1.5　人工智能的关键技术

（1）机器学习。机器学习（machine learning）是一门人工智能的学科，主要目标是研究计算机模拟人的学习活动获取新的知识和技能，并根据知识和技能不断优化计算机程序的性能。机器学习按学习方式可以分为有监督学习、半监督学习和无监督学习。传统的机器学习方向主要包括贝叶斯学习、人工神经网络、随机森林、决策树等。

（2）深度学习。深度学习（deep learning）是机器学习的一种，它的概念源于人工神经网络。深度学习最具特色的结构是含有多个隐藏层的多层感知器。与机器学习一样，深度学习同样可以分成有监督、半监督和无监督。目前深度学习因为其能通过组合低层特征形成更加抽象的高层特征的能力而被广泛应用于图像处理领域。

（3）强化学习。强化学习（reinforcement learning）又称再励学习，是用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习与机器学习方法中的无监督学习不同，强化学习的目标是最大化奖励而非寻找隐藏的数据集结构（如聚类），因此强化学习是监督学习和无监督学习之外的第三种机器学习范式。

（4）机器视觉。机器视觉（machine vision）是一门用机器代替人眼做测量和判断的学科。一个常见的机器视觉系统主要由图像捕捉模块、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块组成，涉及图像处理、模式识别、信号处理等多个领域。

（5）计算机视觉。计算机视觉（computational vision）是机器视觉的一个具体研究领域，具体指通过使用计算机和各类成像系统实现生物视觉对外界环境的感知，简单而言就是让计算机通过计算模仿人眼实现视觉感知。

（6）自然语言处理。自然语言处理是研究人与计算机之间通过自然语言进行交流的一门学科，是人工智能领域的重要研究方向。自然语言处理的主要研究内容有语音识别、机器翻译、文本生成、舆情分析、文本挖掘、信息检索等。