人工智能基础与应用课件 项目2 认知人工智能的基础支撑

项目2认知人工智能的基础支撑任务1任务2任务3认识数据——人工智能的燃料认识算法——人工智能的灵魂认识算力——人工智能的加速器目录任务1认识数据——人工智能的燃料学习目标掌握数据的含义、特点和类型理解数据在人工智能应用中的作用和价值能够从互联网中采集数据，并对数据进行初步的处理和分析具备数据意识和数据素养具备对人工智能技术的学习兴趣和探索精神知识目标能力目标素养目标一、认识数据1.数据的定义与特点数据是用来描述或记录世界上一切事物的事实、数字或信息。数据的特点：①原始性②多样性③可测量性④可能存在的不完整性一、认识数据1.数据的类型①结构化数据：是指具有明确的结构模式，可以使用关系型数据库进行表示、存储和管理的数据。②非结构化数据：是指那些没有预定义的数据模型，结构不规则或不完整，难以通过传统关系型数据库的二维表形式存储和管理的数据。③半结构化数据：是指介于结构化数据与非结构化数据之间的数据形式。二、数据对人工智能的作用1.数据是人工智能的“燃料”2.数据驱动模型的学习与优化3.数据支持模型的验证与评估4.数据推动人工智能应用拓展与技术创新三、处理与应用数据1.数据采集数据采集，又称数据获取，是指从各类数据库、机器设备、传感器等多样化数据源中自动提取信息的过程，是人工智能项目的起点。2.数据存储数据存储是支撑数据处理与应用的基础，尤其在大数据和人工智能蓬勃发展的当下，其作用在于实现海量数据的高效存储、管理和访问。①数据库存储技术②分布式存储技术③云存储技术④对象存储技术三、处理与应用数据3.数据预处理①数据清洗：数据处理的首要步骤，旨在消除数据中的错误、重复项和缺失值，确保数据的准确性和完整性。②数据集成：将来自不同渠道的数据进行合并和统一处理的过程。③数据转换：将数据转化为适合分析和建模的格式。④数据降维：数据预备处理中的一项重要技术。数据的维度是指数据在不同方面上的独立特征数。降维技术能够帮助用户从高维数据中提取最具代表性的特征，减少数据的复杂性，从而提高模型的效率与效果。⑤数据标注：为数据添加标签或类别信息，以帮助人工智能理解数据的具体含义，是监督学习中的关键环节。三、处理与应用数据4.数据分析数据分析是从处理过的数据中提取有意义信息的过程，其核心目的是发现数据中的规律和模式，为决策提供科学依据。5.数据应用与智能化（1）预测与决策（2）模式识别与分类（3）优化与自动化（4）个性化与推荐四、大数据技术1.大数据处理技术大数据的处理不仅要求处理速度快，还需要能够高效地处理多种数据类型。2.大数据分析技术大数据分析技术能够从海量数据中提取出有价值的信息，为决策者提供有力支持，帮助他们做出更好的选择。数据挖掘就是其中的核心技术之一。3.大数据可视化技术大数据可视化技术将复杂的数据转化为易于理解的图形、图表等形式，帮助决策者更直观地理解数据背后的深层含义。4.大数据安全技术任务2认识算法——人工智能的灵魂学习目标理解人工智能算法的定义、特点及其重要性掌握常见的人工智能算法类型及其应用场景了解人工智能算法的发展现状和未来趋势能够识别应用场景中的常见人工智能算法，并对这些算法的应用情况进行简要分析具备算法思维、创新意识和问题解决能力具备对人工智能技术的学习兴趣和探索精神知识目标能力目标素养目标一、认识人工智能算法1.人工智能算法的定义人工智能算法是指用于实现人工智能功能的算法，是人工智能技术的核心组成部分。它体现为一系列指令和步骤的集合，用于解决特定问题或实现特定目标。2.人工智能算法的特点（1）适应性强（2）处理复杂问题（3）高精度与高速度（4）自动化处理（5）持续学习与优化（6）跨学科融合一、认识人工智能算法3.人工智能算法与传统算法的区别传统算法通常针对具体问题设计，如排序、搜索、数值计算等。它们依赖于明确的规则和逻辑来处理结构化数据，强调精确性和效率。而人工智能算法则具有更强的灵活性和自适应性，能够处理复杂、不确定和非结构化的数据。它们依赖于机器学习、深度学习、强化学习等技术，通过训练和优化来改进性能。两者的具体区别，如表2.2.1所示。4.人工智能算法的重要性①推动技术进步。②

促进产业升级。③引领未来趋势。二、了解人工智能常见的算法类型1.监督学习算法（1）线性回归线性回归（LinearRefression）是一种非常基础且常用的算法，也是数据挖掘和统计学中的一个非常重要的方法。它利用线性回归方程对一个或多个自变量（X）和因变量（Y）之间的关系进行建模。（2）逻辑回归逻辑回归（LogisticRegression）是一种用于解决二分类问题的监督学习算法，通常用于预测某个事件发生的概率，判断输入数据属于两个类别中的哪一个。（3）支持向量机支持向量机（SupportVectorMachine,SVM）也是一种强大的分类算法。它的核心思想是在数据空间中找到一个最优的分类超平面，将不同类别的数据分开。二、了解人工智能常见的算法类型2.无监督算法（1）聚类算法聚类算法的目标是将数据集中的样本依据某种相似性度量分成若干个簇，使得同一簇内的样本尽可能相似，而不同簇之间的样本差异尽可能大。（2）关联规则挖掘算法关联规则挖掘（AssociationRuleMining）是数据挖掘中的一项重要技术，旨在从大量数据中发现隐藏的关联关系。（3）降维算法主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的降维算法。它通过识别数据中变化最大的方向（即主成分），并将数据投影到这些主成分上，从而实现数据的降维。二、了解人工智能常见的算法类型3.强化学习算法（1）Q学习Q学习是一种无模型的强化学习算法，它通过学习一个被称为Q值（或动作值）的函数来找到最优策略。（2）深度Q网络DQN是在Q学习的基础上发展而来的，它就像是给Q学习装上了一个超级大脑。二、了解人工智能常见的算法类型4.深度学习算法（1）卷积神经网络卷积神经网络是一种专门用来处理具有网格状拓扑结构数据（如图像）的深度学习算法。它通过卷积层、池化层和全连接层等结构，自动提取图像中的特征，并进行分类或回归等任务。（2）循环神经网络循环神经网络是一种专门用于处理序列数据（如时间序列、文本序列等）的深度学习算法。RNN在处理序列中的每个元素时，能够保留之前元素的信息，这使得RNN能够捕捉序列数据中的时间依赖性和上下文信息。（3）生成对抗网络生成对抗网络通过对抗训练的方式，使生成器能够生成逼真的数据样本，如图像、文本和音频等。任务3认识算力——人工智能的加速器学习目标理解算力的定义、类型及其在人工智能中的核心地位了解算力的基础技术能够根据任务需求选择合适的算力平台能够初步评估常见设备的算力具备算力意识和工程素养具备对人工智能技术的学习兴趣和探索精神知识目标能力目标素养目标一、认识算力1.算力的定义算力是指计算机执行计算、处理信息和解决问题的能力。在人工智能领域，算力特指在执行人工智能算法、训练模型、进行推理分析等过程中所需的计算资源总和。一、认识算力2.算力的类型（1）通用算力与专用算力①通用算力：指能够处理多种类型计算任务的算力资源，通常由通用处理器提供，如CPU、GPU等。②专用算力：指针对特定类型计算任务进行优化的算力资源，通常由专用处理器提供，如TPU等。一、认识算力2.算力的类型（2）集中式算力与分布式算力①集中式算力：将所有计算任务集中在一台或少数几台高性能计算机上处理，如图2.3.1（a）所示。②分布式算力：将计算任务拆分并分配到多个计算节点上进行并行计算的模式，如图2.3.1（b）所示。一、认识算力2.算力的类型（3）云端算力与边缘算力①云端算力：依托于大型数据中心，为用户提供强大的计算能力和存储资源。②边缘算力：将计算任务从远程云端数据中心转移到更接近数据源的本地设备或边缘服务器上。二、了解算力的基础技术1.硬件基础硬件是支撑人工智能计算的物理载体，其核心构成包含四大模块：计算单元、存储设备、传输组件和能源系统。2.网络技术在算力基础技术中，网络技术扮演着至关重要的角色。它不仅连接着各个计算节点，确保数据的流畅传输，还是实现分布式计算、云计算和边缘计算等先进计算模式的基础。3.开发框架开发框架是一种为开发者提供预定义功能模块和代码库的软件工具包。它在人工智能和大规模计算中扮演着重要的角色，特别是在支持算力方面。三、理解算力在人工智能中的应用1.模型训练（1）大规模模型训练大规模模型训练对算力的需求和挑战是多方面的，涵盖了硬件、存储、计算资源调度、能源消耗等多个领域。（2）分布式训练分布式训练方法利用多个计算节点共同完成模型的训练。分布式训练主要有两种常见的方式：数据并行和模型并行。它们各有特点，适用于不同的场景。2.推理与部署在人工智能的世界里，模型就像一个聪明的“大脑”，通过学习大量的数据来获得解决问题的能力。但如