機器學習(Machine Learning)是一門涉及統(tǒng)計學、系統(tǒng)辨識、逼近理論、神經(jīng)網(wǎng)絡(luò)、優(yōu)化理論、計算機科學、腦科學等諸多領(lǐng)域的交叉學科，研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能，是人工智能技術(shù)的核心。基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術(shù)中的重要方法之一，研究從觀測數(shù)據(jù)(樣本)出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。根據(jù)學習模式、學習方法以及算法的不同，機器學習存在不同的分類方法。

根據(jù)學習模式將機器學習分類為監(jiān)督學習、無監(jiān)督學習和強化學習等。

根據(jù)學習方法可以將機器學習分為傳統(tǒng)機器學習和深度學習。

邏輯推理是人工智能研究中最持久的子領(lǐng)域之一。其中特別重要的是要找到一些方法，只把注意力集中在一個大型數(shù)據(jù)庫中的有關(guān)事實上，留意可信的證明，并在出現(xiàn)新信息時適時修正這些證明。對數(shù)學中臆測的定理尋找一個證明或反證，確實稱得上是一項智能任務(wù)。

為此，不僅需要有根據(jù)假設(shè)進行演繹的能力，而且需要某些直覺技巧。1976年7月，美國的阿佩爾(K.Appe1)筆人合作解決了長達124年之久的難題–四色定理，轟動了整個計算機界。他們用了三臺大型計算機，花了1200小時。

近幾年，人工智能不斷擴張，隨著發(fā)展技術(shù)的不斷成熟，人工智能在眾多領(lǐng)域蓬勃發(fā)展。那么人工智能發(fā)展技術(shù)有哪些?最熱門是哪幾個?下面我們詳細介紹。

1、 語言的自動生成

利用計算數(shù)據(jù)算法生成文本。當前主要適用于客服服務(wù)、報告生成及總結(jié)商業(yè)智能洞察力。

2、 語言自動識別系統(tǒng)

主要是將人類轉(zhuǎn)錄或者轉(zhuǎn)換成計算機應(yīng)用軟件的文本格式。當前主要適用于交互式語音應(yīng)答系統(tǒng)和移動應(yīng)用領(lǐng)域。

3、 機器學習系統(tǒng)

提供設(shè)計和訓練模型，主要是講模型部署到應(yīng)用軟件、流程及其他機器計算當中;同時還提供應(yīng)用編程接口、算法、工具包及訓練工具包等。當前適用于企業(yè)領(lǐng)域，主要涉及預測和分類等。

4、 深度學習平臺系統(tǒng)

主要是特殊類機器學習，包括擁有多個抽象層人工神經(jīng)網(wǎng)絡(luò)。當前主要適用于一些很龐大的數(shù)據(jù)模式識別分類應(yīng)用。

5、 虛擬代理系統(tǒng)

弗雷斯特公司稱，“虛擬對代理是媒介主要的競爭對象”，從簡單聊天機器人到可以和人類進行交際的高級系統(tǒng)。當前主要適用于客服服務(wù)及智能管家等。

6、 決策及管理系統(tǒng)

搜索引擎將規(guī)則和邏輯嵌入到人工智能系統(tǒng)，同時用于初始設(shè)置訓練和日常的維護和調(diào)優(yōu)當中，這是一項成熟的技術(shù)，主要適用于一系列企業(yè)應(yīng)用領(lǐng)域，并協(xié)助或執(zhí)行自動決策。

7、 機器人自動化流程系統(tǒng)

用腳本及其他方式實現(xiàn)人類操作自動化，從而支持高效的業(yè)務(wù)流程。當前適用于人類執(zhí)行任務(wù)或流程成本太高或效率太低的地方。

8、 生物識別技術(shù)系統(tǒng)

支持人類與機器之間的自然交互，包括但不限于圖像和觸摸識別、語言和自身語言。當前主要適用于市場研究。

雖然人工智能驅(qū)動的設(shè)備和技術(shù)已經(jīng)成為我們生活的重要組成部分，但機器智能仍可能在一些領(lǐng)域做出重大改進。

為了填補這些隱喻性的空白，非人工智能技術(shù)可以派上用場。

人工智能 (AI) 是一種“具有合成智能的新興計算機技術(shù)”。人們普遍認為，我們在日常生活中看到的人工智能應(yīng)用只是其力量和能力的冰山一角。人工智能領(lǐng)域需要不斷演進和不斷發(fā)展，以消除常見的人工智能局限性。

通常，人工智能由以下子領(lǐng)域組成，如認知計算，也通常包括在內(nèi)，但以下領(lǐng)域幾乎在所有人工智能系統(tǒng)中無處不在：

機器學習：機器學習結(jié)合使用來自神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)、一般和特定統(tǒng)計數(shù)據(jù)、操作結(jié)果和其他來源，在不受外部引導的情況下發(fā)現(xiàn)信息中的模式。深度學習使用包含多個復雜處理單元層的神經(jīng)網(wǎng)絡(luò)。深度學習使用更大的數(shù)據(jù)集來提供復雜的輸出，如語音和圖像識別。

神經(jīng)網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)(也稱為人工神經(jīng)網(wǎng)絡(luò))利用數(shù)字和數(shù)學信息進行數(shù)據(jù)處理。神經(jīng)網(wǎng)絡(luò)包含幾個類似神經(jīng)元和突觸的數(shù)據(jù)節(jié)點，模擬人類大腦的功能。

計算機視覺：利用模式識別和深度學習，計算機視覺識別圖像和視頻中的內(nèi)容。通過對圖像和視頻的處理、分析和獲取知識，計算機視覺幫助人工智能實時解釋周圍環(huán)境。

自然語言處理：這些是深度學習算法，使人工智能系統(tǒng)能夠理解、處理和生成人類的口語和書面語言。

非AI技術(shù)會讓AI變得更先進(或者至少減少AI的局限性)，通常會增強其中一個部分，或積極地影響其輸入、處理或輸出能力。

一. 深度學習

機器學習是實現(xiàn)人工智能的一種重要方法，機器學習是利用運算法則對數(shù)據(jù)進行分析，然后自動地將其歸納為模型，最終通過模型進行推理和預測。人臉識別就是機器深度學習最為成熟的應(yīng)用。

二. 計算機視覺

計算機視覺是指計算機識別物體、場景和活動的一種能力。利用計算機視覺技術(shù)把圖像處理和其它技術(shù)結(jié)合起來，把圖像分析工作分成幾個小塊，方便地進行管理。計算機視覺在我們身邊也有著廣泛的運用，其中包括

三. 自然語言處理

自然語言處理是計算機科學，人工智能，語言學關(guān)注計算機和人類語言之間的相互作用的領(lǐng)域。因此，自然語言處理是與人機交互的領(lǐng)域有關(guān)的。其中語音識別，機器翻譯，語言建模等等都是屬于人工智能得自然語言處理。

四. 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是指從大連的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。數(shù)據(jù)挖掘包括統(tǒng)計應(yīng)用，通過計算機對于某一產(chǎn)品或事物得統(tǒng)計，進一步推算出相關(guān)信息。