自计算机或机器发明以来，它们执行各种任务的能力经历了指数增长。 人类在计算机系统的多样化工作领域发展越来越强大，计算机的速度不断提高，并且随着时间的推移缩小了规模。
计算机科学的一个分支叫做人工智能，它追求创造出像人一样聪明(智能)的计算机或机器。
人工智能的基本概念(AI)
根据人工智能之父John McCarthy的说法，它是“制造智能机器的科学和工程，特别是智能计算机程序”。
人工智能是一种以智能人类思维的类似方式的计算机，计算机控制的机器人或软件智能地思考的方法。 人工智能是通过研究人脑如何思考以及人类如何在解决问题的同时学习，决定和工作，然后将此研究的结果作为开发智能软件和系统的基础来完成的。
在利用计算机系统的强大功能时，人类的也会有好奇心:“机器能像人类一样思考和行为吗？”
因此，人工智能的发展始于在我们发现并认为在人类身上那些智能，也可以机器中类似的创造。
学习AI的必要性
正如我们所知，AI追求的是创造出像人一样聪明的机器。我们学习人工智能的理由有很多。 一些主要原因如下 -
AI可以通过数据学习
在我们的日常生活中，需要处理大量的数据，人类的大脑无法追踪这么多的数据。我们需要自动化处理这些事情。 为了实现自动化，我们需要学习AI，因为它可以从数据中学习，并且可以准确无误地完成重复任务。AI可以自学习
一个系统应该能自学，因为数据本身不断变化，并且源于这些数据的知识必须不断更新。 我们可以使用AI来实现这个目的，因为启用AI的系统可以自学。AI可以实时响应
人工智能借助神经网络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情况思考和响应情况。AI达到高准确度
在深度神经网络的帮助下，AI可以达到极高的准确度。 AI有助于医学领域从患者的MRI中诊断癌症等疾病。人工智能可以组织数据以最大限度地利用它
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总是能够提供最佳结果的方式对数据进行索引和组织。理解智能
通过人工智能，可以构建智能系统。 我们需要理解智能的概念，以便我们的大脑可以构建像自己一样的另一个智能系统。
什么是智能？
系统能够计算，推理，感知关系和类比，从经验中学习，存储和检索来自记忆的信息，解决问题，理解复杂的想法，流利地使用自然语言，分类，推广和适应新的情况。
智能类型
正如美国发展心理学家霍华德加德纳(Howard Gardner)所描述的，智能来自多方面，如下表所示 -
| 编号 | 智能 | 描述 | 示例 |
|---|---|---|---|
| 1 | 语言智能 | 能够说，识别和使用音系学(语音)，语法(语法)和语义(含义)机制。 | 讲述人，演说者 |
| 2 | 音乐智能 | 能够创造，沟通和理解由声音，音调和节奏的理解所构成的意义。 | 音乐家，歌手，作曲家 |
| 3 | 逻辑数学智能 | 在没有操作或对象的情况下使用和理解关系的能力。这也是理解复杂和抽象思想的能力。 | 数学家，科学家 |
| 4 | 空间智能 | 能够感知视觉或空间信息，改变它，并在不参考对象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。 | 地图读者，宇航员，物理学家 |
| 5 | 身体-运动智能 | 能够使用完整或部分身体来解决问题或时尚产品，控制精细和粗糙的运动技能，并操纵物体。 | 球员，舞蹈演员 |
| 6 | 个人内部智能 | 区分自己的感受，意图和动机的能力。 | 佛陀 |
| 7 | 人际智能 | 能够识别和区分他人的感受，信念和意图。 | 大众传播者，采访者 |
可以说一台机器或者一个系统至少配备一种或所有智能时是人工智能的。
智能组成有什么？
智能是无形的。 它由 -
- 推理
- 学习
- 解决问题
- 知觉
- 语言智能
下面简要介绍所有组件 -
推理
这是一套程序，使我们能够为判断，制定决策和预测提供基础。大致有两种类型 -
| 归纳推理 | 演绎推理 |
|---|---|
| 它进行具体的观察以作出广泛的一般性陈述。 | 它从一般性陈述开始，考察可能性以达到一个特定的，合乎逻辑的结论。 |
| 即使所有的前提在陈述中都是真实的，但归纳推理允许结论是错误的。 | 一般来说，如果一类事情是真的，那么这个类的所有成员也是如此。 |
| 例如 - “Nita是老师，Nita很好学，所以老师都很好学。” | 例如 - “所有60岁以上的女性都是奶奶，Shalini已经65岁了，因此Shalini是奶奶。” |
学习 - l
学习的能力被人类，动物的特定物种以及AI支持的系统所拥有。学习分类如下 -
听觉学习
它通过听力和听力来学习。 例如，听录音讲座的学生。
情节学习
通过记住人们目睹或经历的一系列事件来学习。 这是线性和有序的。
运动学习
它通过肌肉的精确运动来学习。 例如，挑选对象，写作等
观察学习
通过观看和模仿他人来学习。 例如，孩子试图通过模仿她的父母来学习。
感性学习
它是学习认识到，一个之前已经看到过的刺激。 例如，识别和分类对象和情况。
关系学习
它涉及在关系属性的基础上学习区分各种刺激，而不是绝对属性。 例如，在烹制上次咸的土豆时添加“少量少量”的盐，当因为当时加入一大汤匙盐。
- 空间学习 - 通过视觉刺激来学习，如图像，颜色，地图等。例如，一个人可以在实际跟随道路之前在脑海中创建路线图。
- 刺激反应学习 - 当某种刺激存在时，学习执行特定的行为。 例如，一只狗在听到门铃时抬起耳朵。
解决问题
人们通过走一条被已知或未知的障碍阻挡的道路，从现在的情况中感知并试图达到期望的解决方案。
解决问题还包括决策制定，即从多种选择中选择最合适的替代方案以达到预期目标的过程。
知觉
这是获取，解释，选择和组织感官信息的过程。
感知假设感知。在人类中，知觉受感觉器官的帮助。在人工智能的领域，感知机制以有意义的方式将传感器获取的数据放在一起。
语言智能
这是一个使用，理解，说话和写作口头和书面语言的能力。 这在人际交往中很重要。
人工智能涉及什么？
人工智能是一个广阔的研究领域。 这个研究领域有助于寻找现实世界问题的解决方案。
下面我们来看看AI研究的不同研究领域 -
机器学习
它是AI最受欢迎的领域之一。 这个领域的基本概念是让机器从数据中学习，因为人类可以从他/她的经验中学习。 它包含的学习模型的基础上，可以对未知数据进行预测。
逻辑
数学逻辑被用来执行计算机程序是另一个重要的研究领域。 它包含执行模式匹配，语义分析等的规则和事实。
搜索
这个研究领域基本上用于象棋，围棋等游戏。 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，其中心主题是从生物神经网络的类比中借鉴的。 ANN可用于机器人，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。 结果将基于选择适者。
知识表示
这是研究领域，我们可以用机器可以理解的机器来表示事实。 代表更有效的知识; 更多的系统将是智能的。
AI的应用
在本节中，我们将看到AI支持的不同领域 -
棋类游戏
人工智能在诸如国际象棋，扑克，井字游戏等战略游戏中发挥着至关重要的作用，机器可以基于启发式知识考虑大量可能的玩法。
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
有一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。 他们向用户提供解释和建议。
视觉系统
这些系统理解，解释和理解计算机上的视觉输入。 例如，
- 间谍飞机拍摄照片，这些照片用于计算空间信息或地区地图。
- 医生使用临床专家系统来诊断患者。
- 警方使用计算机软件，可以通过法医艺术家存储的肖像识别罪犯的脸部。
语音识别
一些智能系统能够在人们对话时听到和理解语言的句子及其含义。 它可以处理不同的口音，俚语，背景中的噪音，由于寒冷造成的人类噪音变化等。
手写识别
手写识别软件通过触笔在笔上或屏幕上读取写在纸上的文字。 它可以识别字母的形状并将其转换为可编辑文本。
智能机器人
机器人能够执行人类给出的任务。 他们有传感器来检测真实世界的物理数据，如光，热，温度，运动，声音，碰撞和压力。 他们有高效的处理器，多个传感器和巨大的内存，展现智慧。 另外，他们能够从错误中学习，并能适应新的环境。
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研究领域，涉及研究和模拟人类思维过程。 AI的主要任务是让机器像人一样思考。 人类思维过程的最重要特征是解决问题。 这就是为什么或多或少的认知建模试图理解人类如何解决问题的原因。 该模型可用于各种AI应用，如机器学习，机器人技术，自然语言处理等。
代理和环境
在本节中，我们将重点介绍代理和环境以及这些在人工智能中的帮助。
代理人
代理人是能够通过传感器感知其环境并通过效应器作用于该环境的任何事物。
人用试剂具有与传感器平行的诸如眼睛，耳朵，鼻子，舌头和皮肤之类的感觉器官以及用于效应器的诸如手，腿，嘴等其他器官。
机器人代理取代了传感器的摄像头和红外测距仪，以及各种效应器的马达和执行器。
软件代理已将位串编码为其程序和操作。
环境
某些程序在局限于键盘输入，数据库，计算机文件系统和屏幕上字符输出的完全人造环境中运行。
相比之下，一些软件代理(软件机器人或softbots)存在于丰富的无限软域中。 模拟器有一个非常详细，复杂的环境。 软件代理需要实时从多种行为中进行选择。 Softbot旨在扫描客户的在线偏好，并向客户展示有趣的物品在真实以及人造环境中工作。
