计算机科学基础/人工智能
人工智能 (AI) 是构建能够模仿人类智能的系统的理念。我们如何判断智能是基于人们如何计划、学习、自然语言处理、运动和操作、感知以及创造力。这些不同的领域被用于人工智能的工程和开发过程。
需要注意到一个重要的概念是，计算机只执行给定的算法和程序，它们本身无法天生创造算法。我们在前面的章节中已经看到了算法如何变形或改变，但前提是必须先给出算法。
前面的章节已经涉及了图灵测试的主题。图灵测试被用作一个理论标准，用来判断人类法官能否通过与一台机器和一个人类对话来区分谁是人类，谁是机器。如果一台机器能欺骗人类法官，让它认为自己是人类，那么它就通过了图灵测试。
虽然人工智能领域取得了一些创新性的发展，但仍有一些领域正在进行改进测试。一个例子是 CAPTCHA（完全自动化的公共图灵测试，用于区分计算机和人类）。CAPTCHA 用于区分人和计算机。即使在今天，计算机也无法像人类一样识别 CAPTCHA 生成的图像，例如单词或图像。那些开发 CAPTCHA 的人正在使用这些工具来教计算机识别和学习人类能够识别的单词或图像。CAPTCHA 被认为是 逆图灵测试，因为计算机正在确定人类用户是否确实是人类。
智能代理方法最初是在寻求“人工飞行”时提出的。莱特兄弟和其他一些人停止了模仿鸟类的尝试，转而接受了空气动力学的想法。目标不是复制，而是利用已知的飞行知识并操纵这些知识。
这种方法的一个重要部分是理性代理，它是一种用于实现最佳结果的代理。这与理性智能测试有关。基本上，这台机器或计算机能否模仿人类的理性行为。
人工智能的概念始于 1943 年左右，并于 1956 年在达特茅斯成为一个研究领域。人工智能不仅限于计算机科学学科，在无数学科中都可以看到，例如数学、哲学、经济学、神经科学、心理学以及其他各个领域。计算机科学和工程领域的兴趣集中在如何构建更高效的计算机。在硬件和软件领域取得了巨大的进步。
人工智能系统通常使用基于规则的系统来以 if-then 语句的形式捕获知识。另一种思考这些基于规则的系统的方法是决策树。决策树使用这些预设规则来确定基于输入提供的决策路径。决策树或基于规则系统的例子是单人游戏。在游戏中，玩家想象一种动物（真实或虚构），并回答一系列问题，这些问题旨在让计算机猜测动物是什么，假设玩家总是如实地回答问题。
机器学习分为两种类型：正式和非正式。非正式是指让计算机能够学习，而无需明确编程这种能力（Arthur Samuel，1959 年）。正式的机器学习是指一个计算机程序，它从关于某个任务的经验中学习，并根据这种经验提高性能（Tom Mitchell，1998 年）。
监督学习是基于给出正确答案，让计算机将输入映射到输出。监督机器学习的例子包括：
- 美国邮政署使用计算机读取信封上的邮政编码并自动分类邮件（例如手写邮政编码）
- 垃圾邮件过滤器 - 软件经过训练可以学习并区分垃圾邮件和非垃圾邮件（例如电子邮件过滤器）
- 人脸识别 - 被摄像头用于对焦，并被照片编辑软件用于标记人物（例如 Facebook）
无监督学习只是监督学习的逆过程，其中不知道正确答案。无监督学习的目标或目的是发现数据中的结构，这也被称为数据挖掘。计算机查看数据以查找趋势，以做出或协助决策。以下是无监督学习的例子：
- 聚类算法 - 用于在数据集中查找模式，然后将这些数据分组到不同的连贯集群中。
- 市场细分 - 根据区域、喜好、厌恶、消费者何时购物等来定位客户。这被认为是目标营销。
- 推荐系统 - 基于消费者偏好向消费者推荐他们可能喜欢的内容的系统或软件（例如 Netflix、Hulu 等）。
- 统计自然语言处理 - 用于根据纠正/猜测技术、建议新闻报道或翻译文本来猜测下一个单词或自动完成单词。
遗传编程是一个使用进化过程来改进算法的想法。
模拟人类智能面临着许多挑战。人类获得的是直观的常识，但很难用理性推理，例如一辆蓝色汽车的颜色是蓝色。 深度学习 是人工智能的一个分支，其目标是创造能够获得直觉的算法。