産還有很大距離。據官方資料，我國有近9成的晶片依靠國外進口，僅2017年就高達2601億美元，遠超過了石油的進口規模，是中國進口額最大的領域，貿易逆差也高居不下，2017年達到了近年來最高值1932億美元。中興事件正是由于我國在在一方面技術較為薄弱，幸運的是，中國在晶片制造領域的能力正在不斷提升中。