⑴ 數據挖掘與機器學習研究生論文怎麼寫

《人工智慧與機器人研究》期刊有篇文章好像是跟這個相關，具體題目忘記了，我覺得你可以看下， 開源的期刊直接都能看的，還有本《數據挖掘》應該也是有幫助的

⑵ 用人工智慧怎麼做大數據分析分析

大數據分復析:
是指對規模巨制大的數據進行分析。大數據可以概括為5個V， 數據量大(Volume)、速度快(Velocity)、類型多(Variety)、Value（價值）、真實性(Veracity)。大數據作為時下最火熱的IT行業的詞彙，隨之而來的數據倉庫、數據安全、數據分析、數據挖掘等等圍繞大數據的商業價值的利用逐漸成為行業人士爭相追捧的利潤焦點。隨著大數據時代的來臨，大數據分析也應運而生。
人工智慧:
分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。

⑶ 求人工智慧論文一篇

VeryCD上的電子書
http://lib.verycd.com/2005/10/09/0000068805.html

書名：SBIA 2004——人工智慧的最新進展Advances in Artificial Intelligence

走近人工智慧

人工智慧(Artificial Intelligence，AI)一直都處於計算機技術的最前沿，經歷了幾起幾落……

長久以來，人工智慧對於普通人來說是那樣的可望而不可及，然而它卻吸引了無數研究人員為之奉獻才智，從美國的麻省理工學院(MIT)、卡內基-梅隆大學(CMU)到IBM公司，再到日本的本田公司、SONY公司以及國內的清華大學、中科院等科研院所，全世界的實驗室都在進行著AI技術的實驗。不久前，著名導演斯蒂文·斯皮爾伯格還將這一主題搬上了銀幕，科幻片《人工智慧》(A.I.)對許多人的頭腦又一次產生了震動，引起了一些人士了解並探索人工智慧領域的興趣。

在本期技術專題中，中國科學院計算技術研究所智能信息處理開放實驗室的幾位研究人員將引領我們走近人工智慧這一充滿挑戰與機遇的領域。

計算機與人工智慧

"智能"源於拉丁語LEGERE，字面意思是採集(特別是果實)、收集、匯集，並由此進行選擇，形成一個東西。INTELEGERE是從中進行選擇，進而理解、領悟和認識。正如帕梅拉·麥考達克在《機器思維》(Machines Who Thinks,1979)中所提出的: 在復雜的機械裝置與智能之間存在長期的聯系。從幾個世紀前出現的神話般的巨鍾和機械自動機開始，人們已對機器操作的復雜性與自身的某些智能活動進行直觀聯系。經過幾個世紀之後，新技術已使我們所建立的機器的復雜性大為提高。1936年，24歲的英國數學家圖靈(Turing)提出了"自動機"理論，把研究會思維的機器和計算機的工作大大向前推進了一步，他也因此被稱為"人工智慧之父"。

人工智慧領域的研究是從1956年正式開始的，這一年在達特茅斯大學召開的會議上正式使用了"人工智慧"(Artificial Intelligence，AI)這個術語。隨後的幾十年中，人們從問題求解、邏輯推理與定理證明、自然語言理解、博弈、自動程序設計、專家系統、學習以及機器人學等多個角度展開了研究，已經建立了一些具有不同程度人工智慧的計算機系統，例如能夠求解微分方程、設計分析集成電路、合成人類自然語言，而進行情報檢索，提供語音識別、手寫體識別的多模式介面，應用於疾病診斷的專家系統以及控制太空飛行器和水下機器人更加貼近我們的生活。我們熟知的IBM的"深藍"在棋盤上擊敗了國際象棋大師卡斯帕羅夫就是比較突出的例子。

當然，人工智慧的發展也並不是一帆風順的，也曾因計算機計算能力的限制無法模仿人腦的思考以及與實際需求的差距過遠而走入低谷，但是隨著硬體和軟體的發展，計算機的運算能力在以指數級增長，同時網路技術蓬勃興起，確保計算機已經具備了足夠的條件來運行一些要求更高的AI軟體，而且現在的AI具備了更多的現實應用的基礎。90年代以來，人工智慧研究又出現了新的高潮。

我們有幸采訪了中國科學院計算技術研究所智能信息處理開放實驗室史忠植研究員，請他和他的實驗室成員引領我們走近人工智慧這個讓普通人感到深奧卻又具有無窮魅力的領域。

問: 目前人工智慧研究出現了新的高潮，那麼現在有哪些新的研究熱點和實際應用呢？

答: AI研究出現了新的高潮，這一方面是因為在人工智慧理論方面有了新的進展，另一方面也是因為計算機硬體突飛猛進的發展。隨著計算機速度的不斷提高、存儲容量的不斷擴大、價格的不斷降低以及網路技術的不斷發展，許多原來無法完成的工作現在已經能夠實現。目前人工智慧研究的3個熱點是: 智能介面、數據挖掘、主體及多主體系統。

智能介面技術是研究如何使人們能夠方便自然地與計算機交流。為了實現這一目標，要求計算機能夠看懂文字、聽懂語言、說話表達，甚至能夠進行不同語言之間的翻譯，而這些功能的實現又依賴於知識表示方法的研究。因此，智能介面技術的研究既有巨大的應用價值，又有基礎的理論意義。目前，智能介面技術已經取得了顯著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等技術已經開始實用化。

數據挖掘就是從大量的、不完全的、有雜訊的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據挖掘和知識發現的研究目前已經形成了三根強大的技術支柱: 資料庫、人工智慧和數理統計。主要研究內容包括基礎理論、發現演算法、數據倉庫、可視化技術、定性定量互換模型、知識表示方法、發現知識的維護和再利用、半結構化和非結構化數據中的知識發現以及網上數據挖掘等。

主體是具有信念、願望、意圖、能力、選擇、承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。主體試圖自治地、獨立地完成任務，而且可以和環境交互，與其他主體通信，通過規劃達到目標。多主體系統主要研究在邏輯上或物理上分離的多個主體之間進行協調智能行為，最終實現問題求解。多主體系統試圖用主體來模擬人的理性行為，主要應用在對現實世界和社會的模擬、機器人以及智能機械等領域。目前對主體和多主體系統的研究主要集中在主體和多主體理論、主體的體系結構和組織、主體語言、主體之間的協作和協調、通信和交互技術、多主體學習以及多主體系統應用等方面。

問: 您在人工智慧領域研究了幾十年，參與了許多國家重點研究課題，非常清楚國內外目前人工智慧領域的研究情況。您認為目前我國人工智慧的研究情況如何？

答: 我國開始"863計劃"時，正值全世界的人工智慧熱潮。"863-306"主題的名稱是"智能計算機系統"，其任務就是在充分發掘現有計算機潛力的基礎上，分析現有計算機在應用中的缺陷和"瓶頸"，用人工智慧技術克服這些問題，建立起更為和諧的人-機環境。經過十幾年來的努力，我們縮短了我國人工智慧技術與世界先進水平的差距，也為未來的發展奠定了技術和人才基礎。

但是也應該看到目前我國人工智慧研究中還存在一些問題，其特點是: 課題比較分散，應用項目偏多、基礎研究比例略少、理論研究與實際應用需求結合不夠緊密。選題時，容易跟著國外的選題走; 立項論證時，慣於考慮國外怎麼做; 落實項目時，又往往顧及面面俱到，大而全; 再加上受研究經費的限制，所以很多課題既沒有取得理論上的突破，也沒有太大的實際應用價值。

今後，基礎研究的比例應該適當提高，同時人工智慧研究一定要與應用需求相結合。科學研究講創新，而創新必須接受應用和市場的檢驗。因此，我們不僅要善於找到解決問題的答案，更重要的是要發現最迫切需要解決的問題和最迫切需要滿足的市場需求。

問: 請您預測一下人工智慧將來會向哪些方面發展？

答: 技術的發展總是超乎人們的想像，要准確地預測人工智慧的未來是不可能的。但是，從目前的一些前瞻性研究可以看出未來人工智慧可能會向以下幾個方面發展: 模糊處理、並行化、神經網路和機器情感。

目前，人工智慧的推理功能已獲突破，學習及聯想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的並行化處理功能。人工神經網路是未來人工智慧應用的新領域，未來智能計算機的構成，可能就是作為主機的馮·諾依曼型機與作為智能外圍的人工神經網路的結合。研究表明: 情感是智能的一部分，而不是與智能相分離的，因此人工智慧領域的下一個突破可能在於賦予計算機情感能力。情感能力對於計算機與人的自然交往至關重要。

人工智慧一直處於計算機技術的前沿，人工智慧研究的理論和發現在很大程度上將決定計算機技術的發展方向。今天，已經有很多人工智慧研究的成果進入人們的日常生活。將來，人工智慧技術的發展將會給人們的生活、工作和教育等帶來更大的影響。

什麼是人工智慧？

人工智慧也稱機器智能，它是計算機科學、控制論、資訊理論、神經生理學、心理學、語言學等多種學科互相滲透而發展起來的一門綜合性學科。從計算機應用系統的角度出發，人工智慧是研究如何製造出人造的智能機器或智能系統，來模擬人類智能活動的能力，以延伸人們智能的科學。

AI理論的實用性

在一年一度AT&T實驗室舉行的機器人足球賽中，每支球隊的"球員"都裝備上了AI軟體和許多感應器，它們都很清楚自己該踢什麼位置，同時也明白有些情況下不能死守崗位。盡管現在的AI技術只能使它們大部分時間處於個人盤帶的狀態，但它們傳接配合的能力正在以很快的速度改進。

這種AI機器人組隊打比賽看似無聊，但是有很強的現實意義。因為通過這類活動可以加強機器之間的協作能力。我們知道，Internet是由無數台伺服器和無數台路由器組成的，路由器的作用就是為各自的數據選擇通道並加以傳送，如果利用一些智能化的路由器很好地協作，就能分析出傳輸數據的最佳路徑，從而可以大大減少網路堵塞。

我國也已經在大學中開展了機器人足球賽，有很多學校組隊參加，引起了大學生對人工智慧研究的興趣。

未來的AI產品

安放於加州勞倫斯·利佛摩爾國家實驗室的ASCI White電腦，是IBM製造的世界最快的超級電腦，但其智力能力也僅為人腦的千分之一。現在，IBM正在開發能力更為強大的新超級電腦--"藍色牛仔"(Blue Jean)。據其研究主任保羅·霍恩稱，預計於4年後誕生的"藍色牛仔"的智力水平將大致與人腦相當。

麻省理工學院的AI實驗室進行一個的代號為Cog的項目。Cog計劃意圖賦予機器人以人類的行為。該實驗的一個項目是讓機器人捕捉眼睛的移動和面部表情，另一個項目是讓機器人抓住從它眼前經過的東西，還有一個項目則是讓機器人學會聆聽音樂的節奏並將其在鼓上演奏出來。

⑷ 人工智慧與數據挖掘有哪些關系和區別

說到人工智慧，就不能不提到機器學習和深度學習。很多時候，我們得先明確人工智慧與機器學習和深度學習的關系，我們才能更好地去分析和理解人工智慧與數據分析和數據挖掘思維關聯。人工智慧與數據分析和數據挖掘的聯系，更多的是機器學習與深度和數據分析與數據挖掘的關聯。
0.人工智慧
人工智慧英文縮寫為AI，它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學研究領域的一個重要分支，又是眾多學科的一個交叉學科，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括語音識別、圖像識別、機器人、自然語言處理、智能搜索和專家系統等等，人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧包括眾多的分支領域，比如大家熟悉的機器學習、自然語言理解和模式識別等。
1.機器學習
機器學習屬於人工智慧研究與應用的一個分支領域。機器學習的研究更加偏向理論性，其目的更偏向於是研究一種為了讓計算機不斷從數據中學習知識，而使機器學習得到的結果不斷接近目標函數的理論。
機器學習，引用卡內基梅隆大學機器學習研究領域的著名教授Tom Mitchell的經典定義：
如果一個程序在使用既有的經驗E(Experience)來執行某類任務T(Task)的過程中被認為是「具備學習能力的」，那麼它一定要展現出：利用現有的經驗E，不斷改善其完成既定任務T的性能(Performance)的特質。
機器學習已經有了十分廣泛的應用，例如：數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。在我們當下的生活中，語音輸入識別、手寫輸入識別等技術，識別率相比之前若干年的技術識別率提升非常巨大，達到了將近97%以上，大家可以在各自的手機上體驗這些功能，這些技術來自於機器學習技術的應用。
那機器學習與數據挖掘的聯系是什麼呢？
機器學習為數據挖掘提供了理論方法，而數據挖掘技術是機器學習技術的一個實際應用。逐步開發和應用了若干新的分析方法逐步演變而來形成的；這兩個領域彼此之間交叉滲透，彼此都會利用對方發展起來的技術方法來實現業務目標，數據挖掘的概念更廣，機器學習只是數據挖掘領域中的一個新興分支與細分領域，只不過基於大數據技術讓其逐漸成為了當下顯學和主流。
2.數據挖掘
數據挖掘一般是指從大量的數據中通過演算法搜索隱藏於其中信息的過程。數據挖掘本質上像是機器學習和人工智慧的基礎，它的主要目的是從各種各樣的數據來源中，提取出超集的信息，然後將這些信息合並讓你發現你從來沒有想到過的模式和內在關系。這就意味著，數據挖掘不是一種用來證明假說的方法，而是用來構建各種各樣的假說的方法。數據挖掘不能告訴你這些問題的答案，他只能告訴你，A和B可能存在相關關系，但是它無法告訴你A和B存在什麼相關關系。機器學習是從假設空間H中尋找假設函數g近似目標函數f。數據挖掘是從大量的數據中尋找數據相互之間的特性。
數據挖掘是基於資料庫系統的數據發現過程，立足與數據分析技術之上，提供給為高端和高級的規律趨勢發現以及預測功能；同時數據量將變得更為龐大，依賴於模式識別等計算機前沿的技術；其還有另外一個名稱為商業智能(BI, Business Intelligence)，依託於超大型資料庫以及數據倉庫、數據集市等資料庫技術來完成。
主要挖掘方法有: 分類 、 估計、預測、相關性分組或關聯規則、 聚類、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)等技術。
3.深度學習
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。晦澀難懂的概念，略微有些難以理解，但是在其高冷的背後，卻有深遠的應用場景和未來。
那深度學習和機器學習是什麼關系呢？
深度學習是實現機器學習的一種方式或一條路徑。其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據。比如其按特定的物理距離連接；而深度學習使用獨立的層、連接，還有數據傳播方向，比如最近大火的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能，讓機器認知過程逐層進行，逐步抽象，從而大幅度提升識別的准確性和效率。
神經網路是機器學習的一個分支，而深度學習又是神經網路的一個大分支，深度學習的基本結構是深度神經網路。
4.數據分析
數據分析的概念：基於資料庫系統和應用程序，可以直觀的查看統計分析系統中的數據，從而可以很快得到我們想要的結果；這個就是最基本的數據分析功能，也是我們在信息化時代了，除了重構業務流程、提升行業效率和降低成本之外的了。另外數據分析更多的是指從歷史數據裡面發現有價值的信息，從而提高決策的科學性。數據分析更側重於通過分析數據的歷史分布然後從中得出一些有價值的信息。還有一個數據分析更重要的功能，就是數據可視化。
比如說，在財務系統的信息化中，基於企業的財務系統，我們可以直觀獲取企業現金流量表、資產負債表和利潤表，這些都來自與我們的數據分析技術。數據分析目前常用的軟體是Excel, R, Python等工具。
在對比數據分析和數據挖掘時，數據分析則更像是對歷史數據的一個統計分析過程，比如我們可以對歷史數據進行分析後得到一個粗糙的結論，但當我們想要深入探索為什麼會出現這個結論時，就需要進行數據挖掘，探索引起這個結論的種種因素，然後建立起結論和因素之間模型，當有因素有新的值出現時，我們就可以利用這個模型去預測可能產生的結論。
因此數據分析更像是數據挖掘的一個中間過程。
5.總結
人工智慧與機器學習、深度學習的關系
嚴格意義上說，人工智慧和機器學習沒有直接關系，只不過是機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。
深度學習是機器學習比較火的一個方向，其本身是神經網路演算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。
數據挖掘與機器學習的關系
數據挖掘主要利用機器學習界提供的技術來分析海量數據，利用資料庫界提供的技術來管理海量數據。
機器學習是數據挖掘的一種重要方法，但機器學習是另一門學科，並不從屬於數據挖掘，二者相輔相成。
深度學習、機器學習的發展帶了許多實際的商業應用，讓虛幻的AI逐步落地，進而影響人類社會發展；
深度學習、機器學習以及未來的AI技術，將讓無人駕駛汽車、更好的預防性治療技術、更發達智能的疾病治療診斷系統、更好的人類生活娛樂輔助推薦系統等，逐步融入人類社會的方方面面。
AI即使是現在，也是未來，不再是一種科幻影像和概念，業界變成了人類社會當下的一種存在，不管人類是否喜歡或者理解，他們都將革命性地改變創造AI的我們人類自身。

⑸ 簡述人工智慧,專家系統,機器學習,數據挖掘的概念

人工智慧是模擬人類思維和行為的一門學科，利用的是機器學習和數據挖掘的技術。回專家系統只是答其中的一項應用。機器學習是利用已有的數據，進行某種方式的訓練得到某種模型，可以認為是對真實世界的一種函數模擬，然後對於那些未知標簽的數據，輸入這個模型就能夠得到某種輸出。機器學習和數據挖掘的關系可以去網上搜下《機器學習那些事兒》。另外如果題主要想學習相關領域的知識的話，建議去coursera上看看機器學習大牛(現網路首席科學家)Andrew Ng的機器學習視頻教程。

⑹ 人工智慧和機器學習在數據挖掘的應用

數據挖掘利用了人工智慧(Al)和統計分析的進步帶來了許多好處。這兩門學科都致力於模式發現和預測。
一些新興的技術同樣在知識發現領域取得了很好的效果，如神經元網路和決策樹，在足夠多的數據和計算能力下，它們幾乎不用人的關照自動就能完成許多有價值功能。
數據挖掘就是利用了統計和人工智慧技術的演算法及技術，把這些高深復雜的技術封裝起來，使人們不用自已掌握這些技術也能完成同樣的功能.並且更專注於自己所要解決的問題。
數據挖掘與這兩者之間的主要區別在於演算法對大數據量的適應性，數據挖掘的演算法必須面對記錄為數10萬條記錄以上的數據集有很好的性能;周期性數據集更新數據挖掘需要考慮能對這些增量數據處理而不用從頭計算一次:數據挖掘還需考慮如何處理數據集大於內存的問題及並行處理問題:另外，數據挖掘面向解決工程問題。