AIGC与人工智能应用 课件 项目2 人工智能技术

项目2人工智能技术CONTENTS目录01任务2.1机器学习02任务2.2深度学习03任务2.3计算机视觉技术04任务2.4自然语言处理技术【项目导读】人工智能的影响力生活变革人工智能如同一股强大的浪潮，深刻改变了我们的生活。例如智能家居系统，用户可以通过语音指令控制家电设备，实现自动化场景设置，极大提升了生活的便利性和舒适度。工作转型在工作领域，人工智能推动了工作方式的转型。许多重复性、规律性的工作被自动化完成，如客服领域的智能聊天机器人，能快速准确地回答客户问题，提高了工作效率。思维拓展人工智能也拓展了我们的思维方式。它让我们能够处理和分析海量的数据，从数据中发现潜在的规律和趋势，为决策提供更科学的依据，促使我们以更宏观和深入的视角看待问题。探究技术原理的必要性尽管我们享受着人工智能带来的便利，但真正了解其背后复杂技术原理的人却寥寥无几。深入探究技术原理，有助于我们更好地利用人工智能，应对可能出现的问题，推动其健康发展。【学习目标】理解技术概念原理要理解机器学习、深度学习、计算机视觉技术和自然语言处理技术的基本概念和原理，掌握这些技术的定义、分类、常用算法及其应用，为后续的学习和实践打下坚实的理论基础。了解应用案例及影响了解人工智能技术在金融、医疗、工业、交通、教育等领域的应用案例和影响，认识到人工智能在不同行业的巨大潜力和价值，以及它对社会发展的推动作用。认识伦理社会问题认识人工智能技术在社会发展中的作用和影响，包括其潜在的伦理和社会问题，如隐私保护、算法偏见、自动化对就业的影响等，培养全面、辩证看待人工智能的能力。技能与思政目标技能目标能够列举和解释不同类型的机器学习算法，解释深度学习模型的工作原理，识别和解释计算机视觉技术在不同场景下的应用，描述自然语言处理技术在文本分析、语音识别等领域的应用，提升实际操作和应用能力。思政目标-培养科学兴趣培养学生对人工智能技术的科学兴趣和探索精神，激发学生对前沿科技的学习热情，鼓励学生积极投身于人工智能领域的研究和创新。思政目标-增强伦理意识培养学生的伦理意识，使其认识到人工智能技术可能带来的伦理问题，并探讨相应的解决方案，引导学生在技术发展中坚持人文关怀和社会责任感。思政目标-强化创新实践强化学生的创新意识和实践能力，鼓励学生将所学知识应用于实际问题解决中，为社会创造价值，培养具有创新精神和实践能力的高素质人才。机器学习任务2.1一、机器学习的定义：1.核心要素经典定义计算机科学家汤姆·米切尔在《机器学习》中给出定义：对于某类任务（T）和性能度量（P），若计算机程序在T上的性能（由P衡量）随经验（E）增加而自我完善，则称该程序正从经验E中学习。

核心要素机器学习有三个核心要素，任务（T）界定问题边界和目标，如判断邮件是否为垃圾邮件；经验（E）是学习的数据，形式多样；性能度量（P）评估系统完成任务的表现，不同任务有不同度量标准。要素关系这三个要素构成学习系统，系统执行任务T，从经验E获取信息，根据性能度量P的反馈调整自身，形成不断优化的闭环。机器学习核心要素循环流程一、机器学习的定义：2.垃圾邮件过滤示例（1）任务（T）体现垃圾邮件过滤器的任务是将接收到的电子邮件正确分类为“垃圾邮件”或“非垃圾邮件”。（2）经验（E）体现经验是包含大量已人工标注为“垃圾邮件”或“非垃圾邮件”的电子邮件数据库，是系统的学习样本。（3）性能（P）体现性能是系统正确分类邮件的比例，即分类准确率。如处理100封邮件，正确判断98封，性能P值就是98%。动态优化过程过滤程序分析大量已标注邮件，学习垃圾邮件和正常邮件的文本特征，随着处理邮件增多，识别准确率不断提高，更好完成邮件分类任务。“垃圾邮件过滤器”机器学习核心要素循环流程根据所使用的“经验”（即数据）的类型以及学习方式的不同，机器学习通常被划分为三大基本类别：监督学习、无监督学习和强化学习。表对这三类方法进行了总结对比。二、机器学习的分类二、机器学习的分类1.监督学习提供的“经验E”是带标签的训练数据，任务是学习从输入特征到输出标签的映射函数。包括分类（如垃圾邮件过滤）和回归（如预测房价）问题。2.无监督学习训练数据无标签，任务是从数据中发现隐藏结构、模式或内在关系。包括聚类（如客户分群）和降维（如PCA算法）。3.强化学习关注智能体在复杂、不确定环境中行动以最大化累计奖励，“经验E”是智能体与环境交互产生的状态、行动和奖励。典型应用有AlphaGo、自动驾驶等。三、机器学习的应用：1.金融领域（1）信用评估与风险预测金融机构用机器学习算法分析客户多维度数据构建信用评估模型，精准评估信用风险，还可预测金融市场风险，如预测股票价格波动。（2）欺诈检测通过分析交易特征识别异常交易行为，信用卡公司利用模型实时监控交易，保险行业用其识别虚假理赔，减少欺诈损失。（3）投资组合优化帮助投资者根据风险偏好、市场情况优化投资组合，分析历史数据预测资产未来表现，计算最优配置比例，还可预测市场走势，辅助制定投资策略。三、机器学习的应用：2.医疗健康领域（1）疾病诊断预测分析患者多维度数据，预测疾病发生风险和发展趋势，如通过电子病历数据预测心血管疾病等慢性病风险，帮助医生及时干预。（2）药物研发在药物研发初期，从海量化合物中筛选潜在药物候选分子，分析化合物特征预测活性和成药性，加速药物发现进程。（3）医疗资源管理医院通过分析患者就诊历史、季节和疾病流行趋势等数据，预测不同科室和时间段的患者流量，合理安排医护人员和病房资源，提高服务效率。三、机器学习的应用：3.工业制造领域（1）质量检测与控制机器学习用于自动化产品质量检测，分析图像、尺寸等数据识别缺陷，提高效率和准确性。如电子元件制造中检测划痕等。

（2）设备故障预测与维护机器学习分析设备运行数据预测故障风险，提前安排维护。如航空发动机中监测振动和温度数据避免停机。

（3）生产流程优化机器学习优化工艺参数，分析数据提升效率和质量。如化工生产中优化反应条件和原料配比。

对元件进行检测三、机器学习的应用：4.交通出行领域(1)交通流量预测与管理

机器学习预测交通流量变化趋势，分析数据识别拥堵规律，支持管理决策。如结合天气和节假日预测流量。

(2)自动驾驶

机器学习感知环境，分析传感器数据识别车辆、行人等，支持自动驾驶决策。

识别道路上的各种信息分析土地、土壤和气象数据，优化土地资源配置和利用，评估土地适宜性；用于农业水资源管理，制定合理灌溉计划，提高水资源利用效率。三、机器学习的应用：5.农业领域机器学习应用于农业三、机器学习的应用：6.教育领域（1）个性化学习机器学习根据学生学习进度、兴趣和风格，规划学习路径，分析数据识别优劣势，推荐资源提高效果。

（2）教育评估与反馈机器学习分析作业、成绩等多维数据，评估学习效果和能力，为教师提供客观参考，辅助教学调整。

（3）教育资源推荐机器学习基于学生需求和兴趣，推荐学习材料、课程等资源，提升学习效率。深度学习任务2.2一、深度学习的定义模拟人脑神经网络的核心思想深度学习核心思想源于对人脑神经网络的模拟，构建含多个处理层的复杂模型，学习数据从低级到高级的层级化特征表示。与传统机器学习相比，它表达和学习能力更强，能处理大规模高维数据。卷积神经网络识别猫的工作原理以识别猫为例，输入层接收猫的图像像素数据；隐藏层的浅层网络检测边缘等基础局部模式，中间层组合低级特征形成中级特征，深层网络将中级特征抽象为高级特征；输出层通过全连接层和Softmax函数输出猫的概率。深度学习和工机器学习、人工智能的关系

卷积神经网络（CNN）识别猫工作原理二、深度学习的常用算法1.卷积神经网络（CNN）适用于图像和视频处理，通过卷积操作捕捉局部特征。由输入层、卷积层、激活函数、池化层、全连接层组成，广泛用于图像识别、物体检测等领域。2.循环神经网络（RNN）处理序列数据，能捕捉时序依赖关系。但存在梯度消失或爆炸问题，为此有LSTM、GRU等变体，双向RNN及其变体在自然语言处理中表现优异。3.深度信念网络（DBN）可用于非监督和监督学习，由受限玻尔兹曼机（RBM）构成。RBM通过能量函数建模，用对比散度算法无监督训练，学习输入数据的隐含特征。

卷积神经网络结构

循环神经网络

DBN组成三、深度学习的应用：1.医疗健康领域（1）医学影像分析构建CNN和Transformer架构模型，自动提取医学影像特征。如肺癌筛查中检测肺结节并判断良恶性，糖尿病视网膜病变筛查中识别病变迹象。（2）疾病预测与诊断构建深度神经网络模型，学习患者多模态数据特征。如心血管疾病预测中综合多类数据评估风险，阿尔茨海默病诊断中辅助早期诊断。（3）药物研发构建深度神经网络模型，学习药物分子结构和活性特征。如新药研发中虚拟筛选分子，预测活性和毒性，缩短研发周期。三、深度学习的应用：2.金融领域（1）风险评估与信用评分构建深度神经网络模型，学习客户多维度数据特征。个人信贷审批中生成信用评分，企业信贷评估中评估违约风险。（2）欺诈检测构建深度神经网络模型，学习交易数据特征。信用卡交易监控中实时识别欺诈，保险理赔中分析申请真实性。（3）投资决策与市场预测构建深度神经网络模型，学习市场数据特征。股票市场预测中分析多类信息预测走势，辅助投资者决策和制定策略。三、深度学习的应用：3.交通出行领域（1）自动驾驶与辅助驾驶

深度学习通过CNN和RNN等模型感知车辆环境。自动驾驶中，实时识别交通标志等信息提供决策支持；辅助驾驶中，监测交通状况提供预警和建议。（2）交通流量预测与管理

深度学习通过RNN、LSTM和Transformer学习流量时空特征。城市交通中，预测拥堵支持信号控制；高速管理中，预测趋势优化疏导策略。（3）智能交通监控与管理

深度学习通过CNN和目标检测模型监控交通场景。城市监控中，实时监测信息识别违规记录车牌；高速监控中，识别事故拥堵提供数据支持。三、深度学习的应用：4.工业制造领域（1）质量检测与缺陷识别深度学习模型（如CNN和目标检测）自动检测产品质量。汽车制造中实时检测零部件缺陷（如划痕、裂纹），提升效率和质量；电子元件制造中识别微小缺陷，减少次品。（2）机器人视觉引导与定位深度学习模型处理视觉信息。焊接机器人中定位工件位置引导精确焊接；物流机器人中识别货物位置辅助搬运和存储。（3）智能装配与零部件识别深度学习模型自动识别和分类零部件。机械制造中分类螺钉、螺母等；汽车制造中定位零部件引导精确装配。检测汽车零部件的表面质物流机器人识别和搬运货物

机器人进行精确的装配操作三、深度学习的应用：5.教育领域（1）个性化学习深度学习模型学习学生数据和行为特征。在在线教育平台推荐课程和学习资源；在个性化学习系统制定学习路径。（2）智能辅导深度学习模型学习学生数据和问题解答情况。在智能辅导系统提供辅导和反馈；在在线学习平台提供学习建议。

三、深度学习的应用：6.智能家居与物联网领域（1）智能安防深度学习模型（CNN和目标检测）监测家庭环境并识别异常。在安防系统实时监测和报警；在门禁系统识别人脸控制门禁。

（2）智能家电控制深度学习模型学习语音和手势数据。在智能家居系统语音控制家电；在智能家电手势控制设备。三、深度学习的应用：7.娱乐和创意领域（1）图像与视频生成深度学习通过构建GAN和VAE等模型实现高质量图像视频生成，如在影视制作中生成特效图像视频，在游戏开发中生成逼真场景和角色。

（2）音乐创作深度学习通过RNN和Transformer模型生成高质量音乐，例如在音乐创作中生成特定风格作品，在音乐制作中辅助创作和编曲。

（3）游戏开发深度学习通过深度神经网络模型自动学习游戏数据特征，在开发中生成逼真场景角色，在测试中检测漏洞提升游戏品质和用户体验。计算机视觉技术任务2.3一、计算机视觉的定义概念阐释计算机视觉是人工智能核心分支，致力于让计算机从图像、视频中获取信息，实现类似人类的视觉感知，识别、跟踪、测量和解释三维世界。1.核心任务：从像素到语义计算机面对的图像是像素矩阵，核心任务是将其转化为语义信息。如将像素矩阵转化为“图片中有一只黄色的猫，它正坐在草地上”的描述，需克服光照、视角等变化带来的挑战。2.系统基本构成典型系统包含图像获取（通过摄像头等采集）、图像预处理（去噪、调整亮度等）、特征提取（传统或深度学习方法）、分析与决策（识别、检测等）、场景理解（分析物体关系）等环节。

计算机眼中的图像

计算机视觉系统的基本工作流程一、计算机视觉的定义与图像处理不同，计算机视觉是图像到信息的变换，而图像处理是图像到图像的变换；与计算机图形学相反，计算机图形学从模型生成图像，计算机视觉从图像提取模型。3.与相关领域的区别二、计算机视觉的核心技术1.图像处理是基础技术，包括预处理（灰度化、二值化等）、增强（对比度增强、锐化等）、分割（阈值分割、边缘检测等）、压缩和滤波等方面，旨在提高图像质量和提取信息。2.特征提取与表示分为局部（如SIFT、SURF）和全局（如HOG、GIST）特征提取，将图像转化为计算机可处理的数值数据，用于分类、检索和识别。3.图像分类根据图像特征划分类别，有基于传统机器学习（如SVM、随机森林）和深度学习（如CNN、RNN）的方法，广泛用于图像识别和检索。4.目标检测在图像或视频中定位目标并输出类别和位置，有基于区域提取（如R-CNN系列）和单阶段检测（如YOLO、SSD）的方法。5.图像分割将图像分割成区域或对象，包括语义分割（如FCN、DeepLab）和实例分割（如MaskR-CNN）。二、计算机视觉的核心技术6.目标跟踪在视频序列中跟踪目标，有基于特征点跟踪（如光流法、卡尔曼滤波）和基于光流跟踪（如Lucas-Kanade、Farneback算法）的方法。三、计算机视觉的应用：1.安防监控领域（1）实时监控可对机场、车站等公共场所进行实时视频监控，捕捉图像和视频流，不间断监视人流、物品摆放等情况，及时发现异常。（2）入侵检测借助目标检测和识别技术，在工厂仓库等区域，当不明人员试图进入时，系统能快速检测并通知安保人员干预。（3）人脸识别从监控视频中提取人脸与数据库比对，在边境口岸可快速识别出入境人员身份，提高通关效率；应用于门禁系统，实现无接触式身份验证，如企业办公大楼的人脸识别门禁。人脸识别门禁系统三、计算机视觉的应用：2.工业制造领域01（1）自动化检测流程在工业生产线上，通过高分辨率摄像头拍摄产品图像，利用图像处理和分析技术检测外观缺陷，如汽车制造中检测零部件表面质量。02（2）机器人视觉引导与定位为工业机器人配备视觉系统，如焊接机器人可识别工件位置精确焊接，物流机器人可识别货物位置完成搬运和存储任务。03（3）智能装配在装配生产线上，可快速识别零部件类型和位置，如机械制造中识别螺钉、螺母等并分类放置，还能指导工人或机器人进行准确装配。三、计算机视觉的应用：医疗健康和交通出行领域的应用3.医疗健康领域-（1）医学影像诊断自动分析X光、CT等医学影像，识别病变区域和组织结构。如肺部CT影像中检测肺结节，糖尿病视网膜病变筛查中检测视网膜病变迹象。3.医疗健康领域-（2）手术辅助手术中结合术前和术中图像，提供实时导航信息，显示手术器械位置和方向。如神经外科手术中显示脑部血管和神经结构，避免损伤重要组织。4.交通出行领域-（1）自动驾驶自动驾驶汽车通过摄像头获取道路图像，检测障碍物、行人等，识别车道线，规划最优行驶路径，如保持与前方车辆的安全距离。4.交通出行领域-（2）智能交通监控与管理在城市交通中，实时统计车辆数量、车速等，为管理部门提供数据支持，调整信号灯时长缓解拥堵；还能检测违规行为，记录违规车辆信息。自动驾驶系统识别

交通实时监测自然语言处理技术任务2.4自然语言处理（NaturalLanguageProcessing,NLP）是人工智能领域中一个至关重要的分支。它致力于研究如何让计算机能够理解、解释、生成和响应人类使用的自然语言（如汉语、英语）。从我们日常使用的搜索引擎、智能手机语音助手到机器翻译软件，自然语言处理技术已深度融入现代生活，成为人机交互的核心桥梁。一、自然语言处理技术的定义核心目标自然语言处理（NLP）的核心目标是让计算机理解、解释、操作和生成人类使用的语言，搭建人机交互的桥梁。核心挑战-歧义性自然语言存在一词多义、结构歧义现象，如“打”在“我打了张三一顿”和“我打了一通电话”中含义不同，NLP系统需结合上下文消除歧义。核心挑战-多样性同一意思有多种表达方式，像“今天天气真好”和“今日天朗气晴朗”，NLP系统要有强大泛化能力理解相同语义。基本工作流程典型NLP系统先获取文本，经分词、去停用词、词形归一化等预处理，再将词语序列转换为数值向量，最后输入模型完成具体任务。自然语言处理系统的基本工作流程二、自然语言处理的主要任务011自然语言理解-①文本分类将文本自动划分到预定义类别，常见应用如情感分析，判断文本情感是积极、消极或中性。021自然语言理解-②命名实体识别从文本中识别并提取人名、地名、组织机构名、日期、时间等具有特定意义的实体。032自然语言生成-①机器翻译自动将一种语言的文本翻译成另一种语言，借助序列到序列模型和Transformer架构使翻译更高效。042自然语言生成-②文本摘要从长文档中提取关键信息，生成简短精炼的摘要。052自然语言生成-③对话系统即聊天机器人或智能客服，能与用户多轮对话，理解意图并给出答复。三、自然语言处理的应用：1.智能客服与客户支持01自动应答系统利用循环神经网络、长短时记忆网络和Transformer架构模型，理解客户问题并生成准确回答，如电商和银行客服场景，提高效率与满意度。02客户意图识别通过BERT模型深入理解客户问题并识别意图，在智能客服和客户支持系统中自动分类问题，提供个性化服务。03情感分析结合深度学习模型对客户评论和反馈进行情感分析，在社交媒体监控和客户服务中识别情感倾向，为决策提供支持。三、自然语言处理的应用：在其他领域的应用2.机器翻译-（1）文本翻译构建序列到序列和Transformer架构模型，实现高效文本翻译，在跨语言交流和国际商务中发挥作用。2.机器翻译-（2）语音翻译利用深度学习模型实现语音信号识别、翻译及合成，在国际会议和旅游场景中消除语言障碍。3.文本生成-（1）创意写作通过生成对抗网络、变分自编码器和Transformer架构模型，辅助作家生成故事、诗歌和剧本。3.文本生成-（2）内容创作利用深度神经网络模型，在新闻媒体和社交媒体营销中快速生成新闻报道和吸引用户的内容。三、自然语言处理的应用：在其他领域的应用4.医疗健康领域在电子病历管理中提取关键信息，在医疗问答系统中提供个性化医疗建议和健康指导。5.法律领域对法律文本进行信息抽取，为法律研究和案件处理提供支持，智能法律咨询系统提供专业法律意见。6.办公领域在企业知识管理中构建知识图谱，智能会议系统生成纪要和翻译内容，智能办公助手完成文件处理等任务。人工智能技术的伦理与社会问题06潜在的伦理和社会问题隐私保护问题人工智能系统在运行过程中会收集大量个人数据，如医疗健康数据、金融交易数据等。这些数据一旦泄露，将严重威胁个人隐私。例如，某医疗AI系统曾因数据安全漏洞，导致大量患