Python人工智能技术与应用 课件 模块1 对人工智能与自动驾驶的基本认知

《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一调研分析人工智能技术TaskImport任务导入

某高校计划举办“面向未来：数字革命与人工智能”的讲座。

你是一名人工智能科技公司的研发工程师，现高校计划邀请你向参加讲座的学生科普介绍人工智能这门新兴技术，你应该如何准备你的讲座内容。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工智能技术的定义与应用。掌握人工智能技术的三要素。了解人工智能的分类。技能目标能够简单介绍人工智能技术的发展历程。能够简单介绍人工智能的发展现状及面临挑战。立足专业技能，明确未来职业方向。新

授人工智能的定义与应用01CONTENTS目录人工智能的三要素02人工智能的分类03人工智能技术的发展历程04人工智能技术的发展现状05人工智能的定义与应用01人工智能定义人工智能技术本质人工智能（ArtificialIntelligence，以下简称AI）是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学。人工智能技术本质是对人的意识和思想过程的模拟，赋予机器模拟、延伸、扩展类人智能，实现会听、会看、会说、会思考、会学习、会行动等功能。人工智能的定义与应用创造力智能感知能力认知能力01人工智能四大能力人工智能的定义与应用（一）感知能力01语音识别听电脑视觉、图像识别、人脸识别、对象侦测看语音生成、文本转换语音说自然语言处理、语音转换文本读机器翻译写指的是人类通过感官所受到环境的刺激、察觉消息的能力，简单地说就是人类五官的感知能力人工智能的定义与应用（二）认知能力01如AI下围棋、自动驾驶车、健保诈欺判断、癌症判断等判断如机器学习、深度学习、增强式学习学习如医学图像分析、产品推荐、垃圾邮件辨识、法律案件分析、犯罪侦测、信用风险分析、消费行为分析等。分析辨识如AI执行的预防性维修（PredictiveMaintenance）、智慧天然灾害预测与防治。预测人工智能的定义与应用（二）认知能力01指的是人类透过学习、判断、分析等等心理活动来了解讯息、获取知识的过程与能力，对人类认知的模仿与学习也是目前AI第二个焦点领域。利用人工智能提高医疗质量消费者行为分析人工智能的定义与应用（三）创造力01

AI作曲

AI作诗

AI设计

AI小说AI绘画知识智力能力个性潜意识指的是人类产生新思想，新发现，新方法，新理论，新设计，创造新事物的能力。人工智能的定义与应用（四）智能01价值观人类自我意识自我认知指的是人类深刻了解人、事、物的真相，能探求真实真理、明辨是非，指导人类可以过有意义生活的一种能力。人工智能的三要素02数据、算法和算力是人工智能的三要素，是人工智能发展的基础。定义人工智能的三要素例如：大量的历史数据，用户行为数据，网络数据，视频数据等。在计算机内部，所有数据都以二进制形式存储，每一位数据都由0和1组成。机器世界的数据“0”和“1数据是提供给机器学习算法的原材料02（一）数据人工智能的三要素其可以使计算机根据输入的数据，自动执行一系列步骤，以达到指定的目标。生活中的算法一烹饪红烧肉02（二）算法算法是一种特定的解决问题的规则集人工智能的三要素02（三）算力算力是运行算法的计算能力，指的是人工智能系统可以处理的任务的数量和复杂程度。算力的单位为TOPS，1TOPS代表处理器每秒钟可进行一万亿次。我们熟知的8155芯片算力是8TOPS，英伟达orin芯片算力为254TOPS。人工智能的分类03超人工智能弱人工智能强人工智能人工智能按照与人类智能程度的匹配程度可以分人工智能的分类智能语音助手Siri苹果公司语音助手Siri为语音识别领域的人工智能，用户可以通过语音调用Siri查找信息、拨打电话、发送信息、获取路线、播放音乐、查找苹果设备等。例如指的是专注于且只能解决特定领域问题的人工智能。（一）弱人工智能03人工智能的分类强人工智能思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作，并且和人类一样得心应手，目前仍未发展出此技术。包含属于人类级别的人工智能，在各方面都能与人类胜任。（二）强人工智能03人工智能的分类超人工智能“科学创新、通识和社交技能”，这是人工智能的终极目标，目前仍未实现。包含牛津哲学家、知名人工智能思想家尼克·博斯特伦(NickBostrom)把超人工智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多。（三）超人工智能03人工智能技术的发展历程04人工智能产业化第二阶段人工智能诞生第一阶段人工智能爆发第三阶段人工智能的发展历程卷积神经网络的基本原理《罗素姆万能机器人》1921年在布拉格演出时的舞台剧照（一）神话，幻想和预言中的AI03如:赫淮斯托斯的黄金机器人和皮格马利翁的伽拉忒亚。19世纪的幻想小说中出现了人造人和会思考的机器之类题材，例如玛丽·雪莱的《弗兰肯斯坦》和卡雷尔·恰佩克的《罗素姆的万能机器人》。希腊神话中已经出现了机械人和人造人人工智能技术的发展历程(二）人工智能的起源04英国数学家艾伦·图灵（AlanTuring）于1950年提出著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。1956年，在达特茅斯的人工智能研讨会上，人工智能的创始人之一、美国计算机科学家约翰·麦卡锡（JohnMcCarthy）正式提出“人工智能”这个概念，人工智能被确立为一门学科，该年被公认是现代人工智能学科的起始元年。1950年提出图灵测试1956年提出“人工智能”概念人工智能技术的发展历程（三）人工智能的第一次浪潮与困境0470年代，即使最优秀的AI程序也只能解决简单问题，无法再往上突破。研究者们遭遇了无法克服的基础性障碍，包括计算机的运算能力有限、计算复杂性和指数爆炸、常识与推理等问题。随后，各国政府和机构也停止或减少了资金投入。心理治疗机器人在回答用户的问题达特茅斯会议之后的数年是大发现的时代计算机可以解决代数应用题、证明几何定理、学习和使用英语人工智能技术的发展历程（四）人工智能的第二次浪潮与困境0420世纪80年代初开始卡内基梅隆大学为DEC（数字设备公司）设计了名为XCON的专家系统。1980年1981年1985年全世界的公司都开始研发和应用专家系统，到1985年它们已在AI上投入十亿美元以上，大部分用于公司内设的AI部门。AI技术发展缓慢，政府停止对AI的资助。加上电脑市场的冲击，AI进入第二次发展困境期。XCON等最初大获成功的专家系统维护费用居高不下。它们难以升级，难以使用，脆弱（当输入异常时会出现莫名其妙的错误），暴露各类问题。80年代后期日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话，翻译语言，解释图像，并且像人一样推理的机器。引领力量是知识工程和专家系统，专家系统实际上是一套程序软件，能够从专门的知识库系统中，通过推理找到一定规律，像人类专家那样解决某一特定领域的问题。人工智能技术的发展历程（五）人工智能的第三次浪潮与困境0420世纪90年代，计算机算力性能不断突破，英特尔的处理器每18—24个月晶体管体积可以缩小二分之一，同样体积上的集成电路密集度增长一倍、同样计算机的处理运算能力可以翻一倍。20世纪90年代4G时代的到来和智能手机的普及与移动互联网的发展为神经网络训练迭代提供了海量的数据，而IoT物联网的兴起和边缘计算的支持也使传感器时序数据指数级生成。4G时代2006年亚马逊发布AWS云计算平台，大幅提升了人工智能网络模型计算所需要的算力。2007年华裔女科学家李飞飞教授开源了世界上最大的图像识别数据集（超过1400万、2万多标注类别的图像数据集），为人工智能计算机视觉项目提供了强大的数据支持。2007-至今基于大数据的深度升级网络让人工智能重新活跃起来，人工智能思维方式发生巨大改变。人工智能技术发展现状和面临挑战AI已经被广泛应用于交通、金融、农业、军事等领域，尤其是疫情期间，AI在医疗保健和生物医学领域发挥了重要作用，例如加速了新冠病毒相关药物的发现，以及解决了长期以来的蛋白质折叠生物学难题。AI初创公司PostEra的机器学习技术能够在48小时内完成此前需要3~4周时间进行的化学合成路线设计，加速了新冠病毒相关药物的发现。AI逐步走向产业化AI系统现在可以合成文本、音频和图像，而且水平足够高，如得益于机器学习和自然语言处理技术的进步，机器能在视觉问答中提供更加准确的自然语言答案。AI技术进一步完善（一）发展现状05人工智能技术发展现状和面临挑战（二）面临挑战05三要素仍需不断突破人工智能存在安全隐患带来新的就业问题人工智能技术发展现状和面临挑战（二）面临挑战05缺乏高质量的数据资源：Keras是一个高层次的深度学习框架，它可以用于搭建和训练各种神经网络模型。模型泛化能力较弱：人工智能的模型泛化能力是指，在训练集中学习到的模型能够成功地应用到未知的数据集上，从而达到准确的预测结果。算力瓶颈仍然有待突破：人工智能系统的算力瓶颈主要源于计算机硬件的性能和能力的局限性。三要素仍需不断突破人工智能技术发展现状和面临挑战（二）面临挑战05人工智能存在安全隐患黑客对自动驾驶中的人工智能系统造成威胁由于人工智能系统的复杂性，攻击者可能会利用漏洞攻击系统，从而导致安全隐患。漏洞带来的安全隐患由于人工智能系统可以自主学习，因此它们可能会做出意想不到的决策，导致安全风险。自主学习带来的安全隐患人工智能技术发展现状和面临挑战（二）面临挑战05终身学习的要求：人工智能的快速发展已经开始或逐步取代一些传统劳动力，创造出新的就业岗位需求，且其快速学习和更新的能力对就业市场上的求职者提出了终身学习的要求。职业被大量的智能机器替代：据2013年英国牛津大学的研究报告称，未来有700多种职业都有被智能机器替代的可能性，医疗、教育等需要高技能积累的行业也将受到人工智能的影响。带来的新就业问题《Python人工智能技术与应用》任务二调研分析人工智能关键技术NEXT：《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。数据收集：需要收集用于训练人工智能模型的数据。模型训练：尽可能减小模型预测值与实际值之间的差异。模型评估：需要评估模型的性能，并对其进行优化。模型部署：将训练好的模型应用于实际场景的过程，是人工智能项目的最终目标。常见的部署方式有云端部署、边缘部署、本地部署、移动端部署。一般会分为以下几个阶段《Python人工智能技术与应用》任务三调研分析人工智能技术在智能驾驶汽车中的应用NEXT：《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三调研分析人工智能技术在智能驾驶汽车中的应用TaskImport任务导入

某互联网科技公司的打算寻找传统汽车制造厂商合作开发无人驾驶汽车。你作为该公司的市场方案人员，需要向传统汽车制造厂商介绍人工智能技术如何为传统汽车赋能。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工智能技术在自动驾驶技术中的应用。了解人工智能技术在智能座舱应用场景中的作用。了解人工智能技术在智能汽车维护和管理中的应用。技能目标能够列举3条以上人工智能在自动驾驶的应用场景。能够区分人工智能在自动驾驶中的不同层面的应用，培养逻辑分析思维能力。新

授人工智能技术在自动驾驶技术中的应用01CONTENTS目录人工智能技术在智能座舱应用场景中的应用02人工智能技术在智能汽车维护与管理中的应用03人工智能技术在自动驾驶技术中的应用01自动车道控制ALC实现技术20世纪90年代，当时美国国家公路交通安全管理局（NHTSA）的研究人员开始使用机器视觉技术来研究自动驾驶。他们开发了一种名为“自动车道控制”（ALC）的系统。该系统可以检测车辆前方的路况，并自动控制车辆的转向、加速和减速。此外，研究人员还利用机器学习技术来研究自动驾驶，以实现自动化的驾驶行为。配置“自动车道控制”（ALC）系统功能显示01技术融合：人工智能应用于汽车自动驾驶，主要是将计算机视觉和机器学习与GPS定位技术、传感器技术、大数据技术等进行有机融合。深度学习：获取大量的地图数据、行车轨迹数据、驾驶行为数据、场景数据等，并进行深度学习。决策控制：制定精确的汽车路径规划和驾驶行为决策，实现汽车的自感知、自学习、自适应和自控制，实现对汽车的自动化、智能化控制。人工智能应用于汽车自动驾驶人工智能技术在自动驾驶技术中的应用人工智能技术在自动驾驶技术中的应用01（一）感知技术汽车自动驾驶通过人工智能的环境感知功能，实现对汽车驾驶环境的全面、高效、无死角、无时差的感知，提供更加正确、精确、安全的驾驶轨迹预测和建议，从而提升驾驶安全性。利用传感器、激光雷达、摄像头、定位技术等对交通灯、交通标志、车道线、动态物体、车道轨迹、汽车定位等进行即时的检测、识别和跟踪。即时地检测、识别和跟踪0