任务新一代人工智能的核心技术

任务9.2新一代人工智能的核心技术第9章

人工智能应用第9章

人工智能应用目录人工智能的发展历程新一代人工智能的核心技术人工智能的应用领域任务拓展：百度AI体验9.19.29.39.49.2新一代人工智能的核心技术9.2.1模式识别与感知交流9.2.2机器学习与知识发现9.2.3机器推理与知识图谱9.2.1模式识别与感知交流1．图像识别2．语音识别3．自然语言处理9.2.1模式识别与感知交流1．图像识别图片识别AI体验：/?fr=shitu9.2.1模式识别与感知交流1．图像识别基本原理人工神经网络的作用卷积计算的作用9.2.1模式识别与感知交流2．语音识别语音识别AI体验：/tech/speech/9.2.1模式识别与感知交流3．自然语音处理自然语音处理AI体验：/逐字翻译→基于规则的句法分析翻译→基于实例的统计机器翻译9.2.2机器学习与知识发现1．监督式学习（Supervisedlearning）2．非监督式学习（Unsupervisedlearning）3．半监督式学习（Semi-SupervisedLearning）4．强化学习（reinforcementlearning）参考学习资料：/p/682c88cee5a8小白都看得懂的监督学习与无监督学习9.2.2机器学习与知识发现1．监督式学习监督式学习举例：机器学习识别鸢尾花的种类（样本文件）定义：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练的数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。9.2.2机器学习与知识发现监督式学习过程：机器学习识别鸢尾花的过程9.2.2机器学习与知识发现2．非监督式学习非监督式学习举例：Google新闻按照内容结构的不同分成财经，娱乐，体育等不同的标签，这就是无监督学习中的聚类。

定义：我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签（label）的。9.2.2机器学习与知识发现3．半监督式学习定义：是一种监督式学习与非监督式学习相结合的一种学习方法。拥有大部分的输入数据（自变量）和少部分的有标签数据（因变量）。可以使用非监督式学习发现和学习输入变量的结构；使用监督式学习技术对无标签的数据进行标签的预测，并将这些数据传递给监督式学习算法作为训练数据，然后使用这个模型在新的数据上进行预测。9.2.2机器学习与知识发现4．强化学习强化学习举例：2016年击败世界冠军李世石九段的阿尔法狗定义：程序在某一情况下尝试所有可能的行动，记录不同行动的结果并试着找出最好的一次尝试来做决定。强化学习可以自动进行决策制定，并且可以做连续决策。即训练程序作出某一决定，获得一个策略去指导行动。9.2.3机器推理与知识图谱1.知识表示与机器推理2.知识图谱3.知识图谱技术案例9.2.3机器推理与知识图谱知识表示是指面向计算机的知识描述或表达形式和方法。具体来讲，就是要用某种约定的（外部）形式结构来描述知识，而且这种形式结构还要能转换为机器的内部形式，使得计算机能方便地存储、处理和运用。机器推理与知识表示密切相关。逻辑形式的知识表示需要用程序语言转化为机器能理解的内部形式。1.知识表示与机器推理9.2.3机器推理与知识图谱9.2.3机器推理与知识图谱9.2.3机器推理与知识图谱定义：“知识图谱本质上是语义网络（SemanticNetwork）的知识库”，可以简单地把知识图谱理解成多关系图（Multi-relationalGraph）。2.知识图谱9.2.3机器推理与知识图谱百度知识图谱：/kg/case3.