人工智能主流是连结主义

人工智能主要有三个学派

行为主义：

行为主义是基于控制论的，是在构建感知、动作的控制系统。

理解行为主义有个很好的例子：就是让机器人单脚站立，通过感知要摔倒的方向，控制两只手的动作，保持身体的平衡，这就构建了一个感知、动作的控制系统，是典型的行为主义。

符号主义

符号主义是基于算数逻辑的，是基于表达式的，求解问题时，先把问题描述为表达式，在求解表达式如果你在求解某个问题时，可以用条件语句和若干计算公式描述出来，这就使用了符号主义的方法。

符号主义可以认为是用公式描述的人工智能，它让计算机具备了理性思维，但是我们人类，不仅具备理性思维，还具备感性思维（举例理解：你看过的B站视频，下次再看就会感觉熟悉）

连结主义

连结主义就是在模拟人的这种感性思维，仿造我们人脑内的神经元连接关系。

单个神经元张图给出了人脑中的一根神经元，左侧这些是神经元的输入，右边是神经元的输出，人脑就是由很多这样的神经元首尾相接组成的网络。搭建人工神经网络可以让计算机具备感性思维。

理解：基于连结主义的神经网的设计过程

这张图给出了人类从出生到成年神经网络的变化，随着我们的成长，大量的数据通过视觉、听觉涌入大脑，使我们的神经网络连接，也就是这些神经元连接线上的权重发生了变化，有些线上的权重增强了，有些线上的权重减弱了。

那我们人工神经网络图就可以这样表示：

人工神经网络的形成过程：

步骤：

准备数据：采集大量“特征/标签”数据

搭建网络：搭建神经网络结构

优化参数：训练网络获取最佳参数（反传）

应用网络：将网络保存为模型，输入新数据，  输出分类或预测结果（前传）

我们要用计算机仿出刚刚说的神经网络连接关系，让计算机具备感性思维。

首先需要准备数据，数据量越大越好，要构成特征和标签对（如果想识别猫，就要有大量猫的图片和这张图片是猫的标签，构成特征标签对）然后搭建神经网络的网络结构，再后通过反向传播，优化连接权重，直到模型的识别准确率达到要求，得到最优的连线权重，把这个权重模型保存起来，最后，用保存的模型输入从未见过的新数据，它会通过前向传播，输出概率值，概率值最大的一个就是分类和预测的结果了。

举例理解：

我们举个例子，来感受一下神经网络的设计过程，鸢尾花可以分为三类，狗尾草鸢尾，杂色鸢尾，弗吉尼亚鸢尾。我们为别对应标签0  1  2

人们通过经验总结出了规律：通过测量花的花萼长、花萼宽、花瓣长、花瓣宽，可以得出鸢尾花的类别。比如：花萼长>花萼宽 且花瓣长/花瓣宽>2 ， 则为1   可以判为杂色鸢尾

看到这里，大家应该已经想到通过if case这样的条件语句来实现分类，没错，条件语句是可以通过这些信息判断出鸢尾花的分类，这就是一个典型的专家系统。这个过程是理性的计算，只要有了这些数据，是一定可以通过条件判断公式计算出是哪类鸢尾花的。这是属于符号主义学派的。

但是我们发现鸢尾花的种植者，在识别鸢尾花的时候并不需要这么理性的计算，因为他们见识了太多的鸢尾花，一看就知道是哪种，而且随着经验的增加，识别的准确率会提高，这就是直觉，是感性思维，这就是这次要分享的------神经网络方法。

刚刚提到的神经网络设计过程，首先需要采集大量的信息（输入特征），和他们所对应的是哪种鸢尾花（标签），大量的输入特征和标签对构建出数据集，再把这个数据集喂入搭建好的神经网络结构，网络通过反向传播优化参数得到模型，当有新的从未见过的输入特征送入神经网络时，神经网络会输出识别的结果。