人工智能导论-项目2- 人工智能基础

人工智能导论项目二从零开始认识人工智能01项目背景02思维导图03思政聚焦04项目相关知识05目录CONTENTS项目小结与展望01项目背景人工智能典型应用场景–人脸识别人脸识别（FaceRecognition）是人工智能技术的典型应用，已经广泛进入了我们的生活与工作，使得人脸成为了随身必携的“移动身份证”，在我们日常工作和生活中扮演着重要的作用：当我们拿起智能手机或者打开笔记本，人脸识别技术自动为我们解锁；当我们登录网银或者通过APP办理各种证明时，人脸识别可以为我们省去输入个人信息等繁琐步骤；当我们进入校园、大楼、海关时，人工智能能够准确的识别我们的身份；当我们拿起手机或者相机拍照，人脸定位等技术辅助我们拍摄出更美的图像和视频；当我们保存了大量图像和视频，需要快速找到我们的照片时，还可以求助人脸识别为我们检索图像和视频。人工智能的处理对象–数据在人脸识别技术中，人的脸部特征是人工智能技术工作的依据。人类除了脸部特征，人类还有声音、指纹、视网膜、动作、姿态、脑波信号等生物特征，均可作为人工智能处理的对象。除了人类生物特征，各种动植物、物体也拥有各自独特的特征，甚至各类大数据中也存在着一定的特征和模式，这些特征都可以作为人工智能的处理对象。人工智能的工作原理、数据的处理流程和处理目标都极具有极高的相似性。02思维导图项目二思维导图03课程思政关于人工智能伦理问题的启发通过对人工智能伦理问题的讨论，同学们不难发现任何事物都具有两面性，需要同学们发挥辩证思维对待每一个问题，从而能够客观、理性的看待问题和解决问题，在复杂的问题中找到科学的解决方案，保持发展人工智能技术的初心，让人工智能成为人类改造世界的好帮手。关于创新思维人工智能是多学科交叉发展的产物，在其发展过程中充满了人类创新的结晶。同学们在学习和工作过程中，可以不断借鉴人工智能发展的经验，采用创新的视角和人工智能的技术解决传统产业升级中面临的各种问题。关于工匠精神人工智能技术的特点是获取大量数据对模型进行训练，实现模型参数调优，最终获得好的算法模型。同学们在学习过程和将来的工作过程中也应该发挥这种工匠精神，对工作、对责任不畏困难、精益求精。04项目相关知识2.1.1AI的概念–人工智能是什么目前，认可度较高的一种观点认为，人工智能是计算机科学的一个分支，是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能涉及到计算机科学、数学、认知科学、哲学、心理学、信息论、控制论、社会结构学等的众多学科内容。人工智能学科的基本思想和基本内容：人工智能研究的是人类智能活动的规律，研究如何让计算机去完成以往需要人的智能才能胜任的工作，从而构造具有一定智能的人工系统，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。AI的概念–什么是智能智能是指个体对客观事物进行感知、分析、判断以及有目的地行动和有效地处理周围环境事宜的综合能力。作为人类各项能力的模拟和扩展，人工智能在“体力”、“感知能力”和“智力”三个领域发展迅速，在部分领域甚至已经远超人类，这种趋势在将来将会愈演愈烈。2.1.2AI的三种形态：智能分强弱人类智能水平2.1.3AI技术四要素：一个都不能少2.1.4AI技术体系：基础很重要2.2AI的主要表现形式人工智能以知识为研究中心，涉及到知识的获取、表示、处理、分析和使用五个主要环节。人工智能中的“智能”体现在上述每一个环节，要求AI具备五个方面的智能：知识表示、机器感知、机器思维、机器学习与机器行为。2.2.1知识表示知识经过一定的表示，才能把知识存储到计算机中，供求解问题使用。知识表示方法可分为两大类：符号表示法和连接机制表示法。2.2.2机器感知：认识和感知世界机器感知就是使计算机具有类似于人的感知能力，从而模拟、延伸和扩展人从外界获取信息的能力，如视觉、音频（即听觉）、语音、自然语言等。机器感知是机器获取外部信息的基本途径，是实现机器智能化不可或缺的组成部分。人工智能中已经形成了两个专门的机器感知研究领域：模式识别、自然语言理解。2.2.3机器思维：让机器可以自动推理与搜索机器思维是指对通过感知得来的外部信息以及机器内部生产的各种工作信息进行有目的的处理，是人工智能研究中最重要也是最为关键的研究内容。机器思维使得计算机能够模拟人类的思维活动，既可以进行逻辑思维，又可以进行形象思维。2.2.4机器学习：自主学习、自我完善的能力机器学习是指在一定的知识表示框架下获取新知识的过程，主要研究如何使计算机具有类似于人的学习能力，从而使AI能够像人一样通过学习自动地获取知识，并在实践中不断地完善和提高自我。常见的机器学习方法有回归分析、分类、推荐、计划、优化和模式识别2.2.5机器行为：影响世界的能力机器行为主要是指计算机的表达能力，包括说、写、画等能力。对于智能机器人来说，它还应具有人的四肢功能，即能走路、能取物、能操作等。2.3AI的典型任务人工智能的应用场景极其广泛，小到智能灯、刷脸、空调温度自动调控，大到无人驾驶、载人航天、马斯克的火箭自动回收等。每个应用场景都涉及到AI的三个基本问题：做什么、学什么以及怎么学。2.3.1回归（Regression）回归是一种针对数值型连续数据进行预测和建模的有监督学习算法。回归任务的特点是需要标注的数据集，其任务输入数据是连续性数据，并且任务目标也是连续型数值。也就是说，每一个观察样本都有一个数值型的标注真值。典型的回归算法有线性回归、多项式回归、逻辑回归、Ridge回归、Lasso回归等。2.3.2分类（Classification）分类就是给数据贴标签的过程，要求尽肯能为不同类别数据贴上正确的类别标签。人工智能的分类任务的目标就是让机器通过经验学习从而具有正确贴标签的能力。从数学角度来看，分类是一种对离散型随机变量建模或进行预测的一种有监督学习算法。与回归算法不同的是，分类算法通常适用于预测一个类别（或类别的概率）而不是连续的数值。2.3.3聚类（Clustering）聚类就是给相似的或相近的数据划分到同一类别，把不相似或者不相近的数据划分到不同类别，聚类一般不需要预先给数据打标签。从技术上来讲，聚类是一种无监督学习任务，该算法基于数据的内部结构寻找观察样本的自然族群（即集群）。聚类常被用作分类算法的数据预处理步骤，用于处理缺少标签的数据。通过聚类分析，可以获得数据分布的基本概况，从而有助于提高分类算法的效率有效性。2.4AI基础技术2.4.1机器学习（MachineLearning,ML）在实际应用中，机器学习可以理解为一种数据科学技术，通过算法帮助计算机从现有的数据中学习、获得规则，从而预测未来的行为、结果和趋势（图2-13）。机器学习的特点是只能解决存在过的能够提供经验数据的场景、而不能解决未遇见过的问题或场景，所以属于弱人工智能范畴。机器学习是人工智能的核心技术和实现手段。简单来说，机器学习就是让计算机具有学习的能力，从而使得计算机能够模拟人的行为。2.机器学习的基本原理机器学习一般包括三个步骤：一是收集历史数据，二是通过算法学习获得分布模式，三是应用模型处理新数据从而预测未来。其中，步骤二是机器学习研究的重点，学习的过程就是根据数据确定模型参数的过程。因此，机器“学习”的过程可以简化为寻找一个函数的过程，学习的结果也就是一个确定了参数的数学函数。机器学习算法分类分类

算法任务目标学习方式分类聚类回归降维有监督无监督半监督强化学习回归算法√

√

√

K近邻（KNN）√

√

k-Means

√

√

决策树√

√

√

贝叶斯方法√

√

√

核方法:SVM/RBF/LDA√

√

√

期望最大化（EM）√

√

√√

神经网络√√

√√

深度学习√√

√√

主成份分析（PCA）

√

√

图论推理算法√

√

√

拉普拉斯SVM√

√

√

Q-Learning√√√

√时间差学习√√√

√机器学习算法众多，不同视角有不同的分类方式，这里主要介绍学习任务和学习方式两种视角。根据学习任务的不同，可以把人工智能算法分为分类、聚类、回归以及降维四种类别。降维是数据预处理的一种方法，其作用是降低计算量，服务于回归、聚类和分类三种任务。根据学习方式的不同，机器学习算法可以分为有监督学习、无监督学习、半监督学习和强化学习。2.4.2人工神经网络（ArtificialNeutralNetwork,ANN）人工神经网络是一种模拟生物神经系统结构和功能的计算网络，因而生物神经网络是人工神经网络的技术原型。人类大脑皮层由大约140亿个生物神经元（简称神经元）组成，每个神经元又与大约103个其它神经元相连接，形成一个高度复杂又高度灵活的不断变化的动态网络。生物神经元神经元以细胞核为中心，细胞核外有树突与轴突，树突接收其他神经元的脉冲信号，而轴突将神经元的输出脉冲传递给其他神经元，一个神经元传递给不同神经元的输出是相同的。一个神经元的状态有两种：非激活和激活，非激活状态的神经元不输出电脉冲，而激活状态的神经元会输出电脉冲。神经元的激活与否由其接收的所有脉冲信号决定。一个神经元可以描述为一个处理电脉冲信号的非线性单元，该单元能够接受来自多个其他神经元的电脉冲，对接收到的电信号进行一定的处理，能够决定是否发射电脉冲信号。人工神经元1943年，神经科学家麦卡洛克和数学家皮兹联手，根据生物神经元细胞的结构和工作原理，构造并提出了神经网络的数学模型MCP（McCulloch-Pitt：MCP），从而形成了“模拟大脑”、开启了人工神经网络（一般简称神经网络）的大门。人工神经元（又称感知器）结构如图2-17所示，其工作过程分为三个数学过程：对输入信号进行线性加权，加权后求和，以及采用一定阈值实现输出信号的激活。由于输出信号采用了阈值激活函数，人工神经元实现了非线性信号处理。神经网络的拓扑结构与学习过程典型的神经网络由一个输入层、至少一个隐含层和一个输出层组成（图2-18），每层网络由多个神经元构成，层与层之间一般采用全连接，神经元之间的连接强度ω表示神经元之间联系的紧密程度。神经网络的模型众多，不同模型具有不同的网络结构，形成了不同的神经网络算法。值得注意的是，深度学习网络（如DBN、DCN、GAN、DRN等）也属于神经网络。与非深度神经网络相比，深度学习网络框架的层数往往较多、计算量巨大。神经网络技术发展历程深度学习（DeepLearning,DL）深度学习只是机器学习中的一个研究分支，是神经元层数较多的神经网络，因此深度学习网络也被称为深度神经网络。大家耳熟能详的深度学习网络有很多，比如卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），深度强化学习（DRL）等。一般来说，其隐藏层的层数依具体问题可以是几层、几十层、几百层甚至数千层。2.4.4强化学习（ReinforcementLearning,RL）强化学习是机器学习领域的一个分支，强调如何基于环境而行动，以取得最大化的预期利益。强化学习的学习方式是在获得样例过程中进行探索性学习（图2-21），在获得样例之后根据环境反馈的奖赏和状态更新自己的模型，利用更新后的模型来指导下一步的行动，下一步的行动获得奖赏反馈之后再更新模型，不断迭代重复直到模型收敛。可以认为强化学习是一套通用的学习框架，可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法，在无人驾驶、工业自动化、金融贸易、自然语言处理、以及游戏等领域具有广泛的应用。强化学习的典型应用有AlphaGoZero、基于RL的医疗保健动态治疗方案（DTRs）、京东和阿里的产品推荐和广告出价、新闻推荐等。2.5AI的应用领域–产业链分布中国人工智能产业分布国际一流发展迅速有待加强2.5AI典型应用领域

1.计算机视觉（ComputerVision，CV）：CV让机器“看的见、看得懂”，是人工智能主要应用领域之一。我国在机器视觉方面处于世界领先地位。2.智能语音：主要为机器人加上耳朵和嘴巴，让机器人能够“听得懂”、并且“说得好听”。3.自然语言处理（NaturalLanguageProcessing,NLP）：NLP被用于分析、理解和生成自然语言，以方便人和计算机设备进行交流、以及人与人之间的交流。2.5AI的应用领域

4.无人驾驶：通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶车辆、船舶、飞机等各种运输设备。5.数据挖掘（DataMining），通过对海量数据的整理分析和归纳整合，分析并找出数据之间的潜在联系，为做出理想决策或预测发展趋势提供支撑性材料和建议，实现从海量数据中提取用于辅助决策的潜在的信息、知识、规律和模式。2.6人工智能伦理（EthicsofAI）“科学技术都是一把双刃剑”。伴随着人工智能技术的成熟和广泛应用，人与机器之间的矛盾凸显，人工智能的伦理问题引起了社会和各行各业的日益关注。人类对待AI出现了不同的观点，在科幻电影甚至传统媒体中均有体现。AI在军事上的应用军用智能机器的性能和杀伤力远超人类士兵，无疑引起了人类对未来的担忧、以及对自主武器的争论，目前争论的核心是“自主武器该不该被使用”。2.6.2AI伦理问题的解决方法阿西莫夫三定律：（1）机器人不得伤害人类，或因不作为使人类受到伤害。（2）除非违背第一定律，机器人必须服从人类的命令。（3）除非违背第一及第二定律，机器人必须保护自己。阿西莫夫第零定律：（0）机器人不得伤害人类整体，或因不作为使人类整体受到伤害。尽管阿西莫夫三定律被广为人知，但由于其可行性受到质疑，在现实中无论是AI安全研究者还是机器伦理学家，都没有真的使用它作为指导方案。2.6.2AI伦理问题的解决方法人工智能的伦理问题仍需人类的统一意