大数据和人工智能1技术简介45min

人工智能技术简介什么是人工智能人工智能的发展史人工智能与机器学习人工智能的应用领域应用案例介绍什么是人工智能百度一下什么是智能感觉记忆思维智慧语言行为智能语言智能数字逻辑智能空间智能身体运动智能自我认知智能人际智能音乐智能什么是智能智能理解分析解决问题的能力自适应环境而生存发展的能力归纳推理能力和演绎推理能力个体对客观事物进行合理分析，判断及有目的地行动有效地处理周围环境事宜的综合能力智能的一般性定义：智能包括的能力：什么是智能思维理论知识阈值理论进化理论思维知识……创造行动知识储备智能决定在动态环境中的行走能力对外界事物的感知能力维持生命和繁衍生息的能力控制取代表示取消概念、模型及显示表示的知识否定抽象，强调分层结构本质能力机器人自然语言处理语言识别图像识别什么是人工智能研究模拟延伸扩展理论方法技术应用系统研究范畴：定义：什么是人工智能人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。——约翰·麦卡锡弱人工智能强人工智能不可能制造出能真正地推理和解决问题的智能机器看起来像是智能的；并不拥有智能也不会有自主意识可以认为是机器智能的一个早期时代能制造出真正能推理和解决问题的智能机器有知觉的，有自我意识可以认为是机器智能的一个后期时代什么是人工智能当前弱人工智能强人工智能超人工智能智能爆炸图灵测试图灵（1912-1254）英国数学家、逻辑学家；被称为“计算机之父”、“人工智能之父”。图灵测试：确定机器是否具备智能的测试图灵测试：即一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答，如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么，就可以认为这个计算机具有同人相当的智力，即这台计算机是能思维的。人工智能的发展史百度一下人工智能的发展史-诞生期1941194919521955理论计算机科学的发展促使人工智能的诞生电子计算机出现Newell和Simon制作了第一个AI程序“逻辑专家”NorbertWinter基于反馈理论制成自动控温器JohnMccaont参加达特茅斯学术研究会，正式提出“人工智能”1956人工智能的发展史-发展期1958年，JohnMccaont发明LISP语言。1965年，麻省理工学院丹尼·巴洛设计运用计算机开发代数词汇程序。1969年，斯坦福大学研制出Shaky—一种集运动、理解和解决问题能力与一身的机器人。1979年，第一台电脑控制的自行行走器“斯坦福车”人工智能的发展史-发展期1997年，IBM（国际商用机械公司）制造的电脑“深蓝”击败了国际象棋冠军加里·卡斯帕罗夫。

2001年，IBM“沃森”在智力竞赛《危险边缘》战胜肯·詹宁斯（该游戏的连任冠军）2016年，谷歌围棋人工智能AlphaGo，总比分4:1战胜围棋冠军李世石搜索引擎推荐系统语音输入指纹识别人脸识别无人驾驶人工智能的发展史-应用期人工智能与机器学习百度一下机器感知-语音识别

语音识别语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术

语音聊天游戏中语音转文字语音输入语音识别技术特征提取技术模式匹配准则模型训练技术机器感知-文字识别

文字识别依托领先的深度学习技术，提供了自然场景下整图文字检测、定位、识别等功能别等功能拍照取词实时识别文字识别应用领域阅读、翻译、文献资料的检索信件和包裹的分拣大量统计报表和卡片的汇总与分析

人脸识别基于智能人脸分析算法，提供人脸检测、人脸识别、关键点定位、属性识别和活体检测等一整套技术方案。机器感知-人脸识别语音聊天语音转文字语音输入自动美颜人像归类主要用途：身份识别快速人脸检测技术从监控视频图象中实时查找人脸与人脸数据库进行实时比对实现快速身份识别机器学习机器学习研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。是人工智能的核心，是使计算机具有智能的根本途径；应用遍及人工智能的各个领域。机器学习监督学习分类回归分析排序学习匹配学习非监督学习聚类分析强化学习监督学习监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。非监督学习在机器学习，无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是未标记的，因此没有错误或报酬信号来评估潜在的解决方案。强化学习（RLS）所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。机器学习深度学习深度学习是机器学习研究中的一个新的领域其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。其源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。卷积神经网络（CNN）卷积神经网络是一种前馈神经网络，对于大型图像处理有出色表现。它包括卷积层和池化层。CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。循环神经网络(RNN)循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如不分段的手写识别、语音识别等。长短时记忆模型（LSTM）LSTM是一种时间递归神经网络，LSTM适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。机器学习-分类贝叶斯分类器贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。逻辑回归利用已知的自变量来预测一个离散型因变量的值（像二进制值0/1，是/否，真/假）。简单来说，它就是通过拟合一个逻辑函数（logit-fuction）来预测一个事件发生的概率。K-近邻算法该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。支持向量机支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。分类问题通常情况下，数据集有N个训练对象x1，…，xn对于每个对象，我们还提供了一个标签tn

描述对象n属于哪个类别。

tn通常取整数值。每个对象都是一个D维向量。我们的目标：对于给定的对象xnew,预测他的类别tnew。机器学习-聚类分析聚类问题聚类分析的目标是，创建满足处于同一组内的对象相似，不同组内对象相异的对象分组。K-均值算法算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。混合模型统计混合学将每个类表示为一个概率密度，这种归纳引出了一个强大的方法，我们可以在几乎任何类型的数据集中医各种图形来建模聚类。机器学习-回归分析回归分析回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。最小二乘法它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最大似然法算法思想：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。单元回归多元回归机器学习-主题模型主题模型在主题模型中，主题表示一个概念、一个方面，表现为一系列相关的单词，是这些单词的条件概率。形象来说，主题就是一个桶，里面装了出现概率较高的单词，这些单词与这个主题有很强的相关性。LDA(LatentDirichletAllocation)LDA是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。LDA是一种非监督机器学习技术，可以用来识别大规模文档集（documentcollection）或语料库（corpus）中潜藏的主题信息。它采用了词袋（bagofwords）的方法，这种方法将每一篇文档视为一个词频向量，从而将文本信息转化为了易于建模的数字信息。机器学习-推荐算法推荐算法所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。推荐算法主要分为6种：基于内容推荐基于协同推荐基于关联规则推荐基于效用推荐基于知识推荐组合推荐基于用户的协同过滤推荐基于内容推荐理论依据主要来自于信息检索和信息过滤，所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。分为启发式的方法和基于模型的方法。基于协同推荐协同过滤算法主要是通过对未评分项进行评分预测来实现的。主要分为基于用户的协同过滤、基于项的协同过滤。基于关联规则推荐以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。基于知识推荐基于知识的推荐在某种程度是可以看成是一种推理技术，它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因它们所用的功能知识不同而有明显区别。预备知识-PythonPython是一种面向对象的解释型动态数据类型的计算机程序设计语言，语法简洁清晰，也被称为胶水语言，可移植性比较好，并且具有庞大的标准库。ipythoneclipse+pydevpycharm常用的PythonIDE:spyder预备知识-Python变量Python变量无需声明变量类型，直接赋值即可使用。声明变量：Myvarl=‘string’;Myvarl=0;变量的赋值如果一行写不下，需要用“\”作为续行符。变量引用：如果变量未赋值，引用会出错。若赋值后引用，如:>>>x=1>>>x1变量可以一次赋多值：>>>v=('a','b','e')>>>(x,y,z)=v>>>x‘a’>>>y‘b’>>>z‘e’v是一个三元素的tuple并且(x,y,z)是一个三变量的tuple。预备知识-Python容器Python中常见的数据结构可以统称为容器（container）。序列（如列表和元组）、映射（如字典）以及集合（set）是三类主要的容器。长度可变元素可添加、删除以[]开头和结尾List=[‘hello’,‘world’]Tuple=(‘hello’,‘world’)一经初始化，不可修改长度不可变以()开头和结尾Dict={‘key’:‘value’}元素可添加、删除长度可变以{}开头和结尾；以‘key’为键，以‘value’为值Set=[(‘hello’,‘world’)]元素可添加、删除；去重长度可变以[()]开头和结尾预备知识-Python缩进格式在C语言中有花括号来表示一个语句块。与其他语言不一样，Python没有使用花括号或者其他开始和结束的定界符来表示一个语句块。

缩进是Python表示语句块的唯一方法。一个语句块中的所有语句必须使用相同的缩进，表示一个连续的逻辑行序列。源文件的第一行不需要缩进中文编码注释函数定义以缩进表示函数体整个源文件缩进统一用4个空格或一个制表符，不能混用预备知识-Python函数在Python中，函数定义的基本形式如下：deffunction(params): block returnexpression/value以缩进表示函数体结束。‘’def‘’关键字进行函数的定义函数名（参数）：缩进表示函数体“return”语句可选，表示函数调用结束。如果没有，自动返回None预备知识-Python程序注释python中的注释有多种，有单行注释，多行注释，批量注释，中文注释也是常用的。多行注释多行注释是用三引号'''

'''包含的单行注释井号(#)常被用作单行注释符号，在代码中使用#时，它右边的任何数据都会被忽略中文注释源代码中如有