交通基础设施智能化基础课件 第二章 人工智能概述

第2章人工智能概述本章重点人工智能机器学习深度学习AI本章重点人工智能机器学习深度学习AI什么是人工智能？人工智能：简称AI（ArtificialIntelligence），是指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序的手段实现的类人智能技术。该词同时也指研究这样的智能系统是否能够实现以及如何实现的科学领域。认知建模像人一样思考思维法则合理地思考图灵测试像人一样行动合理Agent合理地行动合理性逼真度行为思维与推理人工智能的四类实现途径人工智能发展历程1956-2060s1960s-1970s1970s-19851985-19951995-20102011至今人工智能发展现状人工智能在算法、算力和算料方面已取得重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。专用人工智能取得重要突破通用人工智能尚处于起步阶段人工智能创新创业如火如荼创新生态布局成为人工智能产业发展的战略高地人工智能的社会影响日益凸显我国人工智能发展趋势高度重视国家战略层面国务院发布《新一代人工智能发展规划》面向2030年的我国人工智能发展路线图态势喜人全球投融资规模最大的国家发表论文数量居世界第一高校纷纷成立人工智能学院差距不小在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距前景看好具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势我国人工智能发展趋势2020年8月4日，国家标准化管理委员会、中央网信办、国家发展改革委、科技部、工业和信息化部联合印发《国家新一代人工智能标准体系建设指南》人工智能、机器学习与深度学习机器学习：一种实现人工智能的主要方法深度学习：一种实现机器学习的热门技术人工智能

V机器学习

V深度学习数据获取预处理特征提取特征选择推理/预测/识别人工特征表达树突树突细胞体细胞体电脉冲形成信息处理传输输入输出输入输出大脑“黑箱”人工神经网络“黑箱”本章重点人工智能机器学习深度学习AI机器学习基础机器学习：对于某类任务T和性能度量P，一个计算机程序被认为可以从经验E中学习是指，通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升任务T分类：确定输入是属于k类中的哪一类回归：计算输入的预测数值异常检测：对输入数据进行异常数据寻找聚类：将数据分为m个簇，簇内具有高度相似降维：对高维数据进行特征提取和特征减少性能度量P性能度量P是特定于系统执行的任务T而言的分类：准确率回归：均方误差…经验E从训练数据获取经验根据学习过程中不同的经验，可分为监督学习、无监督学习、半监督学习、强化学习机器学习基础机器学习三要素：模型，策略和优化算法模型策略优化算法学习的目的就是在模型的假设空间中选择一个最佳的模型，即最接近真实映射的映射函数或者条件概率分布，然后再利用该模型去完成相应的任务从假设空间中如何选择最优的模型的问题，即学习策略的问题对于选择的模型的预测值与样本真实值之间的差异，通常用损失函数或者代价函数来衡量机器学习的训练是一个不断求解最优化问题的过程最常见的优化算法是梯度下降法机器学习基础机器学习的学习方式监督学习无监督学习半监督学习强化学习学习带标签的数据，预测新数据的标签分类、回归学习无标签数据，从数据中发现规律降维、聚类将未标记数据与少量标记数据结合使用，同时利用监督学习的低歧义性与无监督学习对数据结构性特征的捕捉能力学习数据，并做出尝试获得反馈，得出最佳动作正确的决定会带来奖励，错误的决定会带来惩罚，直到最终彻底掌握问题的答案机器学习算法回归算法试图采用对误差的衡量来探索变量之间的关系的一类算法基于实例的算法根据某些近似性把新数据与样本数据进行比较，寻找最佳的匹配机器学习算法正则化方法根据算法的复杂度对算法进行调整。正则化方法通常对简单模型予以奖励而对复杂算法予以惩罚决策树算法根据数据属性采用树状结构建立决策模型，其常用于解决分类和回归问题机器学习算法贝叶斯算法基于贝叶斯定理的一类算法，主要用来解决分类和回归问题基于核的算法基于核的算法把输入数据映射到一个高阶的向量空间，有些分类或回归问题在高阶向量空间里能够更容易解决机器学习算法聚类算法按照中心点或分层的方式对输入数据进行归并。试图找到数据的内在结构，以便按照最大的共同点将数据进行归类关联规则学习通过寻找最能够解释数据变量之间关系的规则，来找出大量多元数据集中有用的关联规则机器学习算法人工神经网络模拟生物神经网络，是一类模式匹配算法，通常用于解决分类和回归问题降低维度算法以非监督学习的方式试图利用较少的信息来归纳或者解释数据可以用于高维数据的可视化或者用来简化数据以便监督式学习使用机器学习算法集成算法用一些相对较弱的学习模型独立地就同样的样本进行训练，然后把结果整合起来进行整体预测集成算法的主要难点在于究竟集成哪些独立的较弱的学习模型以及如何把学习结果整合起来机器学习工具库Scikit-learn本章重点人工智能机器学习深度学习AI深度学习算法卷积神经网络基本运算单元包括：卷积运算、池化运算、全连接运算和识别运算权值共享网络结构降低了网络模型的复杂度，减少了权值的数量卷积网络是为识别二维形状而特殊设计的一个多层感知器，对平移、比例缩放、倾斜或者其它形式的变形具有高度不变性当前图像识别领域的热点算法深度学习算法循环神经网络在简单“输入层=>隐藏层=>输出层”的三层结构基础上多了一个闭环循环神经网络拥有记忆能力，通过W将以往的输入状态进行总结，而作为下次输入的辅助，h=f(现有的输入+过去记忆总结)

当前时间序列数据分析领域的热点算法深度学习算法生成式对抗网络让生成器G和判别器D这两个网络互相博弈，生成器从训练集数据中选取真实数据加入干扰噪音，产生新的训练样本，判别器通过与真实数据进行对比，判断数据的真实性近年来无监督学习中最具前景的方法之一，应用于数据生成、图像风格迁移、图像降噪修复、图像超分辨率等领域深度学习框架名称使用语言硬件支持开发者发布时间TheanoPythonCPU、GPU蒙特利尔大学2010TensorFlowC++、PythonCPU、GPUGoogle2015KerasPythonCPU、GPUFrancoisChollet2015MXNetC++、Python