計算機科學基礎/人工智慧
人工智慧 (AI) 是構建能夠模仿人類智慧的系統的理念。我們如何判斷智慧是基於人們如何計劃、學習、自然語言處理、運動和操作、感知以及創造力。這些不同的領域被用於人工智慧的工程和開發過程。
需要注意到一個重要的概念是，計算機只執行給定的演算法和程式，它們本身無法天生創造演算法。我們在前面的章節中已經看到了演算法如何變形或改變，但前提是必須先給出演算法。
前面的章節已經涉及了圖靈測試的主題。圖靈測試被用作一個理論標準，用來判斷人類法官能否透過與一臺機器和一個人類對話來區分誰是人類，誰是機器。如果一臺機器能欺騙人類法官，讓它認為自己是人類，那麼它就通過了圖靈測試。
雖然人工智慧領域取得了一些創新性的發展，但仍有一些領域正在進行改進測試。一個例子是 CAPTCHA（完全自動化的公共圖靈測試，用於區分計算機和人類）。CAPTCHA 用於區分人和計算機。即使在今天，計算機也無法像人類一樣識別 CAPTCHA 生成的影像，例如單詞或影像。那些開發 CAPTCHA 的人正在使用這些工具來教計算機識別和學習人類能夠識別的單詞或影像。CAPTCHA 被認為是 逆圖靈測試，因為計算機正在確定人類使用者是否確實是人類。
智慧代理方法最初是在尋求“人工飛行”時提出的。萊特兄弟和其他一些人停止了模仿鳥類的嘗試，轉而接受了空氣動力學的想法。目標不是複製，而是利用已知的飛行知識並操縱這些知識。
這種方法的一個重要部分是理性代理，它是一種用於實現最佳結果的代理。這與理性智慧測試有關。基本上，這臺機器或計算機能否模仿人類的理性行為。
人工智慧的概念始於 1943 年左右，並於 1956 年在達特茅斯成為一個研究領域。人工智慧不僅限於計算機科學學科，在無數學科中都可以看到，例如數學、哲學、經濟學、神經科學、心理學以及其他各個領域。計算機科學和工程領域的興趣集中在如何構建更高效的計算機。在硬體和軟體領域取得了巨大的進步。
人工智慧系統通常使用基於規則的系統來以 if-then 語句的形式捕獲知識。另一種思考這些基於規則的系統的方法是決策樹。決策樹使用這些預設規則來確定基於輸入提供的決策路徑。決策樹或基於規則系統的例子是單人遊戲。在遊戲中，玩家想象一種動物（真實或虛構），並回答一系列問題，這些問題旨在讓計算機猜測動物是什麼，假設玩家總是如實地回答問題。
機器學習分為兩種型別：正式和非正式。非正式是指讓計算機能夠學習，而無需明確程式設計這種能力（Arthur Samuel，1959 年）。正式的機器學習是指一個計算機程式，它從關於某個任務的經驗中學習，並根據這種經驗提高效能（Tom Mitchell，1998 年）。
監督學習是基於給出正確答案，讓計算機將輸入對映到輸出。監督機器學習的例子包括：
- 美國郵政署使用計算機讀取信封上的郵政編碼並自動分類郵件（例如手寫郵政編碼）
- 垃圾郵件過濾器 - 軟體經過訓練可以學習並區分垃圾郵件和非垃圾郵件（例如電子郵件過濾器）
- 人臉識別 - 被攝像頭用於對焦，並被照片編輯軟體用於標記人物（例如 Facebook）
無監督學習只是監督學習的逆過程，其中不知道正確答案。無監督學習的目標或目的是發現數據中的結構，這也被稱為資料探勘。計算機檢視資料以查詢趨勢，以做出或協助決策。以下是無監督學習的例子：
- 聚類演算法 - 用於在資料集中查詢模式，然後將這些資料分組到不同的連貫叢集中。
- 市場細分 - 根據區域、喜好、厭惡、消費者何時購物等來定位客戶。這被認為是目標營銷。
- 推薦系統 - 基於消費者偏好向消費者推薦他們可能喜歡的內容的系統或軟體（例如 Netflix、Hulu 等）。
- 統計自然語言處理 - 用於根據糾正/猜測技術、建議新聞報道或翻譯文字來猜測下一個單詞或自動完成單詞。
遺傳程式設計是一個使用進化過程來改進演算法的想法。
模擬人類智慧面臨著許多挑戰。人類獲得的是直觀的常識，但很難用理性推理，例如一輛藍色汽車的顏色是藍色。 深度學習 是人工智慧的一個分支，其目標是創造能夠獲得直覺的演算法。