智能科学导论（微课视频版）

作者简介

史忠植,中国科学院计算技术研究所研究员、博士生导师。中国计算机学会会士，中国人工智能学会会士，, IEEE高级会员，AAAI、ACM会员。长期从事智能科学、人工智能等方面的研究。曾负责完成多项国家973、863、国家自然科学基金重点项目。曾荣获国家和部门科技奖项6项。2013年获得中国人工智能学会吴文俊人工智能科学技术成就奖。发表著作18本。发表学术论文500多篇。曾指导博士后10多位，博士研究生60多位，硕士研究生150多位。曾担任IFIP 人工智能机器学习和数据挖掘组主席、中国计算机学会秘书长，中国人工智能学会副理事长。

内容简介

视频9 神经计算 第3章 CHAPTER 3 神 经 计 算 神经计算是建立在神经元模型和学习规则基础之上 的一种计算范式，由于特殊的拓扑结构和学习方式，产 生了多种人工神经网络，模仿人脑信息处理的机理。人 工神经网络是由大量处理单元组成的非线性大规模自适 应动力系统。 3.1概述 神经计算(Neural Computing，NC)也称作人工神 经网络(Artificial Neural Networks，ANN)，神经网 络(Neural Networks，NN)，是对人脑或生物神经网络 的抽象和建模，具有从环境学习的能力，以类似生物的 交互方式适应环境。 现代神经网络研究开始于麦克洛奇 (W.S.McCulloch)和皮兹(W.Pitts)的先驱工作。1943 年，他们结合了神经生理学和数理逻辑的研究，提出了 MP神经网络模型，标志着神经网络的诞生。1949年， 赫布(D.O.Hebb)的书《行为组织学》第一次清楚说明了 突触修正的生理学习规则。 1986年，鲁梅尔哈特和麦克莱伦德 (J.L.McClelland)编辑的《并行分布处理： 认知微结 构的探索(PDP)》一书出版［50］。这本书对反向传播 算法的应用引起重大影响，成为最通用的多层感知器的 训练算法。后来证实，有关反向传播学习方法韦勃斯 (P.J.Werbos)在1974年8月的博士学位论文中已有描述 。 2006年，加拿大多伦多大学的辛顿(G.E.Hinton) 及其学生提出了深度学习(deep learning)，全世界掀 起了深度学习的热潮。2016年3月8～15日，谷歌围棋人 工智能AlphaGo与韩国棋手李世石比赛，AlphaGo 最终以4∶1的战绩取得了人机围棋对决的胜利。 2019年3月27日，ACM(国际计算机学会)宣布，有“深度 学习三巨头”之称的本吉奥、杨立昆(Yann LeCun)、辛 顿共同获得了2018年的图灵奖，以表彰他们为当前人工 智能的繁荣发展所奠定的基础。 大脑神经信息处理是由一组相当简单的单元通过相 互作用完成的。每个单元向其他单元发送兴奋性信号或 抑制性信号。单元表示可能存在的假设，单元之间的相 互连接则表示单元之间存在的约束。这些单元的稳定的 激活模式就是问题的解。鲁梅尔哈特等提出并行分布处 理模型的8个要素： (1) 一组处理单元。 (2) 单元集合的激活状态。 (3) 各个单元的输出函数。 (4) 单元之间的连接模式。 (5) 通过连接网络传送激活模式的传递规则。 (6) 把单元的输入和它的当前状态结合起来，以产 智能科学研究智能的基本理论和实现技术，综合地研究人类智能和机器智能的性质和规律, 是由脑科学、认知科学、人工智能等学科形成的交叉学科。智能科学将在21世纪取得重大进展，并发挥重大作用。本书反映21世纪NBIC会聚技术发展的大趋势，促进经济和社会发展智能化，具有重要的学术价值，广泛的社会需求。国务院发布了新一代人工智能发展规划，指出人工智能成为国际竞争的新焦点、经济发展的新引擎，迎来人工智能发展的新机遇。