人工神经网络的发展历史长远，从提出到现在有了一百多年的历史，怀着满心期待，我踏上了学习这门课的历程。下面简单梳理一下我的学习内容和学后感受。
人工神经网络和人的大脑运作方式相似，或者可以说人们在研究人工神经网络的时候就是按照人的大脑运作方式对人工神经网络进行研究。
关注公众号【夕小刀】
下面是各个时代下各位伟大的科学家对人工神经网络的研究历程，人工神经网络的研究时间长久并且艰辛，到现在才有这样的研究成果。
1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。
60年代，人工神经网络得到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。
1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。
1984年，他又提出了连续时间Hopfield神经网络模型。
1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。
1986年进行认知微观结构地研究，提出了并行分布处理的理论。
人工神经网络类似于大脑神经突触联接的结构，和人脑处理信号的方式相似。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点或称神经元和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
它的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题，这种方法比起正式的逻辑学推理演算更具有优势。
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征。
折叠非线性
非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。
折叠非局限性
一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
折叠非常定性
人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
折叠非凸性
一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。
人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。
人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。
折叠特点和优越性
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
基本结构
一种常见的多层结构的前馈网络由三部分组成，
输入层，众多神经元接受大量非线形输入信息。输入的信息称为输入向量。
输出层，信息在神经元链接中传输、分析、权衡，形成输出结果。输出的信息称为输出向量。
隐藏层，简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。隐层可以有多层，习惯上会用一层。隐层的节点（神经元）数目不定，但数目越多神经网络的非线性越显著，从而神经网络的强健性（控制系统在一定结构、大小等的参数摄动下，维持某些性能的特性。）更显著。习惯上会选输入节点1.2至1.5倍的节点。
神经网络的类型已经演变出很多种，这种分层的结构也并不是对所有的神经网络都适用。
人工智能发展需要算法，算法的优劣直接导致了人工智能的水平高低。
目前，掌握人工智能领域中使用最广泛的编程语言python。对于AI项目来说，算法几乎是灵魂。
所以，在如何学好人工智能的路上，想要立足人工智能，在自我加强学习的同时也应该去开阔自己的视野，通过学习我们可以提高自己的实力。
目前人口老龄化问题在世界范围内出现，仿人机器人的出现能缓解老龄化带来的部分危机，同时，一些危险工作的场所和恶劣的工作条件，机器人代替人类工作也能带来直接的好处，前景广阔，它使用人工智能实现的方法是：首先应编制相应软件，再由计算机进行计算，机器人接受指令产生相应的操作，要完成这些高度智能化的操作，作为开发者就需要具有高度发展的智能技术及计算机软件实现技术。
借助人工智能技术，传统制造厂商可以在汽车、家电、配饰等工业产品上增加人工智能模块，实现用户远程操控、数据自动采集分析等功能，极大地改善工业产品的使用体验。
2017年7月国务院发布的《新一代人工智能发展规划》中就指出：“人工智能成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。
我虽然是管理学院的市场营销专业，不接触人工智能的设计及制造等，但是人工智能的应用与我的专业息息相关。
每一次的技术革命都是翻天覆地的，而这些技术革命影响的不仅仅是技术工作者，我们这些技术的应用者，受益者也应该时时关注着。
在这次的课后更加明白了技术变革的趋势与威力，阿尔法狗打败人类只是冰山一角，以后人类在脑力还有智力的很多方面工作都要被取而代之，唯有不断创新学习才能不被时代淘汰。
写文不易，希望您能微信扫码关注公众号【夕小刀】
微信扫码关注
网友评论