Python人工智能技术与应用 课件 2.【课件】1-2 调研分析人工智能关键技术

《Python人工智能技术与应用》能力模块一对人工智能与自动驾驶的基本认知任务二调研分析人工智能关键技术TaskImport任务导入

某公司研发和销售人工智能产品，客户想了解你们公司人工智能产品用到了哪些人工智能技术。

你作为该公司的产品售后人员，需要向客户介绍产品背后的人工智能关键技术。素养目标引导问题的过程中，培养学生形成勤于思考的能力获得分析解决问题以及多元化思考解决问题的方法，形成创新意识。TaskObject任务目标知识目标了解人类神经元和人工神经元。了解常见的深度学习算法。了解深度学习技术的优势与应用。了解神经网络技术和机器学习技术原理。技能目标掌握机器学习的流程。掌握机器学习的分类方法。掌握人工智能项目的生命周期，感受项目性思维，培养统筹思考的能力。新

授机器学习技术原理与流程01CONTENTS目录机器学习的分类方法02深度学习技术原理与常用方法03深度学习技术的优势与应用04人工智能项目实现周期05机器学习技术原理与流程01机器学习的基本原理是，计算机通过不断从输入数据中提取信息（数据特征）和结果（数据标签），学习数据标签和数据特征之间的相关、依存或隐藏结构等关系或内在规律，以优化自身的性能，并生成最优模型以输出最优结果。机器学习从数据中“学习”，“成为”最优模型原理机器学习技术原理与流程模型构建模型评估数据准备特征工程01机器学习技术的流程机器学习的分类方法02强化学习半监督学习监督学习无监督学习机器学习的分类方法机器学习的分类方法02（一）监督学习是指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。通过大量人工打标签来帮助机器学习的方式就是监督学习。机器学会如何识别猫和狗？操作一：给照片打上标签用于训练

操作二：计算机给出答案机器学习的分类方法02（二）非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。计算机需要从给定的数据集中，通过不同的非监督学习的算法，挖掘出潜在的结构和关联规则。计算机非监督学习分类猫和狗机器学习的分类方法02（三）强化学习强化学习更接近生物学习的本质，它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。谷歌公司开发的Alpha人工智能程序2016年3月9日以4比1的比分击败欧洲围棋冠军李世石，它使用深度强化学习来训练自己，以改进自身的棋艺。机器学习的分类方法02（三）监督学习、无监督学习、强化学习的联系和区别三类学习共同点三类学习的联系和区别机器学习的分支1通过数据和算法来解决问题2通过训练数据来完成模型的构建3模型的构建也是基于数学模型的4学习方式数据有无标签学习目标应用场景监督学习有标签预测准确性分类或回归无监督学习无标签挖掘数据结构聚类或降维强化学习无标签解决特定问题行为策略深度学习技术原理与常用算法03深度学习是一种以人脑为模型的机器学习技术，深度学习算法使用与人类类似的逻辑结构来分析数据。深度学习使用被称为人工神经网络的智能系统分层处理信息。数据从输入层经过多个“深度”隐藏的神经网络层，然后进入输出层。额外的隐藏层支持比标准机器学习模型更强大的学习能力。深度学习最早可以追溯到1957年，当时由美国计算机科学家FrankRosenblatt提出了“感知器”模型，这是深度学习的第一个模型，它允许机器从输入信号中学习，并从中提取模式。随后，Hinton等人提出了反向传播算法，使深度学习得以发展。此后，深度学习继续发展，经过几十年的发展，已经成为当今最流行的机器学习技术。深度学习技术原理与常用算法（一）人类神经元和人工神经元03人类神经元是由细胞体、树突和轴突组成的，树突接收神经冲动信号，将其传递给细胞体，细胞体根据接收到的信号决定是否将其传递到轴突，最终通过轴突将信号传递给下一个神经元或目标组织。人类神经元深度学习技术原理与常用算法（一）人类神经元和人工神经元03人工神经网络在人工神经网络中，每个神经元都有一些输入，它们被加权并加上偏置，然后通过激活函数进行非线性转换。这个非线性转换类似于人类神经元中的信号处理过程。人工神经网络深度学习技术原理与常用算法（一）人类神经元和人工神经元03加权：在这个过程中，每个输入信号都与一个权重相关联。权重表示每个输入信号对神经元的影响程度。全连接层类似于传统的神经网络，第一层为输入层，中间若干个隐藏层，最后一个输出层。偏置：是一个常数，它可以控制神经元的激活阈值，用公式表示，一个神经元的输出可以表示为：Output=ActivationFunction(WeightedSumofInputs+Bias)其中，ActivationFunction是激活函数，WeightedSumofInputs是输入信号的加权和，Bias是偏置。即输出结果y=激活函数f(k(x)+b。03深度学习技术原理与常用算法（二）神经网络技术原理

信息流程：输入层—〉隐藏层—〉输出层输入层输入层接收外部输入；01输入层输出层产生神经网络的输出；02隐藏层隐藏层则在输入层和输出层之间进行信息处理。层与层之间的神经元可以相互连接，形成神经网络的拓扑结构；0303深度学习技术原理与常用算法（三）常见的深度学习算法卷积神经网络提取数字“7”流程架构卷积神经网络是一种深度学习技术，它使用卷积运算来提取图像中的特征，以实现图像分类和识别。它的结构类似于人类视觉系统，可以模拟人类的视觉感知过程，因此可以在图像分类和识别任务上取得更好的效果。卷积神经网络03深度学习技术原理与常用算法（三）常见的深度学习算法深度循环神经网络的架构循环神经网络（RecurrentNeuralNetwork，RNN）是一种特殊的神经网络，它具有循环结构，能够处理具有时间和序列特征的数据。RNN具有记忆功能，能够记住之前某个时刻的信息，并在之后的时刻使用这些信息。RNN在自然语言处理，语音识别，机器翻译，机器学习，时间序列分析等领域有着广泛的应用。循环神经网络03深度学习技术原理与常用算法（三）常见的深度学习算法生成对抗网络——“生成器”和“判别器”生成对抗网络（GANs）是一种神经网络架构，用于生成新的有趣的图像或文本。它通过分别训练两个模型（生成器和判别器）来实现，其中生成器用于生成新的图像，判别器用于判断图像的真实性。这两个模型互相抵消，使得生成器可以生成更加真实的图像。生成对抗网络在近年来在众多领域中取得了广泛的应用和热门，例如在自然语言应用领域，可以用于对话系统中的回复生成、文本摘要、语音转文本等任务。生成对抗网络深度学习技术的优势与应用（一）深度学习技术的优势04深度学习是一种基于神经网络的机器学习方法，它使用多层次的神经网络来解决复杂的问题。高效的特征提取能力更高的计算效率更强的泛化能力诸多优势传统机器学习VS深度学习04深度学习技术的优势与应用（一）深度学习技术的优势深度学习具有更强大的特征提取能力深度神经网络可以通过多个层次的变换，从原始输入数据中自动学习和提取出具有高度表征能力的表征信息。更好地捕捉数据的本质特征，从而更准确地预测结果完成后续任务。01深度学习模型具有更高的计算效率深度学习模型可以利用大量的计算资源，从而更快地训练模型，提高计算效率。02深度学习模型具有更强的泛化能力深度学习模型可以从训练数据中学习到更多的特征，从而提高模型的泛化能力，更好地应用到新数据中。03特征提取04深度学习技术的优势与应用（二）深度学习技术的应用帮助呼叫中心座席并对呼叫进行自动分类；将临床对话实时转换为文档；为视频和会议记录添加准确的字幕以实现更广泛的内容覆盖范围。深度学习模型可以分析人类语音，尽管说话模式、音调、语气、语言和口音不尽相同。虚拟助手（如AmazonAlexa）和自动转录软件使用语音识别执行以下任务：深度学习与语音识别04深度学习技术的优势与应用（二）深度学习技术的应用汽车研发人员正在使用深度学习来自动检测物体，如停车标志和红绿灯。此外，深度学习还用于探查行人，这有助于减少交通事故。计算机视觉是指计算机从图像和视频中提取信息及见解的能力，计算机视觉具有多种应用，如上所示。内容审核图像分类面部识别深度学习与自动驾驶汽车深度学习与计算机视觉04（一）数据自动虚拟座席和聊天机器人自动总结文件或新闻文章长格式文档(如电子邮件和表格)的业务情报分析用于表示情绪(如社交媒体上的正面和负面评论)的关键短语索引功能计算机使用深度学习算法从文本数据和文档中收集见解和意义。这种处理自然的、人工创建的文本的能力有几个使用场景。深度学习技术的优势与应用人工智能项目实现周期05人工智能项目是指利用人工智能技术来解决实际问题的研究项目,其中包括机器学习、自然语言处理、机器视觉等技术。它们可以应用于自动驾驶、语音识别、智能家居等领域，实现智能化的解决方案。需求分析：需要确定项目的目标，评估需求，设计概念，并确定可行性。