简介
精彩点评
-
梦在星河之畔推荐
非常难得的一本好书，数据详实，涉及到的资料和论文都注明出处并且给出对应的下载链接。 更重要的是，作者心中有读者，把“是什么、为什么、怎么做”等事情的来龙去脉给讲得清清楚楚明明白白，让人知其然亦知其所以然。要是我们的大学教材也能写得和这一样好，那真是学生之福。
-
HJY推荐
对人工智能的发展脉络有一个比较完整的介绍，较为基础地介绍了符号主义，连接主义，行为主义的三大方向的研究历史情况。对当前最为火热的深度学习进行了重点介绍，既包括了反向误差梯度算法也涵盖了其其它相关的算法介绍。是it行业，人工智能相关行业从业人员的上佳阅读材料。对人工智能相关专业学生及技术工作者也是非常好的技术历史背景学习资料。推荐阅读。 可配合《深度学习中的数学》学习阅读。
-
依然在推荐
非常棒的人工智能的科普、入门书籍，了解ai的发展历程。每一位大师的不懈奋斗，才有了今天。印象深刻的图灵、司马贺、辛顿。
-
华章微课小编推荐
这是一部对人工智能充满敬畏之心的匠心之作，由《深入理解Java虚拟机》作者耗时一年完成，它将带你从奠基人物、历史事件、学术理论、研究成果、技术应用等5个维度全面读懂人工智能。 本书以时间为主线，用专业的知识、通俗的语言、巧妙的内容组织方式，详细讲解了人工智能这个学科的全貌、能解决什么问题、面临怎样的困难、尝试过哪些努力、取得过多少成绩、未来将向何方发展，尽可能消除人工智能的神秘感，把阳春白雪的人工智能从科学的殿堂推向公众面前。
-
W推荐
如果和大学的课程结构做一个对比的话，这本书相当于人工智能的绪论。非常专业但又十分通俗易懂的讲述了人工智能的起源，发展，流派，现状，价值，挑战。读完收获非常多。 从图灵机到人工智能，这一领域的每一次进步，高潮，飞跃，总有点思想超前，硬件落后与补齐，然后其他交叉学科支撑的感觉，总之，用别人的话说，就是这是整个社会的进步。 而智慧的疆界在哪里？目前所有算法支撑下的人工智能，都属于弱人工智能，是“计算智能”。而能产生心智意识的，被众多科幻电影想象的对象——强人工智能，则永远不会在现有的人工智能研究中产生，这和现有的人工智能研究是两个“物种”。更重要的是，弱人工智能在如此潮流的今天，它也有处理起来难度极大甚至有科学家宣称目前无法解决的问题：以《星际争霸》游戏为代表的 很难有效分解成表达机器学习的逻辑。 的问题。这是因为，相比于如何实现一个机器学习项目的细节上的难题（深度学习教父辛顿就为这个难题花费了数十年时间并最终取得突破），更基本的前提的是，“如何把现实中的事情变成可以一个用机器学习解决的问题”？机器学习只是工具。 另一个问题是，目前人工智能，或者说机器学习，深度学习做的是对现实世界的拟合，其模型是建立在大量数据基础上的相关性性质的模型，这些模型对人类不具备可解释性。在李开复先生的《大数据时代》书中，这种只知其然不用知其所以然的相关性特征是大数据时代的一种优势。由于是根据具体问题训练出来的，所以这些模型解决相应问题十分厉害。可是缺陷也蕴含其中，那就是可迁移性差。问题一变，模型“报废”。 “机器人可以学会拿起瓶子，但如果你想要它拿起一个杯子，就得从头开始训练。” 这是对“相关性”一种批判式的否定。另外，这种不可解释性还是目前算法训练效率不高等问题的根本原因。 类似于人类早期对飞行的探索——努力造出各种各样完美的“翅膀”，现在的人工智能则是在努力造出一个完美的“人工大脑”。可是正如另一位大佬所说， 当莱特兄弟和其他人不再模仿鸟类飞行，而是开始研究空气动力学的时候，人类对‘人工飞行’的探索才算是取得了成功。 那么，人类对“人工智能”探索的突破，则需要脑科学的突破，能够研究清楚人工智能背后的“空气动力学”。 虽然大家都幻象着强人工智能的世界，也害怕着机器人叛变，对强人工智能的研究科学家们也都十分警惕，但是，即使只是出于解决目前弱人工智能中的问题，人类也似乎将不可避免地给强人工智能的实现打下基础。这种伦理上的危险有点类似于基因研究，我们希望弄清楚每个基因，但却极力反对基因编辑婴儿。 从图灵机到人工智能，体现了人们在追求计算机实现智能这个目标上的非凡成就，而智慧的疆界，则告诉我们，在这股并不是第一次的人工智能热潮中，要学会在热情与希望中，更能冷静看待人工智能。
-
小白推荐
这是一部对人工智能充满敬畏之心的匠心之作，作者耗时一年完成，它将带你从奠基人物、历史事件、学术理论、研究成果、技术应用等5个维度全面读懂人工智能。 本书以时间为主线，用专业的知识、通俗的语言、巧妙的内容组织方式，详细讲解了人工智能这个学科的全貌、能解决什么问题、面临怎样的困难、尝试过哪些努力、取得过多少成绩、未来将向何方发展，尽可能消除人工智能的神秘感，把阳春白雪的人工智能从科学的殿堂推向公众面前。 五星推荐的难得好书，墙裂推荐！
-
我爱咸鱼推荐
推荐作为了解人工智能发展的入门书籍，讲述内容通俗易懂，除个别章节介绍常用的人工智能分析模型稍微有点难度，其他部分只要耐心读下去，都可以理解。 按作者的分析，当前人工智能还处于弱智能阶段，只能应用于个别领域，离真正的强人工智能还有很大的距离。所谓的强人工智能，是拥有较强的通用性，自主学习能力的人工智能，是更加接近人类思维的智能形式。而且，我们对弱人工智能的了解，依然处于初级阶段，甚至对于人工智能的思维过程都无法完全弄清楚！我们可以让AI自主找出猫、狗的图片，在没有进行人工监督学习的前提下，但是却无法理解人工智能是怎样实现这个过程的。作者常用的一个类比是，人类真正掌握飞行，并非学会模仿鸟类飞上天空，而是掌握了流体力学！我们离掌握人工智能领域的“流体力学”还有多远呢？恐怕没有人知道。 由此，担心人工智能取代人类，甚至消灭人类的想法，目前看来还属无稽之谈。毕竟马车被汽车取代的时候，创造了其他的工作。当然，我们需要提防将人工智能用于武器上，虽然任何一种先进技术都难以逃出被军用化的命运。 在人类社会发展过程中，确实是天才引领着大众的步伐。从图灵，到香农，到辛顿... 人工智能从提出到被一步步变成现实，有无数的天才贡献了他们卓越的思想！在人工智能发展过程中，我们什么时候能够涌现一流的人才呢？在这新一轮工业革命的大潮里？？
-
陈传岩推荐
无论是研究“大脑”连接派，研究“心智”的符号派，还是研究“行为”的行动派，向着人工智能高级阶段的道路“阻且漫长”！ 人工智能的每向前一步，都能够将人类从繁重，重复，枯燥的工作中解放出来一部分，造成生产力的巨大提升。给予人类空闲，也加剧人类的恐惧（被统治和被替代）。 洪流不可阻挡，我们唯有勇猛向前。20220207
-
得地滴推荐
作为接触过一些机器学习的内容、调过一些库的人，看起这本书来，有那么一丢丢觉得奇怪，并不那么机器学习。 以前并不知道人工智能有三大主要流派：符号主义、连接主义、行为主义。神奇的是，这仨流派我都过多或少接触过，只是并不知道这个体系是这样划分的。最近看书越发觉得缺少系统框架，有些东西在知识体系里摆不好位置，不算好现象。好的是读点有体系的书就能迅速填充过去，只是漏了哪些，也说不太清楚。从人工智能的实现意义上来说，这仨分别指心智派、结构派、行为派，也就是研究人的推理能力、研究大脑的结构、研究人的行为。 人工智能公认从达特茅斯会议开始的，这时候红的是符号主义学派，核心思想是“认知即计算”。 符号主义起初是推理期，描述已知来推理未知，分为认知派和逻辑派。逻辑派的代表是纽厄尔和司马贺，他们认为物理符号系统可以用来模拟人类的智能。他们在会议上提出的“逻辑理论家”就是将问题形式化，通过树搜索加剪枝算法得到和结论一致的变换形式，将树的这条分支路径连接起来，成为对定理的证明。认知派的代表是明斯基和麦卡锡，麦卡锡的《常识编程》论文，那就是 pddl 的原理啊——以前一直纳闷 pddl 这种用 dsl 写约束和定义，利用启发式算法求解的语言为什么会被放入人工智能里，现在知道了，它属于符号主义学派里的认知派。这个时期的主要困难是：需要描述的已知从哪里来？就好比 pddl 也需要人定义一大堆经验条件一样，要从头开始定义 domain knowledge，非常复杂而且多变，缺少重用性。麦卡锡的另外一篇通过七个运算符来定义一种图灵完备语言的论文，被他学生实现成 LISP，可谓是计算机语言的一个里程碑，而 LISP 的元编程能力（数据可以变为程序、符号可以修改自身的行为的能力）是一种程序的学习能力。 推理期后面是知识期，试图解决推理需要的知识问题。这个时期有类似思维导图的语义网络，它适用于检索推理，但不适用于定量的动态的知识，也不适合表达过程性、控制性的知识；有知识工程和知识系统，试图建造计算机用的知识库和知识引擎，前者是知识的存储，后者是用于知识的检索和推理求解的，专家系统就属于这一类，专家就是用来进行知识定义的，让系统自己利用推理期的方法求解。 但是推理期和知识期，都算不上真正的人工智能，因为是人在帮机器工作，人是主要的信息来源。所以进化到学习期，想要机器拥有自我学习改进的能力。这个时期的代表是决策树，计算机通过训练数据构建出合理的决策树。通过样本训练最优决策树是 NP 完全问题，所以通常用启发式算法来找到局部最优。 连接主义就是现在比较流行的机器学习概念了，不再是试图模拟人的思考，而是模拟人的大脑结构，所以主要讲了神经网络。以前一直纳闷神经网络为什么炒冷饭，据这本书所言应该是实现性限制了它的发展，因为计算能力达不到。深度学习的发展真是要多谢摩尔定律。这一部分讲得很棒的是机器学习特征选取时的维度灾难、评估的几种指标分别代表什么、神经网络目标函数里的正则化项的意义（怎样靠不同的范数来避免过拟合）。深度学习比浅层神经网络多了许多隐层外，出现的意义是人的认知是“分层迭代、逐级抽象”的，出现的时机是误差反向传播算法的出现大大减少了计算复杂度，名字的来由是Hinton 当时用神经网络投稿各种被拒只能改名……深度学习这块讲了卷积神经网络的卷积和池化、带时间序列的循环神经网络里的短期记忆网络和长短期记忆网络、对抗式生成网络里的卷积和反卷积互相对抗。神经网络的可解释性现在还没得到太多诠释，主要靠经验和试错，所以现行机器学习从业人员也会自嘲调参狗以及调参是玄学。 行为主义又称控制论，是以控制论为起源的，多在交叉学科领域，譬如机器人学、人工生命。这一段讲得比较简略，主要是维纳的一些成就。控制反正也学过，就是输入输出加反馈的系统。所以行为主义的方法就是给刺激、等反馈、通过刺激反馈研究行为特性。自复制机是冯诺依曼提出的体系结构，是机器生命的研究，前些日子突然火起来的青蛙机器人应该也算这一块。 书里提到的一些机器学习方法讲得很不错，是技术人员写的书。最后还有讲最新的发展，并且顺带提了提人工智能做决断的伦理。至于人工智能是否会毁灭地球，安啦，这是弱人工智能，只能做到部分人想要它做的事情。强人工智能才能模拟人的心灵和意识，不是吗？还是等脑科学、认知科学这些慢慢发展吧。 图灵测试与图形验证码的缩写 CAPTCHA 居然关系。
-
宇翔'推荐
达特茅斯会议的十个人开启了人工智能的发展，不论是控制论还是深度学习，都是随着计算能力和数据处理能力的发展为基础，数学理论永远是无法超越的基础，最后就是场景数据的喂养和应用模型的完善，从简单的复制机到智能设计的简单复制到创新，人工智能除了模仿或对标人脑以外，智能不仅仅与人工乃至人类相关，一定会在某一天出现颠覆性的变化。这本书可以说是人工智能发展史，作为入门级图书值得一看。
-
苟文木水推荐
最好的人工智能科普！牛年最后一天一气呵成，抬头发现天都黑了～