《人工智能通識導論（慕課版）》全套教學課件

ArtificialIntelligence人工智能是什么第1章人工智能通識導論全套可編輯PPT課件1.1認識人工智能1.2人工智能的發(fā)展人工智能的產業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.1.1人工智能的概念與特征如何更好地理解人工智能的概念呢？我們可以從人工智能最基本的三大特征入手，即感知能力、學習能力和推理能力，具備這些特征的對象或事物，便具有人工智能的能力。人工智能的感知能力是其與外界環(huán)境進行交互的基礎。通過傳感器、攝像頭、麥克風等硬件設備以及圖像識別技術，人工智能能夠收集大量的視覺、聽覺、觸覺等感官數(shù)據，并對感知數(shù)據進行處理和分析。感知能力人工智能的學習能力是其智能的核心體現(xiàn)。通過機器學習算法，人工智能能夠從大量數(shù)據中提取核心信息、發(fā)現(xiàn)規(guī)律，并據此調整自身行為，以適應新環(huán)境或解決新問題。學習能力人工智能的推理能力是其解決復雜問題的關鍵。通過構建決策樹、貝葉斯網絡（一種基于概率推理的圖形網絡）、神經網絡（一種模仿動物神經網絡行為特征進行分布式并處理信息的算法數(shù)據模型）等模型，人工智能能夠模擬人類的推理過程，對給定的信息進行評估、分析和預測，從而做出合理決策。推理能力本課件是可編輯的正常PPT課件1.1.2人工智能的學派1．符號主義符號主義（Symbolism）是人工智能研究中的一個重要學派，也被稱為邏輯主義（Logicism）、心理學派（Psvchlogism）或計算機學派（Comouterism）。其核心觀點在于，人類認知和思維的基本單元是符號，認知過程可以被視為在符號表示上的一種運算。圖1-1?使用決策樹判斷是否出門符號主義起源于20世紀50年代，是人工智能領域最早的學派。本課件是可編輯的正常PPT課件1.1.2人工智能的學派2．聯(lián)結主義聯(lián)結主義也叫連接主義。聯(lián)結主義的核心在于從大量數(shù)據中學習并優(yōu)化網絡連接以實現(xiàn)智能行為，該學派認為人工智能的關鍵在于模擬人腦神經元之間的聯(lián)結機制和學習算法。聯(lián)結主義在語音識別、圖像識別等領域取得了顯著的成果，深度學習作為聯(lián)結主義的一個重要研究領域，目前仍在持續(xù)發(fā)展和進步當中，現(xiàn)在非常流行的人工智能生成內。本課件是可編輯的正常PPT課件1.1.2人工智能的學派3．行為主義行為主義最初是心理學的一個學派，強調行為和環(huán)境刺激之間的關系。行為主義關注于讓機器通過與環(huán)境交互來學習和改進其行為，認為智能行為可以通過與環(huán)境的動態(tài)交互與反饋實現(xiàn)。行為主義學派通過模擬生物體的行為模式來實現(xiàn)人工智能，這一學派在機器人控制、自動駕駛等領域有著廣泛的應用，并且隨著技術的進步，其應用領域還在不斷擴大。本課件是可編輯的正常PPT課件1.1.3人工智能與新質生產力1．認識新質生產力新質生產力是創(chuàng)新起主導作用，擺脫傳統(tǒng)經濟增長方式、生產力發(fā)展路徑，具有高科技、高效能、高質量特征，符合新發(fā)展理念的先進生產力質態(tài)。它由技術革命性突破、生產要素創(chuàng)新性配置、產業(yè)深度轉型升級而催生，以勞動者、勞動資料、勞動對象及其優(yōu)化組合的躍升為基本內涵，以全要素生產率大幅提升為核心標志，特點是創(chuàng)新，關鍵在質優(yōu)，本質是先進生產力。本課件是可編輯的正常PPT課件1.1.3人工智能與新質生產力2．人工智能賦能新質生產力從勞動者的角度人工智能具備將人類累積的知識轉化為數(shù)據化形式的能力，借助龐大的數(shù)據輸入和深度學習技術，以及模擬人類的思考模式，人工智能掌握的知識量遠超人類大腦的極限從勞動資料的角度人工智能正在催生出眾多新型生產工具，推動勞動資料從傳統(tǒng)的物質形態(tài)向虛擬形態(tài)轉變，為生產活動帶來前所未有的變革從勞動對象的角度數(shù)據作為一種新興的生產要素，成為重要的勞動對象。人工智能將生產過程簡化為勞動者利用人工智能技術，對勞動對象進行智能化處理的過程本課件是可編輯的正常PPT課件1.1認識人工智能1.2人工智能的發(fā)展人工智能的產業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.2.1人工智能的發(fā)展歷程1．萌芽期1950年，英國數(shù)學家、邏輯學家和計算機科學的先驅，有“人工智能之父”之稱的艾倫·麥席森·圖靈（AlanMathisonTuring）提出了著名的圖靈測試，該測試的目的是判斷機器是否能夠展現(xiàn)出與人類相似的智能。1956年，美國達特茅斯學院舉行了第一次人工智能研討會。1959年，美國人喬治·德沃爾（GeorgeDevol）設計了世界上第一臺可編程的工業(yè)機器人“Unimate”。本課件是可編輯的正常PPT課件1.2.1人工智能的發(fā)展歷程通過圖靈測試的一般標準為：在一定時間內（如5分鐘），機器需要回答由人類測試員提出的一系列問題，如果機器回答的問題超過30%讓測試員誤認為是人類所答，那么機器就通過了圖靈測試。A真正的人類B擁有智能的機器本課件是可編輯的正常PPT課件1.2.1人工智能的發(fā)展歷程2．探索期1966年，麻省理工學院的約瑟夫·魏澤鮑姆（JosephWeizenbaum）發(fā)布了世界上第一個聊天機器人ELIZA。ELIZA能夠通過腳本理解簡單的自然語言，并產生類似人類的互動。1966年至1972年期間，美國斯坦福國際研究所（SRI）研制出了機器人沙基（Shakey）。沙基裝備了電視攝像機、三角測距儀、碰撞傳感器、驅動電機以及編碼器，如圖1-6所示，它能夠在沒有外部控制的情況下，通過無線連接接收指令，并利用內置的人工智能算法來解析周圍環(huán)境，做出決策并執(zhí)行任務。沙基是首臺采用人工智能技術，運用邏輯思維自行定位物體，并在物體周圍移動的移動機器人。圖1-6?機器人沙基本課件是可編輯的正常PPT課件1.2.1人工智能的發(fā)展歷程3．成長期1997年，IBM公司的電腦“深藍”（DeepBlue）在一場歷史性的對決中戰(zhàn)勝了國際象棋世界冠軍加里·卡斯帕羅夫（GarryKasparov），成為首個在標準比賽時限內擊敗國際象棋世界冠軍的電腦系統(tǒng)。2011年，沃森（Watson）作為IBM公司開發(fā)的使用自然語言回答問題的人工智能程序，在美國著名智力問答節(jié)目《Jeopardy!》中亮相。2012年，加拿大神經學家團隊創(chuàng)造了一個具備簡單認知能力、有250萬個模擬“神經元”的虛擬大腦，命名為“Spaun”。2015年，Google研發(fā)出利用大量數(shù)據就能訓練計算機來完成任務的第二代機器學習平臺TensorFlow，這一舉措使得更多的研究者和開發(fā)者能夠輕松地使用人工智能的深度學習技術進行創(chuàng)新。本課件是可編輯的正常PPT課件1.2.1人工智能的發(fā)展歷程4．爆發(fā)期2020年，人工智能迎來一個里程碑式的突破，即GPT-3語言模型的發(fā)布。這一事件標志著人工智能技術在語言理解和生成方面取得了長足的進步。2021年，OpenAI發(fā)布了DALL·E，它是一種能夠根據文本描述生成圖像的人工智能技術。2023年，隨著生成式預訓練變換器（GPT）模型的進步，聊天機器人變得更加智能。2025年，我國企業(yè)推出的DeepSeek以“算法革命+算力平權”雙重引擎重構了全球人工智能競爭格局，其推理能力較傳統(tǒng)模型提升3倍，性能得到大幅提升。圖1-7?DALL·E3官方網站本課件是可編輯的正常PPT課件1.2.2人工智能的發(fā)展現(xiàn)狀機器學習算法持續(xù)進步數(shù)據資源豐富多樣跨學科融合催生新方向倫理和法規(guī)問題備受關注計算能力大幅提升應用場景豐富多元開源生態(tài)繁榮發(fā)展本課件是可編輯的正常PPT課件1.2.3人工智能的未來展望人工智能將深度融入日常生活Part01Part02人工智能將更加智能化Part03人工智能將應用于更多領域Part04人工智能將加速經濟轉型升級本課件是可編輯的正常PPT課件1.1認識人工智能1.2人工智能的發(fā)展人工智能的產業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.3.1人工智能的產業(yè)鏈產業(yè)鏈是指在生產過程中，從原材料采集、加工、生產、銷售到最終消費的一系列相互聯(lián)系、相互依存的環(huán)節(jié)組成的鏈條。圖1-8?人工智能產業(yè)鏈結構本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈1．基礎層芯片是現(xiàn)代電子設備和計算系統(tǒng)的核心部件，也被稱為集成電路（IntegratedCircuit，IC）、微電路、微芯片，是一種將大量微小電子元件（如晶體管、電阻、電容等）集成在單個半導體基板（通常是硅片）上的微型電子電路。在人工智能領域，芯片可以根據不同的設計架構分為不同的類型，其中較常見的有圖形處理器、現(xiàn)場可編程門陣列、專用集成電路、神經網絡處理器等。芯片本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈圖形處理器Part01廣泛應用于人工智能深度學習的訓練和推理，具有靈活性強的優(yōu)點，可以適應多種類型的人工智能任務。但對于特定任務來說，沒有專用集成電路高效，功耗相對較高?，F(xiàn)場可編程門陣列Part02FPGA：一種可編程的邏輯陣列，允許用戶通過編程配置芯片的具體功能。可以快速適應算法變化，適用于需要低延遲處理的任務。常用于人工智能算法的原型設計、硬件加速和特定的推理任務，具有可編程靈活性高和并行計算效率高等優(yōu)點，但性能相對較低。專用集成電路Part03ASIC:

可以針對特定任務進行優(yōu)化，可以提供極高的性能和能效比，適合移動設備和邊緣設備?？捎糜诖笠?guī)模部署的人工智能推理任務，如數(shù)據中心的數(shù)據分析、自動駕駛汽車等具有針對性強、性能優(yōu)等特點，但開發(fā)成本相對較高，且靈活性差，一旦需求變化，可能需要重新設計神經網絡處理器Part04NPU：專門為加速神經網絡運算而設計的芯片。特點在于數(shù)據流驅動、高并行度和定制化硬件等，這些特點使得這類芯片能夠高效地執(zhí)行卷積、矩陣乘法等神經網絡中的核心運算，從而大幅提高計算速度和計算效率。廣泛應用于深度學習模型的推理和訓練，其優(yōu)勢在于高性能、低功耗和針對神經網絡的優(yōu)化設計。本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈傳感器可以將感受到的被測量信息按一定規(guī)律變換成可用信號，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等需求。以壓力傳感器為例，它利用壓力敏感元件來感知外界的壓力。當外力作用于這些敏感元件時，它們的形狀或尺寸會發(fā)生微小的物理變化，這些物理變化隨后被轉化為電阻值或電容值的變化。傳感器04按測量目的分類物理傳感器、化學傳感器和生物傳感器03按制造工藝分類集成傳感器、薄膜傳感器02按工作原理分類振動傳感器、濕敏傳感器、磁敏傳感器、氣敏傳感器、真空度傳感器光電傳感器、壓力傳感器、位置傳感器、能耗傳感器01按用途分類本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據庫軟件工具能力范圍的數(shù)據集合。大數(shù)據1海量的數(shù)據規(guī)模數(shù)據量巨大到傳統(tǒng)的數(shù)據處理軟件無法處理的數(shù)據集合，其數(shù)據量一般達到PB（拍字節(jié)）甚至EB（艾字節(jié)）級別2快速的數(shù)據流轉數(shù)據處理軟件能夠快速響應和處理這些數(shù)據，以支持實時分析和決策3多樣的數(shù)據類型包含多種類型的數(shù)據，如結構化數(shù)據、半結構化數(shù)據和非結構化數(shù)據4價值密度低從大數(shù)據中提取有價值的信息就變得很重要，需要高效的數(shù)據挖掘和分析技術的支持本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈大數(shù)據是推動人工智能發(fā)展的重要動力，它對人工智能的價值主要體現(xiàn)在以下5個方面。01提供豐富的訓練素材02優(yōu)化模型性能03促進算法創(chuàng)新04拓展應用場景05推動產業(yè)發(fā)展本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈云計算是一種基于互聯(lián)網的計算模式，該模式由位于網絡中央的一組服務器把其計算、存儲、數(shù)據等資源以服務的形式提供給請求者，以完成信息處理任務。用戶只需通過互聯(lián)網使用這些資源即可。云計算云計算提供了對聯(lián)網功能、虛擬化計算資源（如虛擬機、存儲、網絡）等，用戶可以遠程訪問這些資源并管理自己的操作系統(tǒng)、應用程序和數(shù)據庫基礎設施即服務（IaaS）01提供了一個包含操作系統(tǒng)、中間件、數(shù)據庫和運行庫等軟件的平臺，用戶可以在上面部署、管理和運行自己的應用程序平臺即服務（PaaS）02提供了完整的軟件應用程序，用戶無需在本地安裝或維護軟件，通常可以通過網頁瀏覽器訪問這些應用程序，所有操作都在云端進行及軟件即服務（SaaS）03本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈2．技術層020103人工智能的通用技術主要指的是那些能夠廣泛應用于不同領域，能夠模擬、延伸和擴展人類智能的技術通用技術在人工智能領域，算法是用于訓練模型、優(yōu)化參數(shù)和執(zhí)行推理的數(shù)學規(guī)則和計算方法。算法是模型訓練的核心，通過不斷優(yōu)化模型參數(shù)以最小化誤差或最大化性能。算法模型基礎開源框架：為開發(fā)者提供基礎算法、數(shù)據結構和工具集的開源軟件庫或平臺。技術開發(fā)平臺：通常是一個完整的集成開發(fā)環(huán)境，集成了數(shù)據處理、模型開發(fā)、訓練和部署等多個環(huán)節(jié)，旨在為開發(fā)者提供便捷、高效的人工智能應用開發(fā)體驗。開發(fā)平臺本課件是可編輯的正常PPT課件1.3.1人工智能的產業(yè)鏈3．應用層應用產品應用產品是指基于某種技術或理論，為了滿足特定需求或解決特定問題而開發(fā)出來的具體產品或服務。1應用場景應用場景則是指應用產品在實際生活中被使用的具體環(huán)境和情境。它描述了產品如何在實際環(huán)境中發(fā)揮作用，以及用戶如何與產品進行交互。2本課件是可編輯的正常PPT課件1.3.2人工智能的商業(yè)模式商業(yè)模式是指企業(yè)或組織為了實現(xiàn)盈利目標與其他企業(yè)、組織或用戶等形式的交易關系和連接方式。01AI即服務模式02人工智能平臺模式03垂直領域解決方案模式05混合模式04數(shù)據驅動模式本課件是可編輯的正常PPT課件1.1認識人工智能1.2人工智能的發(fā)展人工智能的產業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.4.1專業(yè)能力專業(yè)能力是指個體在特定領域內，通過學習、實踐和經驗積累所獲得的知識、技能和素質的綜合體現(xiàn)，它使個體能夠有效完成該領域的工作任務并達到一定的職業(yè)標準。專業(yè)知識大學生需要具備扎實的數(shù)學基礎，包括統(tǒng)計學、線性代數(shù)等。同時還需要熟悉計算機科學的基本理論，如數(shù)據結構、算法設計、操作系統(tǒng)等，以及人工智能的核心算法，如機器學習、深度學習算法等。Part01專業(yè)技能大學生應具備將理論知識應用于實際問題的能力，能夠簡單應用人工智能算法，解決具體的技術問題。Part02實踐經驗通過實踐，大學生可以更好地理解理論知識、掌握專業(yè)技能，并學會如何在實際場景中應用這些知識和技能。Part03跨學科學習通過跨學科的學習和實踐，大學生可以拓寬自己的視野，提高解決問題的能力，并在人工智能領域取得更加全面的發(fā)展。Part04本課件是可編輯的正常PPT課件1.4.2學習能力學習能力是指個體獲取、處理和應用各種知識與技能的能力和潛力。學習能力自主學習能力創(chuàng)新能力獨立思考能力持續(xù)學習能力本課件是可編輯的正常PPT課件1.4.3社交能力社交能力是指個體能夠比較妥善地處理組織內外關系的能力。01良好的溝通能力02理解與尊重他人03團隊合作與領導力04較強的適應能力05社交沖突解決能力本課件是可編輯的正常PPT課件1.4.4其他能力在人工智能時代，大學生除了需要具備專業(yè)能力、學習能力和社交能力外，還應注重培養(yǎng)以下3種能力，進一步提升自身素養(yǎng)，提高競爭力。01時間管理與自我管理能力大學生需要學會有效地管理自己的時間，能夠制訂合理的學習計劃，合理分配時間，提高學習效率。02抗壓能力與心理調適能力大學生在面對挑戰(zhàn)和壓力時，需要具備良好的抗壓能力，應學會調整自己的心態(tài)，保持冷靜和理性，積極應對各種困難和挫折03跨文化交流能力大學生需要具備跨文化交流的能力，能夠理解和尊重不同文化背景下的價值觀和行為習慣。本課件是可編輯的正常PPT課件1.1認識人工智能1.2人工智能的發(fā)展人工智能的產業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.5.1體驗人工智能的語音識別技術1．實踐目標小王本打算今天在計算機上撰寫一份工作總結，以便明天打印出來交給部門經理，但是早上出門時就不小心弄傷了手指，導致無論是打字還是手寫都不方便。正在發(fā)愁之際，老張告訴小王可以借助人工智能技術，將輸入的語音轉換為文字。本次課堂實踐便與小王一起，體驗人工智能的語音識別技術。本課件是可編輯的正常PPT課件1.5.1體驗人工智能的語音識別技術打開計算機上的瀏覽器，利用搜索引擎搜索“靈云”，并在搜索到的結果中單擊“靈云——賦能百業(yè)共享AI未來”超鏈接，訪問靈云官方網站。將鼠標指針移至頁面上方的“開放平臺”超鏈接上，在自動彈出的下拉列表中單擊“智能語音”欄下的“語音識別”超鏈接，如圖1-11所示。2．實踐內容圖1-11?單擊“語音識別”超鏈接本課件是可編輯的正常PPT課件1.5.1體驗人工智能的語音識別技術進入靈云的語音識別頁面，在右下角的下拉列表框中選擇場景模式，如這里選擇“會議”選項，單擊按鈕，如圖1-12所示。首次使用時，需要允許使用麥克風等聲音輸入設備（確保這類設備可以正常使用）才能錄音。開始對著麥克風錄入需要的內容，靈云將記錄聲音信號。錄入完成后單擊按鈕，如圖1-13所示。圖1-12?選擇場景并開始錄音圖1-13?結束錄音本課件是可編輯的正常PPT課件1.5.1體驗人工智能的語音識別技術靈云開始識別語音內容，稍后便會將識別到的內容以文字的形式顯示在文本框中。此時可以拖曳鼠標選擇文字，在其上單擊鼠標右鍵，在彈出的快捷菜單中選擇“復制”命令，如圖1-14所示。此后便可打開Word文檔等文字處理軟件，粘貼文字并做適當調整，從而完成工作總結的制作（配套資源：效果文件\第1章\工作總結.docx）。圖1-14?復制文字本課件是可編輯的正常PPT課件1.5.2制訂人工智能人才能力提升計劃1．實踐目標當前，我國人工智能行業(yè)發(fā)展如火如荼，人工智能應用落地進展迅速。根據中國互聯(lián)網絡信息中心發(fā)布的《生成式人工智能應用發(fā)展報告AIGC》，我國生成式人工智能產品的用戶規(guī)模已超過2億人，核心產業(yè)規(guī)模已接近6000億元人民幣。小劉是大一新生，看到人工智能的火熱，便想利用業(yè)余時間提高自己在人工智能方面的能力，以成為專業(yè)的人工智能人才。請幫助小劉制訂一份人才能力提升計劃，讓他在大學4年內能夠成為符合人工智能行業(yè)所需要的人才。本課件是可編輯的正常PPT課件1.5.2制訂人工智能人才能力提升計劃大學第一年是打基礎的一年，努力學習數(shù)學、編程和計算機科學基礎知識，同時主動了解人工智能領域的消息。這一年需要重點學習微積分、線性代數(shù)、概率論與數(shù)理統(tǒng)計，掌握Python編程，提升編程技能,學習數(shù)據結構和算法，學習計算機網絡、操作系統(tǒng)、數(shù)據庫原理等知識，同時需要閱讀人工智能領域的科普書籍和文章，關注人工智能科技評論，了解最新的人工智能進展和應用。第二年需要深入學習專業(yè)技能并進行初步實踐，這一年需要學習基礎的機器學習與深度學習算法知識，并能夠參加人工智能的競賽項目，同時需要了解與人工智能相關的倫理與法律知識。2．實踐內容本課件是可編輯的正常PPT課件1.5.2制訂人工智能人才能力提升計劃第三年需要深化人工智能專業(yè)技能，同時探索與其他學科的交叉融合，拓寬視野。這一年需要深入掌握機器學習與深度學習算法知識，探索人工智能在醫(yī)學、金融、教育等不同領域的應用情況，并參加跨學科的研究項目或實習。在這一年，還需要提高溝通、團隊協(xié)作和項目管理等能力，能夠明確未來的職業(yè)方向。第四年可以通過實習將所學知識應用于實際工作中，為就業(yè)做好準備。這一年的重點是在實習中運用所學的人工智能知識，并在實際工作中學習更多的實用知識和積累工作經驗。同時，還需要完成與人工智能相關的畢業(yè)設計（如有需要），準備求職簡歷，積極參加招聘會，并持續(xù)保持學習的習慣。本課件是可編輯的正常PPT課件ArtificialIntelligence謝謝觀看!！學海無涯祝您成功！ArtificialIntelligence人工智能是什么第2章人工智能通識導論2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經網絡的深度學習2.3課堂實踐2.42.1.1?人工智能的工作流程數(shù)據收集數(shù)據預處理模型選擇訓練模型持續(xù)學習部署模型優(yōu)化測試與評估本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素1．人工智能的燃料——數(shù)據數(shù)據的重要性模型訓練和性能決策支持適應性泛化能力數(shù)據是訓練人工智能大模型的基礎，模型的性能在很大程度上取決于訓練數(shù)據的質量和數(shù)量大規(guī)模的數(shù)據有助于模型捕捉到更細微的模式和特征，提高模型的泛化能力多樣化的數(shù)據集可以幫助模型在各種任務中表現(xiàn)出更好的泛化能力在復雜環(huán)境下，大量的數(shù)據可以為決策支持系統(tǒng)提供大量的事實依據，使得人工智能大模型能夠更好地完成智能決策本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素數(shù)據的來源公開數(shù)據互聯(lián)網項目定制化數(shù)據采集自研數(shù)據交換數(shù)據購買數(shù)據本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素數(shù)據處理的方法數(shù)據清洗數(shù)據轉換數(shù)據歸一化數(shù)據集劃分數(shù)據集成數(shù)據標注數(shù)據增強特征工程本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素2．人工智能的動力源泉——算力算力的分類基礎算力新一代算力超級算力智能算力計算系統(tǒng)執(zhí)行基本運算任務的能力，涵蓋日常計算中常見的加、減、乘、除等簡單數(shù)學計算，是計算任務的基礎起點智能算力通過模仿人腦的學習機制，能夠實現(xiàn)對復雜數(shù)據的處理使用超級計算系統(tǒng)進行大規(guī)模并行計算的能力，通常用于解決非常復雜的科學和工程問題超越傳統(tǒng)計算架構的新技術，在某些特定問題上可以實現(xiàn)比現(xiàn)有技術更高效、更快速的解決方案本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素算力的構成01硬件資源02計算架構03網絡04軟件優(yōu)化05能源管理本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素算力中心主要由基于CPU芯片的服務器提供算力，能夠滿足一般企業(yè)和個人的計算需求。阿里云、騰訊云、華為云等均是通用算力中心的代表。通用算力中心由基于GPU、FPGA、ASIC等芯片的加速計算平臺提供算力，主要用于人工智能的訓練和推理計算，可以應用于計算機視覺、自然語言處理、機器學習等領域智算中心基于超級計算機或大規(guī)模計算集群的數(shù)據中心，能夠提供大規(guī)模計算、存儲和網絡服務等功能超算中心是一種集成了多種計算資源和技術的綜合型數(shù)據中心。它不僅包括基于CPU的通用算力，還包括基于GPU、FPGA、ASIC等芯片的智算能力和基于超級計算機的大規(guī)模算力融合算力中心本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素3．人工智能的“大腦”——算法算法的特征01有窮性02確定性03可行性05輸出項04輸入項本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素人工智能算法的含義人工智能算法可以理解為算法的一個子集，是一系列用于解決特定問題、模擬智能行為或進行自主學習的程序指令和規(guī)則。人工智能算法能夠處理和分析大量數(shù)據，識別數(shù)據中的模式，并據此做出決策或預測，其目的在于通過模擬人類智能的運作機制，賦予機器類似人類的思考、理解、學習與創(chuàng)新能力。本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素人工智能算法的發(fā)展過程1943年，美國心理學家沃倫·麥卡洛克和數(shù)學家沃爾特·皮茨提出了第一個神經元模型，即M-P模型1951年，馬文·明斯基和迪恩·埃德蒙茲（DeanEdmonds）發(fā)明了第一臺模擬神經網絡的學習機器——SNARC1956年誕生的“邏輯理論家”程序使用早期編程語言——信息處理語言（InformationProcessingLanguage，IPL）編寫1966年誕生的ELIZA聊天機器人，其核心算法基于模式匹配與轉換規(guī)則，即通過預定義的分解規(guī)則識別輸入的關鍵詞，再按重組規(guī)則生成響應本課件是可編輯的正常PPT課件2.1.2?人工智能的三大要素1968年，美國斯坦福大學的愛德華·費根鮑姆（EdwardFeigenbaum）教授和化學家喬舒亞·萊德伯格（JoshuaLederberg）合作成功研發(fā)出世界上第一個專家系統(tǒng)DENDRAL1976年，美國斯坦福大學的愛德華·H.肖特利弗（EdwardH.Shortliffe）等人研發(fā)出MYCIN醫(yī)療專家系統(tǒng)，并在算法架構和推理機制上實現(xiàn)了多項突破20世紀80年代初，隨著計算機硬件的進步，商用專家系統(tǒng)RI（又名XCON）問世2006年，杰弗里·辛頓及其團隊提出了深度信念網絡（DeepBeliefNetwork，DBN）2014年，伊恩·古德費羅（IanGoodfellow）等人提出生成對抗網絡（GenerativeAdversarialNetwork，GAN）算法2017年，谷歌公司提出了Transformer模型2018年，谷歌公司下屬的DeepMind團隊開發(fā)了AlphaZero，AlphaZero基于強化學習算法運作2021年，谷歌公司DeepMind團隊開發(fā)了AlphaFold本課件是可編輯的正常PPT課件2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經網絡的深度學習2.3課堂實踐2.42.2.1?機器學習的概念機器學習是人工智能領域中研究人類學習行為的一個分支，它借鑒了認知科學、生物學、哲學、統(tǒng)計學、計算機科學等眾多學科的觀點，通過歸納、一般化、特殊化、類比等基本方法探索人類的認識規(guī)律和學習過程，并推出了各種能通過經驗自動改進的算法，使機器具備自動學習特定知識和技能的能力。01自動化和適應性02高效的數(shù)據處理能力03預測和決策能力04可擴展性05個性化服務本課件是可編輯的正常PPT課件2.2.2?機器學習的分類有監(jiān)督學習的基本原理是通過輸入數(shù)據（特征）與標簽（目標變量）之間的映射關系來訓練模型，使模型能夠對新輸入的數(shù)據做出準確的預測。有監(jiān)督學習首先需要準備一個標注好的數(shù)據集，這個數(shù)據集包含輸入數(shù)據的特征和對應的標簽，然后根據問題的類型選擇一個合適的算法模型進行訓練。訓練時，模型將接收輸入特征，通過一系列計算得到預測結果，然后利用損失函數(shù)計算預測結果與實際標簽之間的差異，并根據損失函數(shù)計算得到的誤差，通過梯度下降等優(yōu)化算法更新模型的參數(shù)。1．有監(jiān)督學習有監(jiān)督學習的原理本課件是可編輯的正常PPT課件2.2.2?機器學習的分類有監(jiān)督學習的類型分類：在分類任務中，有監(jiān)督學習的目標是將輸入數(shù)據分到預定義的類別中。每個類別都有一個唯一的標簽?；貧w：在回歸任務中，有監(jiān)督學習的目標是預測連續(xù)數(shù)值的輸出。與分類任務不同，輸出標簽在回歸任務中是連續(xù)的。在有監(jiān)督學習中，數(shù)據集中的訓練樣本都有一個輸入特征，以及相應的標簽（分類任務）或目標值（回歸任務），因此有監(jiān)督學習主要包括分類和回歸兩種類型。本課件是可編輯的正常PPT課件2.2.2?機器學習的分類常見的有監(jiān)督學習算法支持向量機(SVM)SVM是一種用于二分類和多分類任務的強大算法，它通過找到一個最優(yōu)的超平面來將不同類別的數(shù)據分隔開決策樹一種基于樹結構的分類和回歸算法，它通過在特征上進行遞歸的二分決策來進行分類或預測決樸素貝葉斯一種基于貝葉斯定理的簡單概率分類算法，它在分類問題中特別有效，尤其是在處理文本分類（如垃圾郵件檢測）時K近鄰算法(KNN)一種基于實例的算法，它根據距離度量來對新樣本進行分類或回歸預測本課件是可編輯的正常PPT課件2.2.2?機器學習的分類有監(jiān)督學習的應用場景圖像識別231自然語言處理有監(jiān)督學習在圖像識別任務中非常常見有監(jiān)督學習在語音識別領域被廣泛應用，如將語音轉換為文本、說話者識別等在自然語言處理任務中，有監(jiān)督學習用于文本分類、情感分析、機器翻譯、命名實體識別等語音識別本課件是可編輯的正常PPT課件2.2.2?機器學習的分類無監(jiān)督學習的核心思想是通過對數(shù)據的統(tǒng)計特征、相似度等進行分析和挖掘，利用各種方法來捕獲和發(fā)現(xiàn)數(shù)據隱藏的內在結構和模式。2．無監(jiān)督學習無監(jiān)督學習的類型聚類異常檢測關聯(lián)規(guī)則挖掘降維將數(shù)據樣本分成相似的組別或簇的過程將高維數(shù)據轉換為低維表示的過程，同時盡可能地保留數(shù)據的特征用于發(fā)現(xiàn)數(shù)據集中項之間的關聯(lián)和頻繁項集用于識別與大多數(shù)樣本不同的罕見或異常數(shù)據點本課件是可編輯的正常PPT課件2.2.2?機器學習的分類常見的無監(jiān)督學習算法K均值聚類K均值聚類是一種常用的聚類算法，它將數(shù)據樣本分成K個簇，使得每個樣本與所屬簇中心的距離最小Part01主成分分析主成分分析是一種常用的降維算法，它通過線性變換將高維數(shù)據投影到低維空間以保留最重要的特征Part02關聯(lián)規(guī)則挖掘算法用于發(fā)現(xiàn)大型數(shù)據集中頻繁出現(xiàn)的項集和關聯(lián)規(guī)則，可用于購物車分析、入侵檢測和文本挖掘等領域Part03異常檢測算法如局部離群因子和支持向量數(shù)據描述等，這些算法通常比簡單的K近鄰算法更復雜，能夠檢測到更細微的異常Part04本課件是可編輯的正常PPT課件2.2.2?機器學習的分類無監(jiān)督學習的應用場景數(shù)據挖掘231模式識別無監(jiān)督學習讓機器能夠從海量的未標記數(shù)據中挖掘出潛在的價值和規(guī)律，為企業(yè)和研究機構提供寶貴的決策支持無監(jiān)督學習自動發(fā)現(xiàn)數(shù)據中的代表性特征，減少了人工的工作量，提高了模型的泛化能力無監(jiān)督學習讓機器能夠識別出數(shù)據中的固有模式和結構，這對于圖像識別、語音識別、自然語言處理等具有重要意義特征學習本課件是可編輯的正常PPT課件2.2.2?機器學習的分類3．半監(jiān)督學習半監(jiān)督學習的類型01半監(jiān)督分類02半監(jiān)督回歸03半監(jiān)督聚類04半監(jiān)督異常檢測05生成對抗網絡中的半監(jiān)督學習本課件是可編輯的正常PPT課件2.2.2?機器學習的分類常見的半監(jiān)督學習算法01自訓練02協(xié)作訓練03半監(jiān)督支持向量機05圖半監(jiān)督學習04生成式半監(jiān)督學習本課件是可編輯的正常PPT課件2.2.2?機器學習的分類半監(jiān)督學習的應用場景自然語言處理機器人控制數(shù)據聚類圖像識別和計算機視覺借助半監(jiān)督學習可以利用少量有標簽的數(shù)據和大量無標簽的數(shù)據來提高文本分類、情感分析、命名實體識別等任務的完成度借助半監(jiān)督學習，可以在少量有標簽圖像和大量無標簽圖像上進行訓練，以提高圖像分類、目標檢測等任務的準確性借助半監(jiān)督學習，可以將有標簽和無標簽數(shù)據結合起來進行聚類，從而提高聚類結果的準確性和穩(wěn)定性在機器人控制領域，借助半監(jiān)督學習，可以幫助機器人在未知環(huán)境中進行自主決策和學習，從而提高其任務執(zhí)行能力本課件是可編輯的正常PPT課件2.2.2?機器學習的分類4．強化學習強化學習的類型Part01基于價值的強化學習Part02基于策略的強化學習Part04模型無關強化學習Part03模型驅動強化學習本課件是可編輯的正常PPT課件2.2.2?機器學習的分類常見的強化學習算法TRPO（TrustRegionPolicyOptimization，信任區(qū)域策略優(yōu)化）PPO（ProximalPolicyOptimization，近端策略優(yōu)化）SARSA（StateActionRewardStateAction，狀態(tài)行為獎勵狀態(tài)行為）Q學習（Q-Learning）本課件是可編輯的正常PPT課件2.2.2?機器學習的分類強化學習的應用場景游戲強化學習在游戲玩法中有廣泛應用機器人控制強化學習可以幫助機器人在未知環(huán)境中進行自主探索和學習，以完成復雜的任務自動駕駛強化學習可以應用于自動駕駛領域，使車輛能夠根據環(huán)境和交通狀況做出決策，如規(guī)劃路徑、避免障礙物和遵守交通規(guī)則本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法1．樸素貝葉斯算法樸素貝葉斯算法利用概率統(tǒng)計知識進行分類，其核心思想是計算每個特征對于分類的條件概率，并基于這些概率來預測新數(shù)據的類別。樸素貝葉斯算法所需要估計的參數(shù)很少，對缺失數(shù)據不太敏感，算法也比較簡單，是應用廣泛的分類算法之一。樸素貝葉斯算法假設特征之間是條件獨立的，這意味著每個特征對分類結果的影響相互獨立，這一假設簡化了計算過程，也是“樸素”二字的由來。本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法2．決策樹算法決策樹算法是一種利用樹形結構對數(shù)據進行分類的算法，從根節(jié)點開始測試，先到子樹，再到葉子節(jié)點，從根節(jié)點到一個葉子節(jié)點是一條分類的路徑規(guī)劃，每個葉子節(jié)點代表一個判斷類別，如圖2-3所示。其核心思想是從起始點開始，根據數(shù)據集中的特征對數(shù)據進行分割，直到滿足停止條件。圖2-3?決策樹本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法目的是選取對數(shù)據具有分類能力的特征，選擇的準則通常為信息增益和信息增益比。特征選擇決策樹的生成根據選擇的特征，遞歸地構建決策樹（遞歸即通過重復將問題分解為同類子問題的方法）。對生成的決策樹進行檢驗、校正和修剪，目的是去掉那些影響預測準確性的分枝，使決策樹更加簡單，從而提高其泛化能力。決策樹的剪枝決策樹的構造過程：本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法3．支持向量機算法支持向量機算法是一種經典的二分類模型，該算法的核心思想是找到一個最優(yōu)的超平面，將不同類別的樣本數(shù)據分開，并最大化間隔，從而實現(xiàn)對新數(shù)據的準確分類或預測。圖2-6?分隔糖果例如，桌上放置了若干深色的糖果和淺色的糖果，現(xiàn)在要求用一根棍子將它們按不同顏色分開，并且保證在放置更多深色或淺色的糖果后，這根棍子的兩邊仍保留有較大的間隙，如圖2-6所示。本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法圖2-7?在高維度空間分隔糖果但是，現(xiàn)實中很多情況下糖果都是散亂分布的，這樣就不能用一根棍子將它們按不同顏色分開，這就是二維平面中的線性不可分的情況。此時要想分隔不同顏色的糖果也很簡單，我們只需使用一個核函數(shù)，將二維平面中的糖果投影到三維空間，也許就可以在三維空間中找到一個平面將其分隔開來，如圖2-7所示。本課件是可編輯的正常PPT課件2.2.3?機器學習的常見算法圖2-8?支持向量把一個數(shù)據集正確分開的超平面可能有多個，而那個具有“最大間隔”的超平面就是支持向量機算法要尋找的最優(yōu)解，這個最優(yōu)解對應的兩條虛線所穿過的樣本點，就是支持向量機中的支持樣本點，稱為“支持向量”。支持向量到超平面的距離被稱為間隔，如圖2-8所示。本課件是可編輯的正常PPT課件2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經網絡的深度學習2.3課堂實踐2.42.3.1?認識人工神經網絡生物神經網絡一般指生物的大腦神經元、突觸等組成的網絡。生物神經網絡的基本構造包括神經元（即神經細胞）及其之間的連接，神經元是生物神經網絡的基本結構和機能單位，具有感受刺激和傳導興奮的功能。每個神經元由細胞本體、樹突、軸突和突觸等部分組成，如圖2-9所示。1．生物神經網絡圖2-9?生物神經元的組成本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡人工神經網絡按“層”劃分神經元，主要包括輸入層、隱藏層和輸出層，如圖2-10所示，前一層的神經元與下一層的神經元相互連接，通過這樣的全層連接讓每個神經元都能處理信號，并最終從輸出層得到結果。2．人工神經網絡的構成圖2-10?人工神經網絡的拓撲結構人工神經網絡的拓撲結構本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡神經元通常包括3個部分，即輸入部分、處理部分和輸出部分，如圖2-11所示。圖2-11?人工神經網絡中神經元的結構人工神經網絡中的神經元本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡輸出部分輸出部分將輸出傳遞到下一組神經元，從而實現(xiàn)信息傳遞處理部分處理部分將所有輸入求和，并將它們送入激活函數(shù)中產生輸出輸入部分輸入部分接收來自其他神經元的輸入信號，并為每個輸入分配一個權重本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡人工神經網絡主要有兩種神經元，分別是BN（BipolarNeuron）和AN（ArtificialNeuron）。BNBN常用于傳統(tǒng)的傳感器網絡，其輸出是一個二元值（通常是-1或1），主要用于二分類或多分類任務01ANAN常用于現(xiàn)代神經網絡，其輸出為一個連續(xù)值，主要用于處理回歸問題和概率估計問題02本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡人工神經網絡中的函數(shù)常見的有激活函數(shù)和損失函數(shù)，二者的作用各不相同。人工神經網絡中的函數(shù)激活函數(shù)激活函數(shù)主要用于增強人工神經網絡的表達能力，使得人工神經網絡可以學習到更加復雜的非線性模式。常用的激活函數(shù)有Sigmoid、ReLU、Tanh等。01損失函數(shù)損失函數(shù)的主要作用是衡量模型預測結果和真實結果之間的誤差，并將誤差反饋給神經網絡進行參數(shù)更新和優(yōu)化。常用的損失函數(shù)有均方誤差（MeanSquareError，MSE）、交叉熵損失（CrossEntropyLoss）、KL散度（Kullback-LeiblerDivergence）等。02本課件是可編輯的正常PPT課件2.3.1?認識人工神經網絡首先定義一個損失函數(shù)，損失函數(shù)的定義需要考慮到模型的任務和應用場景。接著需要隨機初始化參數(shù)，這是非常重要的一步，確保人工神經網絡的參數(shù)是隨機的，沒有任何先驗偏差。然后通過前向傳播，將輸入樣本傳遞給神經網絡進行計算，緊接著進行反向傳播，用于更新權重和偏置的值。在訓練過程中，需要反復執(zhí)行前向傳播和反向傳播，以更新參數(shù)的值，并不斷減小誤差，直到誤差減小到某個閾值或達到最大訓練次數(shù)。3．人工神經網絡的訓練和更新本課件是可編輯的正常PPT課件2.3.2?深度學習的概念深度學習模型通常包含數(shù)百萬甚至數(shù)十億個參數(shù)，能夠自動學習數(shù)據的有效表示，這些表示有助于解決分類、檢測等問題。與機器學習相比，深度學習具有自身獨有的特點。對比維度深度學習機器學習模型結構與算法采用復雜的多層神經網絡結構，包含多個隱藏

層和大量的神經元，通過反向傳播算法和梯度下降等優(yōu)化算法進行訓練通常使用較簡單的模型結構和算，如線性回歸、決策樹算法、支持向量機算法等數(shù)據需求需要大量的數(shù)據來充分發(fā)揮其優(yōu)勢，尤其是大

規(guī)模復雜數(shù)據的處理，但當數(shù)據量較小時，可能無法很好地發(fā)揮其潛力對數(shù)據量的要求相對較少，可以使用較少的數(shù)據進行學習和泛化特征工程具有自動特征提取的能力，能夠從原始數(shù)據中

自動學習到更高級、更具代表性的特征，減少了人工干預的需求往往需要人工輔助，包括特征選擇、特征提取和特征轉換等執(zhí)行時間由于算法中參數(shù)較多，訓練時間通常較長，可能需要數(shù)小時甚至數(shù)天的時間訓練時間相對較短，從幾秒鐘到幾個小時不等硬件依賴性通常需要高端的機器，特別是

GPU

來加速計算，因為深度學習算法中的矩陣乘法等操作需要大量的計算資源可以在低端機器上運行，對硬件配置沒有很高的要求本課件是可編輯的正常PPT課件2.3.3?深度學習的常見算法1．深度神經網絡深度神經網絡（DeepNeuralNetworks，DNN）也叫多層感知機，是深度學習算法的基石。DNN是一種包含多個隱藏層的神經網絡，它利用多層的網絡結構進行特征的自動提取和學習，每一層由多個神經元組成，神經元之間通過權重連接，上一層都將其輸入傳遞給下一層，并使用非線性激活函數(shù)來引入學習到的非線性特性，如圖2-12所示。圖2-12?DNN的結構原理本課件是可編輯的正常PPT課件2.3.3?深度學習的常見算法DNN的核心在于前向傳播和反向傳播這兩個關鍵環(huán)節(jié)。前向傳播從輸入層開始，逐層計算每個神經元的輸出直至輸出層。每個神經元的輸出都依賴于前一層的輸出和該神經元的權重。通過非線性激活函數(shù)（如Sigmoid、ReLU等），將原始數(shù)據逐步轉化為更抽象和復雜的特征表示。01反向傳播通過計算預測值與實際值之間的誤差，反向更新每層神經元的權重，以減小誤差。反向傳播基于鏈式法則（指計算復合函數(shù)導數(shù)時，把整個過程的每一步導數(shù)像鏈條一樣連乘起來）計算網絡中每個參數(shù)對于總損失函數(shù)的梯度，并通過梯度下降算法（如SGD、Adam等）更新權重。02本課件是可編輯的正常PPT課件2.3.3?深度學習的常見算法2．卷積神經網絡卷積神經網絡由多個層次的神經網絡組成，每一層都對輸入數(shù)據進行特定的處理，最終輸出一個分類結果或其他目標。01輸入層02卷積層03激活層04池化層05全連接層本課件是可編輯的正常PPT課件2.3.3?深度學習的常見算法3．循環(huán)神經網絡循環(huán)神經網絡（RecurrentNeuralNetwork，RNN）是一類用于處理序列數(shù)據的神經網絡，能夠處理輸入信息的序列，并在序列的不同時間點共享參數(shù)。循環(huán)神經網絡的核心是隱藏狀態(tài)，它包含過去輸入的信息，被用來影響當前和未來的計算。一個簡單的循環(huán)神經網絡如圖2-14所示，它由一個輸入層、一個隱藏層（也稱為循環(huán)層)和一個輸出層組成。圖2-14?一個簡單的循環(huán)神經網絡本課件是可編輯的正常PPT課件2.3.3?深度學習的常見算法4．生成對抗網絡生成對抗網絡由生成器和判別器兩部分組成。生成器的任務是生成盡可能逼真的數(shù)據樣本，而判別器的任務是區(qū)分這些生成的樣本與真實樣本，兩者通過對抗的方式相互訓練，以提升彼此的性能。圖2-15所示為生成對抗網絡的結構原理，生成器和判別器都可以用人工神經網絡實現(xiàn)。圖2-15?生成對抗網絡的結構原理本課件是可編輯的正常PPT課件2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經網絡的深度學習2.3課堂實踐2.42.4.1?使用機器學習算法設計垃圾郵件過濾器1．實踐目標機器學習是人工智能的重要組成部分，它利用各種先進的算法讓機器具備學習能力，推動了人工智能技術的發(fā)展。本次課堂實踐利用樸素貝葉斯算法構建一個簡單的垃圾郵件過濾器，以進一步了解機器學習算法的原理。本課件是可編輯的正常PPT課件2.4.1?使用機器學習算法設計垃圾郵件過濾器準備訓練數(shù)據。假設我們有幾封郵件和對應的標簽（0表示正常郵件，1表示垃圾郵件），如圖2-16所示。預處理數(shù)據。首先將郵件內容拆分成單詞，這里分別將“賺錢秘籍”拆分成“賺錢”和“秘籍”，將“促銷活動”拆分成“促銷”和“活動”，將“朋友聚會”拆分成“朋友”和“聚會”，將“知識講座”拆分成“知識”和“講座”，將“投資理財”拆分成“投資”和“理財”。如果文本包含“的”“和”“是”等常見詞語，需要將這些停用詞去除，這里不需要此操作。2．實踐內容圖2-16?郵件訓練數(shù)據本課件是可編輯的正常PPT課件2.4.1?使用機器學習算法設計垃圾郵件過濾器計算先驗概率。分別計算正常郵件和垃圾郵件的先驗概率。即P(正常郵件)=2/5，P(垃圾郵件)=3/5。計算條件概率。分別計算各單詞在正常郵件和垃圾郵件的概率，如單詞“秘籍”和“投資”，P(秘籍|正常郵件)=0/2，P(秘籍|垃圾郵件)=1/3，P(投資|正常郵件)=0/2，P(投資|垃圾郵件)=1/3。構建垃圾郵件過濾器。輸入一封新郵件，計算新郵件后驗概率，如“投資秘籍”，分詞后為“投資”和“秘籍”，P(新郵件|正常郵件)=P(投資|正常郵件)×P(秘籍|正常郵件)×P(正常郵件)=0/2×0/2×2/5=0；P(新郵件|垃圾郵件)=P(投資|垃圾郵件)×P(秘籍|垃圾郵件)×P(垃圾郵件)=1/3×1/3×3/5=1/15。預測類別。由于P(新郵件|正常郵件)＜P(新郵件|垃圾郵件)，因此可以判斷出新郵件為垃圾郵件，可將該郵件視為垃圾郵件過濾掉。本課件是可編輯的正常PPT課件2.4.2?體驗照片著色的深度學習算法應用1．實踐目標這是一張黑白的中國傳統(tǒng)風景照片，畫面中有一座古老的寶塔、蜿蜒的河流以及遠處的山脈。在某些能夠自動為照片著色的網站上，只需要將照片添加到網頁中并執(zhí)行著色操作，便可快速得到彩色的照片，如圖所示。本次實踐將從深度學習算法的角度，深入了解人工智能技術完成照片著色的過程，進一步理解深度學習算法的具體應用。本課件是可編輯的正常PPT課件2.4.2?體驗照片著色的深度學習算法應用2．實踐內容D數(shù)據準備模型選擇與構建算法選擇訓練過程著色過程0102030405實踐內容本課件是可編輯的正常PPT課件ArtificialIntelligence謝謝觀看!！學海無涯祝您成功！ArtificialIntelligence人工智能的研究領域第3章人工智能通識導論3.1典型研究領域3.2前沿研究領域課堂實踐3.33.1.1知識圖譜知識圖譜是一種將相互連接的實體及其關系等以圖形化的形式表示出來的語義知識庫，用于描述物理世界中的概念及其相互關系。它將知識以結構化的方式表示出來，使機器可以更好地理解和處理人類語言。1．知識圖譜的定義圖3-1?家庭成員知識圖譜本課件是可編輯的正常PPT課件3.1.1知識圖譜2．知識圖譜的組成實體是知識圖譜中的基本節(jié)點，代表著現(xiàn)實世界中的具體對象或抽象概念，如人、地點、組織、事件等。實體是知識圖譜中最基本的單元。人工智能模型可以利用實體之間的關系和屬性來理解復雜的語義信息，從而提高理解的準確性。實體關系描述了實體之間的各種相互作用和聯(lián)系，它用于連接不同實體，表示它們之間的聯(lián)系。關系的識別和分類有利于理解實體之間的相互聯(lián)系，關系的精確識別和表達不僅豐富了知識圖譜的語義層次，還為高級數(shù)據分析和人工智能應用提供了必要的結構化信息。關系屬性是對實體的描述和補充，它提供了關于實體的詳細信息，通常用來描述實體在某一方面的固有特性或狀態(tài)。屬性的準確識別和整合有利于豐富知識圖譜的內容。在數(shù)據分析方面，屬性分析能夠幫助數(shù)據分析師深入地了解數(shù)據特征，從而進行有效的數(shù)據處理和分析；在人工智能應用中，屬性的利用可以極大地提高模型的性能。屬性本課件是可編輯的正常PPT課件3.1.1知識圖譜3．知識圖譜的構建數(shù)據收集數(shù)據清洗實體抽取關系抽取知識推理與驗證知識融合數(shù)據建模屬性抽取本課件是可編輯的正常PPT課件3.1.1知識圖譜4．知識圖譜的應用搜索引擎Part01在搜索引擎中，知識圖譜能夠優(yōu)化搜索結果的相關性。通過構建大規(guī)模的知識圖譜，搜索引擎可以更好地理解用戶的查詢意圖。知識圖譜還可以豐富搜索結果的展示。除了常規(guī)的文字鏈接，搜索結果還可以以知識卡片的形式展示實體的詳細信息，包括圖片、簡介、相關實體等。智能客服Part02對于智能客服而言，通過構建包含常見問題、產品信息、服務流程等信息的知識圖譜，智能客服就能夠快速識別用戶咨詢的問題類型。智能醫(yī)療Part03在智能醫(yī)療領域，知識圖譜可以整合海量的醫(yī)學知識，包括常見問題、飲食建議、主要癥狀、并發(fā)癥、藥品等。通過對這些知識的結構化表示和關聯(lián)分析，醫(yī)生可以更快地獲取準確的診斷信息。本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)專家系統(tǒng)是一種模擬人類專家知識和推理能力的計算機程序，它采用知識表示和知識推理技術來模擬通常由領域專家才能解決的復雜問題，在領域常規(guī)問題上可達到與領域專家同等解決問題能力的水平，因此能輔助人類專家工作。1．專家系統(tǒng)的定義與發(fā)展以高度專業(yè)化、求解專門問題的能力強為特點，但在體系結構的完整性、可移植性，系統(tǒng)的透明性和靈活性等方面存在缺陷，求解通用問題的能力弱第一代專家系統(tǒng)第二代專家系統(tǒng)屬于單學科專業(yè)型、應用型系統(tǒng)，其體系結構較完整，可移植性方面也有所改善，而且在系統(tǒng)的人機接口、解釋機制，知識獲取技術、不確定推理技術，知識表示和推理方法的啟發(fā)性、通用性等方面都有所改進第三代專家系統(tǒng)屬于多學科綜合型系統(tǒng)，采用多種人工智能語言，綜合采用各種知識表示方法和多種推理機制及控制策略，并開始運用各種知識工程語言、骨架系統(tǒng)及專家系統(tǒng)開發(fā)工具和環(huán)境來研制大型綜合專家系統(tǒng)本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)專家系統(tǒng)通常由人機界面、知識獲取程序、知識庫、推理機、綜合數(shù)據庫、解釋器等模塊構成，如圖3-4所示。2．專家系統(tǒng)的結構圖3-4?專家系統(tǒng)的組成本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)人機界面是用戶與專家系統(tǒng)進行交互的橋梁，它主要由顯示設備、輸入設備等部件組成。人機界面問題輸入與查詢用戶通過人機界面輸入問題或查詢，專家系統(tǒng)則根據輸入的信息進行推理和計算，最終給出答案或建議結果展示與解釋專家系統(tǒng)通過人機界面向用戶展示推理結果，并提供詳細的解釋和說明，以幫助用戶理解結果背后的邏輯和依據用戶交互與反饋人機界面允許用戶與系統(tǒng)進行交互，如修改輸入信息、選擇推理路徑等。本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)知識獲取程序知識獲取程序接著識別與選擇知識源，識別潛在的知識源，如領域專家、文獻、數(shù)據庫等，并根據需求分析結果選擇最可靠、最相關且易于獲取的知識源首先分析知識需求，明確專家系統(tǒng)需要解決的具體問題和領域范圍，以及確定所需知識的類型、范圍和深度之后進行知識表示與轉換，即將抽取和整理后的知識轉換為專家系統(tǒng)可以理解和利用的形式最后將轉換后的知識存儲到專家系統(tǒng)的知識庫中，并建立有效的知識管理機制，以便知識更新、維護和保護然后抽取與整理知識，即從選定的知識源中抽取知識，并對抽取的知識進行整理、分類和歸納，以確保其準確性、一致性和完整性本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)知識庫知識庫是存儲和組織專家系統(tǒng)所需知識的核心組件，它包含領域專家的知識和規(guī)則，用于解決特定領域的問題，能夠提供準確、全面且結構化的知識支持，以供專家系統(tǒng)推理和決策。規(guī)則關系概念事實本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)推理機推理機是專家系統(tǒng)的“大腦”，它執(zhí)行推理過程，根據已知的事實和規(guī)則推導出解決問題的方法。推理機主要由推理引擎和控制策略兩部分組成。推理引擎負責執(zhí)行具體的推理操作，如邏輯推理、模式匹配等；而控制策略則指導推理引擎高效地利用知識庫中的知識和規(guī)則進行推理。正向推理（前向推理）雙向推理反向推理（逆向推理)本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)綜合數(shù)據庫綜合數(shù)據庫也稱動態(tài)數(shù)據庫或“黑板”，是專家系統(tǒng)在執(zhí)行推理過程中用于存放所需要和產生的各種信息的工作存儲器。它存儲了問題的初始狀態(tài)描述、中間結果、求解過程的記錄以及用戶對專家系統(tǒng)提問的回答等信息。用戶對系統(tǒng)提問的回答：用戶與系統(tǒng)交互過程中提供的額外信息或回答。求解過程的記錄：推理過程中執(zhí)行的操作和步驟的記錄中間結果：推理過程中產生的中間結論和狀態(tài)信息問題的初始狀態(tài)描述：用戶輸入的問題及其相關背景信息本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)解釋器解釋器在專家系統(tǒng)中負責解釋推理過程和結果，它的主要功能是向用戶清晰地闡述系統(tǒng)是如何根據輸入的問題和知識庫中的知識進行推理，并最終得出結論的。通過解釋器，用戶可以更好地理解專家系統(tǒng)的決策過程，提高專家系統(tǒng)的透明度和可信度。具體應用時，解釋器首先將從綜合數(shù)據庫中接收推理機輸出的推理結果，對推理過程進行分析，提取出關鍵的推理步驟和依據的知識規(guī)則?；诜治龅慕Y果，解釋器生成易于理解的解釋文本，將生成的解釋文本通過人機界面展示給用戶，向用戶闡述系統(tǒng)是如何根據輸入的問題和已有的知識進行推理的，幫助用戶理解系統(tǒng)的決策過程。本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)3．專家系統(tǒng)的分類按知識表示技術分類基于框架的專家系統(tǒng)基于語義網絡的專家系統(tǒng)基于規(guī)則的專家系統(tǒng)基于邏輯的專家系統(tǒng)本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)按體系結構分類集中式專家系統(tǒng)其知識和控制機制都集中在一個系統(tǒng)或模塊中，系統(tǒng)結構簡單，易于實現(xiàn)和維護01分布式專家系統(tǒng)其由多個物理上獨立的專家系統(tǒng)節(jié)點通過網絡連接而成，共同協(xié)作以解決復雜問題02神經網絡專家系統(tǒng)其利用神經網絡模擬人類專家思維過程，進行知識表示、推理和決策03本課件是可編輯的正常PPT課件3.1.2專家系統(tǒng)按應用領域分類醫(yī)療診斷和咨詢專家系統(tǒng)工業(yè)專家系統(tǒng)法律專家系統(tǒng)其他領域專家系統(tǒng)氣象預報專家系統(tǒng)農業(yè)專家系統(tǒng)教育專家系統(tǒng)本課件是可編輯的正常PPT課件3.1.3自然語言處理自然語言是指人類在日常生活中使用的語言，自然語言處理則是指利用計算機技術對自然語言進行自動處理，包括對自然語言進行理解、分析、生成和評估等。1．自然語言處理的定義及特點依賴性多模態(tài)性智能性復雜性動態(tài)性交互性本課件是可編輯的正常PPT課件3.1.3自然語言處理文本預處理是自然語言處理的首要環(huán)節(jié)，也是后續(xù)分析和處理的基礎。2．自然語言處理的基本步驟文本預處理01分詞02去除停用詞03詞干提取與詞形還原04詞性標注05句法分析本課件是可編輯的正常PPT課件3.1.3自然語言處理特征提取是自然語言處理中的重要步驟之一，它的目的在于從預處理后的文本中提取出有意義的特征，以便后續(xù)操作。特征提取01詞袋模型02TF-IDF03Word2Vec05BERT及其變體04GloVe本課件是可編輯的正常PPT課件3.1.3自然語言處理在完成文本預處理和特征提取之后，接下來就是將這些特征輸入機器學習或深度學習模型中進行訓練與評估，使模型能夠學習到數(shù)據中的模式，從而在新數(shù)據上做出準確的預測。模型訓練與評估數(shù)據集劃分模型訓練模型調參與優(yōu)化模型集成算法選擇模型評估模型正則化本課件是可編輯的正常PPT課件3.1.3自然語言處理3．自然語言處理的應用信息檢索是用戶根據需要，借助檢索工具，查詢和獲取信息的方法和手段信息檢索機器翻譯基于自然語言處理技術分析語句并理解語境，捕捉語句間的細微差異，從而提升翻譯的準確性。機器翻譯自動摘要是一項高效的信息處理技術，它能夠自動從冗長的文本數(shù)據中提取出核心要點，生成簡潔明了的摘要內容自動摘要情感分析作為一種強大的數(shù)據分析工具，在市場調研、品牌監(jiān)控以及用戶調研和分析中都有應用。情感分析問答系統(tǒng)是一種智能化的信息交互工具，它通過分析用戶的問題，能夠自動、準確地回答用戶的各種疑問，常用于智能客服、醫(yī)療診斷輔助等問答系統(tǒng)本課件是可編輯的正常PPT課件3.1.4計算機視覺計算機視覺是使用計算機及相關設備對生物視覺進行模擬的一種技術，該技術能夠通過處理采集的圖片或視頻來實現(xiàn)對相應場景的多維理解。1．計算機視覺的定義二維計算機視覺二維計算機視覺專注于從二維圖像中提取信息，如邊緣檢測、形狀分析、紋理識別等，這種技術適用于靜態(tài)圖像或視頻幀的處理01三維計算機視覺三維計算機視覺處理三維空間中的數(shù)據，涉及立體視覺、深度感知、三維重建等，這種技術在機器人導航、自動駕駛等領域有所應用02本課件是可編輯的正常PPT課件3.1.4計算機視覺2．計算機視覺的基本任務圖像分類圖像分類任務解決的是“是什么”的問題，即判斷給定的一張圖片或一段視頻中包含哪些類別的目標，然后通過提取和分析圖像的特征，將圖像分配到特定的類別。目標定位目標定位需要通過在圖像上繪制邊界框來實現(xiàn)，邊界框標識對象在圖像中的位置和大小。目標檢測目標檢測任務綜合了圖像分類和目標定位兩個任務中的內容，既要識別圖像中的對象，又要確定它們的位置，且一般需要檢測多個對象，并分別標注每個對象的位置及類別圖像分割圖像分割任務可以簡單理解為目標檢測任務的進一步細化操作本課件是可編輯的正常PPT課件3.1.4計算機視覺計算機視覺作為人工智能的一個重要研究領域，已經滲透到人們生活的方方面面，其應用也比較廣泛。3．計算機視覺的應用自動駕駛醫(yī)學影像分析無人機應用智能拍照與圖像處理人臉識別安防監(jiān)控增強現(xiàn)實（AugmentedReality，AR）和虛擬現(xiàn)實（VirtualReality，VR）本課件是可編輯的正常PPT課件3.1.5智能語音在技術層面，智能語音一般是指利用機器學習、深度學習等算法，對人類的語音信號進行識別、理解和處理，并將處理結果以語音形式反饋給用戶的技術。以人機語音交互為例，常見的智能語音處理流程為：1．智能語音的定義機器接收到用戶語音后，通過語音識別技術將語音自動轉換為文本，并且可保留原有語音中有關語速、音量、停頓等特征信息。接著通過自然語言理解技術理解和分析識別出的文本，并通過自然語言生成技術智能決策后續(xù)動作，同時將決策后的動作生成為回復給用戶的文本。最后，機器通過語音合成技術將回復給用戶的文本轉換為語音播放，至此便完成一次簡單的人機語音交互。本課件是可編輯的正常PPT課件3.1.5智能語音智能語音的實現(xiàn)依賴許多技術的支撐，其中較為關鍵的技術主要包括以下6種。2．智能語音的關鍵技術語音合成噪聲抑制與回聲消除聲紋識別語音識別自然語言理解自然語言生成本課件是可編輯的正常PPT課件3.1.5智能語音智能語音作為連接人類語言和智能應用的重要技術，以其卓越的語音識別、自然語言理解、自然語言生成和語音合成能力，極大地提升了人機交互的便捷性與自然度。3．智能語音的應用01車載語音02智能家居03智慧醫(yī)療04智慧教育05智能安防本課件是可編輯的正常PPT課件3.1典型研究領域3.2前沿研究領域課堂實踐3.33.2.1?大語言模型與多模態(tài)融合大語言模型是指使用大量文本數(shù)據訓練的深度學習算法的相關模型，這些模型可以生成自然語言文本或理解語言文本的含義。它們通過大規(guī)模的無監(jiān)督訓練學習自然語言的模式和結構，在一定程度上模擬人類的語言認知和生成過程。大語言模型的核心原理是基于神經網絡結構，特別是Transformer架構。這種架構允許大語言模型在處理一個單詞時考慮整個文本序列中的其他單詞，從而更好地理解上下文含義。大語言模型的基本原理可以形象地比喻為一個小孩子學習語言的過程。1．大語言模型本課件是可編輯的正常PPT課件3.2.1?大語言模型與多模態(tài)融合2．多模態(tài)融合數(shù)據預處理決策制定融合策略選擇特征提取不同模態(tài)的數(shù)據往往具有不同的格式、分辨率、采樣率以及噪聲特性，直接進行融合可能會導致數(shù)據混淆或處理效率低下識別并提取出能夠代表數(shù)據本質信息的特征向量，這些特征應具有較高的區(qū)分度，能夠準確反映數(shù)據間的內在聯(lián)系與差異。融合策略作為多模態(tài)融合的核心，其選擇直接決定了數(shù)據的整合方式與效率。常見的融合策略包括早期融合、晚期融合和混合融合。基于融合后的多模態(tài)數(shù)據，決策制定成為實現(xiàn)最終目標的關鍵本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人智能機器人是機器人的高級形態(tài)，它通過人工智能實現(xiàn)從“自動化”到“智能化”的跨越，二者的關系類似于“手機”與“智能手機”的關系，后者的智能化更顯著。1．智能機器人圖3-11?家庭掃地機器人本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人智能機器人的感知能力是其與外界環(huán)境互動的起點。這一要素依賴于各種先進的傳感器，它們如同智能機器人的眼睛、耳朵和皮膚，能夠捕捉外部環(huán)境的信息。感知傳感器視覺傳感器聽覺傳感器觸覺傳感器其他傳感器本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人智能機器人的思維體現(xiàn)了其決策和推理能力。在這一過程中，智能機器人會利用強大的計算資源和智能算法處理和分析感知到的信息，進而做出合理的判斷和決策。思維數(shù)據處理231決策制定學習能力本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人行為是智能機器人對外界環(huán)境做出響應的最終體現(xiàn)。通過行為，智能機器人可以根據感知和思維的結果，執(zhí)行具體的任務和操作。行為運動控制01操作物體02互動交流03本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人具身智能是指智能體通過身體與環(huán)境的互動產生的智能行為，強調智能體的認知和行動與其在物理世界中的行動是緊密相連的。具身智能機器人則是基于物理實體進行感知和執(zhí)行的人工智能系統(tǒng)，它通常以人形機器人為載體，結合人工智能技術，以適應不同環(huán)境，理解問題、獲取信息、做出決策并實現(xiàn)行動。2．具身智能機器人圖3-13?正在裝配汽車的具身智能機器人本課件是可編輯的正常PPT課件3.2.2?智能機器人與具身智能機器人具身智能機器人的核心是智能體具備與環(huán)境交互的感知能力，以及基于感知結果進行自主規(guī)劃、決策、行動、執(zhí)行等一系列行為的能力。動態(tài)適應情境依賴物理交互“感知—行動”循環(huán)本課件是可編輯的正常PPT課件3.2.3元宇宙與數(shù)字人元宇宙是一個集合了虛擬現(xiàn)實、增強現(xiàn)實、3D（3Dimensions，三維）圖形、人工智能、云計算等技術的虛擬世界，旨在為用戶提供沉浸式的體驗，使用戶可以在其中進行社交、娛樂、工作等活動。元宇宙的運行基于“4個產生”形成的大回路1．元宇宙01數(shù)字孿生02數(shù)字原生03物理孿生04物理原生本課件是可編輯的正常PPT課件3.2.3元宇宙與數(shù)字人數(shù)字人，也稱為虛擬人、