【这是 系列 的第 3 部。继续之前，请确保您阅读了关于 搜索 和 知识 。未来课题包括 优化机器学习神经网络 ，以及 语言 。】**
围绕人工智能的不确定性是双重的。
首先 ，对于如何实际应用 AI，我们还是知之甚少。哪些技术最适合解决哪些问题？ 价值链的哪些部分从 AI 中受益最大？哪些技术技能在五年内是相关的？
为了获得这三个问题的潜在答案的初步想法，考虑跟随这个麦肯锡资源中的兔子洞。
其次 ，计算机经常要处理不完美、不完整、甚至不确定的信息。这种约束要求人工智能只能以一定的概率“相信”某事。这就是我们关心的 不确定性 的类型。为了让您入门，本文简要定义了 的主要概念和术语。
不确定性:涉及不完善或未知信息的情况
概率:对一个事件发生的可能性或一个命题为真的数值描述
****可能世界:给定一种情况下可能发生的事件，例如，掷骰子得到‘1’；用字母表示:
**ω**
****所有可能世界的集合:所有可能世界的组合，加起来等于一；例如，当掷骰子时得到‘1、2、3、4、5 或 6’；用字母表示:
**Ω
P(ω)**
****可能性范围:‘0’表示某事件肯定不会发生，而‘1’表示某事件绝对会发生，记为:
**0 ≤ P(ω) ≤ 1**
****无条件概率:在没有任何其他证据的情况下，对一个命题的相信程度
****条件概率:在给定一些已经揭示的证据的情况下，对一个命题的相信程度；给定“昨天下雨”的情况下，“今天下雨”的概率:
**P(a|b) (probability of a given b),
P(rain today|rain yesterday)P(a|b) = [P(a ∧ b)] / P(b)
P(a ∧ b) = P(b) P(a|b)
P(a ∧ b) = P(a) P(b|a)**
****随机变量:概率理论中的一个变量，有一个可能取值的范围，例如:
**Weather
{sun, cloud, rain, wind, snow}**
****概率分布:提供不同可能结果发生概率的数学函数，例如:
**P(Flight = on time) = 0.6
P(Flight = delayed) = 0.3
P(Flight = cancelled) = 0.1or:P(Flight) = ⟨0.6, 0.3, 0.1⟩**
****独立性:知道一个事件发生并不影响另一个事件的概率
**P(a ∧ b) = P(a)P(b|a) or
P(a ∧ b) = P(a)P(b)**
****贝叶斯法则:(或称贝叶斯定理)概率论中最重要的法则之一，描述一个事件发生的概率，以可能相关的条件的先验知识为基础:
**P(b|a) = [P(b) P(a|b)] / P(a)**
因此，知道…
**P(cloudy morning | rainy afternoon)**
…我们可以计算:
**P(rainy afternoon | cloudy morning)
P(rain|clouds) = [ P(clouds|rain)P(rain) ] / P(clouds)**
****联合概率:两件事同时发生的可能性
**P(a,b) = P(a) * P(9)**
****概率规则:一些用于计算不同概率的代数运算，包括否定、包含-排斥、边缘化或条件作用
****否定:一个简便的概率规则，用来计算一个事件不发生的概率，例如:
**P(¬cloud) = 1 − P(cloud)**
****包含-排除:另一个概率规则，它排除了计算事件 a 或 b 的概率的重复计算:
**P(a ∨ b) = P(a) + P(b) − P(a ∧ b)**
****边缘化:一个非常有用的概率规则(更多细节此处作者 Jonny Brooks-Bartlett
**P(a) = P(a, b) + P(a, ¬b)**
****条件作用:我们的最终概率规则，意味着如果我们有两个事件(a 和 b)，我们可以访问它们的条件概率，而不是它们的联合概率:
**P(a) = P(a|b)P(b) + P(a|¬b)P(¬b)**
****贝叶斯网络:一种表示随机变量之间依赖关系的数据结构
****推断:使用数据分析来推断潜在概率分布特性的过程
****查询:要计算其分布的变量
****证据变量:事件 e 的观察变量
****隐藏变量:非证据，非查询变量
****枚举推理:给定联合分布和条件概率，求解推理查询的过程
****近似推断:估计解的系统迭代方法，如蒙特卡罗模拟
****抽样:一种使用各种概率方法从大量人口中选择样本的技术
****拒绝抽样:(或接受-拒绝法)从给定的分布中产生观察值的基本技术
****似然加权:重要性抽样的一种形式，按照预先定义的顺序对各种变量进行抽样，并使用证据来更新权重
****马尔可夫假设:当前状态只依赖于有限固定数量的先前状态的假设
****马尔可夫链:随机变量序列，其中每个变量的分布遵循马尔可夫假设
****隐马尔可夫模型:一个系统的马尔可夫模型，该系统具有生成一些观察到的事件的隐藏状态
****传感器马尔可夫假设:假设证据变量只依赖于相应的状态
滤波:**概率信息的实际应用:给定从开始到现在的观测值，计算出当前状态的分布
预测:**概率信息的一个实际应用:给定从开始到现在的观测值，计算一个未来状态的分布
平滑:**概率信息的实际应用:给定从开始到现在的观测值，计算过去状态的分布
****最可能的解释:概率信息的一个实际应用:给定从开始到现在的观测值，计算最可能的状态序列
"在掌握和应用人工智能的道路上，有一件事是肯定的:不确定性."
既然你已经能够解释最基本的不确定性相关术语，你就有希望更加自如地独自探索这些概念。
这使你进入了成为一名成熟的人工智能领导者的第三阶段。探索 类似 AI 相关话题 ，包括 搜索知识优化机器学习神经网络语言 。
喜欢读什么？ 渴望了解更多？ 跟我上 中 或LinkedIn。
关于作者: Yannique Hecht 作品在结合策略、客户洞察、数据、创新等领域。虽然他的职业生涯一直在航空、旅游、金融和技术行业，但他对管理充满热情。Yannique 专门开发 AI &机器学习产品商业化的策略。