扫地机器人已经进入千家万户，默默担起打扫卫生的重任。那么，扫地机器人是如何工作的呢？ 首先，机器人跟机器人差距还是挺大的。比如一些低端的机器人，扫地基本靠“蒙”，如图１（左）所示，低着头往前冲，直到撞着障碍物，换个方向继续冲。这种随机清扫方式显然比较低端，效率较低，如果房间小还可能，房间大了耗时就大
学过初中数学的人都知道，定理证明看起来是件非常需要动脑子的事。一般来说，绝大部分人都会觉得自己面对定理证明都会智商不够。 幸好，计算机不这么认为，至少比起听说读写来，机器更愿意去证明定理。 事情还得从亚里士多德的三段论讲起。什么是三段论呢？就是给出一个大前提，再给定一个小前提，那么可以推
继AlphaGo之后，DeepMind公司又推出了AlphaGo Zero。和他的前辈不同，AlphaGo Zero完全抛弃了人类棋谱数据，只需给出走棋规则，就可以从零开始，“自学成才”。这是如何实现的呢？ 总结起来，AlphaGo用到了如下人类数据或知识： 1. 人类棋手的16万盘棋谱。Alpha
现代搜索引擎会利用各种信息来提高搜索结果的质量，其中用户点击模型在结果排序中具有重要作用。那么什么是用户点击模型呢？ 当一个用户输入查询词之后，会根据自己的需要对搜索引擎给出的结果进行选择性点击，用户之所以会点击某个搜索结果，一定是该用户认为这个搜索结果可能对自己是有帮助的。所以，点击可以认为是用户
搜索引擎提供的搜索结果，最基础的要求是与查询词相关，另外一个要求网页足够重要。那么，搜索引擎是如何判断一个网页的重要性的呢？这要归结为一个称为PageRank的排序算法。 我们知道一个网页中往往会有一些超链接，用户点击这些链接会指向其他网页。仔细思考一下，网页设计者为什么会设计这些链接呢？这是因为被
在互联网上冲浪离不开搜索引擎，它可以帮助我们快速找到需要的内容。这是如何做到的呢？要知道，互联网上的内容多的吓人，想要在不到1秒钟内就把想要的东西找到，还同时服务大量的并发请求，想想都觉得困难。 我们通过一个小例子来理解搜索引擎背后的算法。假设有1万名学生，每个学生可以参加几个兴趣小组，每个兴趣小组
简单地说，贝叶斯网络是描述事件之间概率关系的计算模型，是机器学习中最重要方法之一。很多重要的模型，包括高斯混合模型（GMM）、隐马尔可夫模型（HMM）、主成分分析（PCA）、线性区分性分析（LDA）等都可以归结为贝叶斯网络的特殊形式。 我们知道，机器要拥有智能，自身需要拥有一定的“知识”。早期研究者
近年来人工智能领域最火爆的词无疑是“深度学习”了。所谓深度学习，可以简单理解为基于深度神经网络的学习。那么什么是深度神经网络呢？ 最直接的理解是，深度神经网络（Deep Neural Network, DNN）是层数超过三层的神经网络。例如，用于图像识别的VGGNet层数达到19层[1]，而ResN
人类具有强大的智能，人工智能的研究者很早就希望通过模拟人类智能来实现机器智能。 那么，人类为什么能拥有如此强大的智能呢？这归因于我们有一个非常强大的大脑。研究表明，成年人大脑一般约为4千克，占身体重量的2%，是所有动物中比例最高的。可别小看这2%，我们的身体为此付出了超过20%的能量和氧气[1，3]
人的耳朵是一个非常精巧的声音处理系统。总体来说，声音引起鼓膜振动，经过听小骨传递到耳蜗后，形成神经脉冲传到大脑中形成声音感知。在这一过程中，耳蜗是物理振动转换成神经电信号的核心部件，很多人耳感知的特性就是在这里形成的。例如，当一个声音已经存在且音量较高时，我们将很难感知另一个音高差不多的声音。类似的
BP算法（反向传播算法）由Rumelhart, Hinton和Williams于1986年提出[1]，是神经网络的通用训练算法。BP算法的基础是基于梯度下降的误差函数优化，因为利用了神经网络的层次结构，显著提高了计算效率。BP算法的提出为构造复杂神经网络提供了可能，如果没有BP算法，深度学习很难发展
IBM的深蓝战胜国际象棋大师卡斯帕罗夫很大程度上要归功于α-β剪枝算法[2]，那么什么是α-β剪枝算法呢？我们从极小-极大过程开始讲起。 1. 极小-极大过程 我们先看看人是如何下棋的。人在下棋时首先根据当前局面考虑若干总可能的走法，再对每种可能的走法考虑对方会如何走，再考虑自己会如何应对……高手会
