第223章 波音787

請關閉瀏覽器的閱讀/暢讀/小說模式並且關閉廣告遮蔽過濾功能，避免出現內容無法顯示或者段落錯亂。

說起來關於人工神經網路的研究由來已久。

1943年，沃倫·麥卡洛克和沃爾特·皮茨基於數學和一種稱為閾值邏輯的演算法創造了一種神經網路的計算模型。

這種模型使得神經網路的研究分裂為兩種不同研究思路。

一種主要關注大腦中的生物學過程，另一種主要關注神經網路在人工智慧裡的應用。

二十世紀4o年代後期，心理學家唐納德·赫布根據神經可塑性的機制創造了一種對學習的假說，現在稱作赫布型學習。

赫布型學習被認為是一種典型的非監督式學習規則，它後來的變種是長期增強作用的早期模型。

從1948年開始，研究人員將這種計算模型的思想應用到B型圖靈機上。

1954年，法利和韋斯利·a·克拉克次使用計算機（當時稱作計算器），在麻省理工學院模擬了一個赫佈網路。

後來，弗蘭克·羅森布拉特創造了感知機。

這是一種模式識別演算法，用簡單的加減法實現了兩層的計算機學習網路。

羅森布拉特也用數學符號描述了基本感知機裡沒有的迴路，例如異或迴路。

這種迴路一直無法被神經網路處理，直到保羅·韋伯斯1975創造了反向傳播演算法。

看起來進展不錯，然鵝此後，神經網路的研究停滯不前。

人們現了神經網路的兩個關鍵問題。

第一是基本感知機無法處理異或迴路。

第二個重要的問題是電腦沒有足夠的能力來處理大型神經網路所需要的很長的計算時間。

直到計算機具有更強的計算能力之前，神經網路的研究進展緩慢。

直到1975年保羅·韋伯斯明的反向傳播演算法。

這個演算法有效地解決了異或的問題，還有更普遍的訓練多層神經網路的問題。

在二十世紀8o年代中期，分散式並行處理（當時稱作聯結主義）流行起來。

戴維·魯姆哈特和詹姆斯·麥克裡蘭德的教材對於聯結主義在計算機模擬神經活動中的應用提供了全面的論述。

神經網路傳統上被認為是大腦中的神經活動的簡化模型，雖然這個模型和大腦的生理結構之間的關聯存在爭議。

人們不清楚人工神經網路能多大程度地反映大腦的功能。

這之後人們對於人工神經網路的興趣就消極了起來。

2o14年出現了殘差神經網路，該網路極大解放了神經網路的深度限制，出現了深度學習的概念。

可以說，是深度學習重新激了人們對神經網路的興趣。

這也是章杉所提到的契機之所在。

人工神經網路和機器學習息息相關。

而機器學習，是人工智慧的一個分支。

人工智慧的研究歷史有著一條從以“推理”為重點，到以“知識”為重點，再到以“學習”為重點的自然、清晰的脈絡。

機器學習在近3o多年已展為一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。

機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的演算法。

機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法。

因為學習演算法中涉及了大量的統計學理論，機器學習與推斷統計學聯絡尤為密切，也被稱為統計學習理論。

演算法設計方面，機器學習理論關注可以實現的，行之有效的學習演算法。

很多推論問題屬於無程式可循難度，所以部分的機器學習研究是開容易處理的近似演算法。

機器學習已廣泛應用於資料探勘、計算機視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、dna序列測序、語音和手寫識別、戰略遊戲和機器人等領域。

通俗地講，機器學習是實現人工智慧的一個途徑，即以機器學習為手段解決人工智慧中的問題。

而神經網路和機器學習息息相關。

按照這個邏輯鏈，說是神經網路方面的展使得人工智慧再次大熱起來也不為過！

~~~~~~

聽了章杉的構想，顧悠悠也覺得在人工神經網路方面傾注再多注意力也不為過。

人工神經網路在機器學習和認知科學領域，是一種模仿生物神經網路的結構和功能的數學模型或計算模型，用於對函式進行估計或近似。

雖然說到底神經網路的構建也只是數學統計學方法的一種實際應用。

透過統計學的標準數學方法我們就能夠得到大量的可以用函式來表達的區域性結構空間。

但人工神經網路的價值遠遠不止於此。

人工神經網路無疑在人工智慧的展中所扮演的角色是極其重要的！

和其他機器學習方法一樣，神經網路已經被用於解決各種各樣的問題。