Python3程序设计实战教程第11章 python3在人工智能中的应用_第1页
Python3程序设计实战教程第11章 python3在人工智能中的应用_第2页
Python3程序设计实战教程第11章 python3在人工智能中的应用_第3页
Python3程序设计实战教程第11章 python3在人工智能中的应用_第4页
Python3程序设计实战教程第11章 python3在人工智能中的应用_第5页
已阅读5页,还剩18页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

第11章

python3在人工智能中的应用

导入自AlphaGo战胜李世石后,2016年成为人工智能真正大规模应用的元年。至今,人工智能的产品已遍布生活的各个角落,医学上IBM的“Waston”.苹果的“Siri”.微软的“Cortana”,甚至搜索引擎Google等,都是人工智能的具体应用。人工智能包含了什么技术?它们都应用到了什么原理?我们将从人工智能的概念开始,详细介绍机器学习和深度学习的概念及实现,并通过手写数字识别的案例,探究python在人工智能中的应用。主要内容人工智能简介机器学习的概念、流程及算法深度学习应用案例11.1人工智能简介人工智能(ArtificialIntelligence),英文缩写为AI,是计算机科学的一个分支。它企图了解智能的本质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,是研究、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新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。人工智能实际应用有:机器视觉,指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,博弈,自动程序设计,智能控制,机器人学,语言和图像理解,遗传编程等。人工智能目前分为弱人工智能.强人工智能和超人工智能。11.1人工智能简介人工智能的研究内容与领域1.专家系统2.自然语言处理3.机器学习4.模式识别5.计算机视觉6.机器人11.2机器学习人类区别于其它动物的最主要区别是什么?是“智慧”。而智慧的最佳体现是什么?通过经验获取规律,指导人生与未来。这个获取过程就是学习的过程。在人工智能中,就是机器学习。11.2机器学习从广义上来说,机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。11.2机器学习机器学习的工作流程1.定义问题2.数据采集3.数据清洗与预处理4.特征工程5.模型调参与融合6.模型验证11.2机器学习机器学习常规算法机器学习算法可以分为三大类:监督学习.无监督学习和强化学习。监督学习可用于一个特定的数据集(训练集)具有某一属性(标签),但是其他数据没有标签或者需要预测标签的情况。无监督学习可用于给定的没有标签的数据集(数据不是预分配好的),目的就是要找出数据间的潜在关系。强化学习位于这两者之间,每次预测都有一定形式的反馈,但是没有精确的标签或者错误信息。11.2机器学习1.回归算法:回归算法有两个重要的子类:即线性回归和逻辑回归。2.决策树算法:决策树是一种监督学习的分类算法,目的是学习出一颗决策树,该树中间节点是数据特征,叶子节点是类别,实际分类时根据树的结构,一步一步根据当前数据特征取值选择进入哪一颗子树,直到走到叶子节点,叶子节点的类别就是此决策树对此数据的学习结果。3.贝叶斯算法:是一类利用概率统计知识进行分类的算法。4.聚类算法:又称群分析,是研究(样品或指标)分类问题的一种统计分析方法。5.降维算法:是一种无监督学习算法,其主要特征是将数据从高维降低到低维层次。11.2机器学习6.推荐算法:是目前业界非常火的一种算法,在电商界,如亚马逊,天猫,京东等得到了广泛的运用。推荐算法的主要特征就是可以自动向用户推荐他们最感兴趣的东西,从而增加购买率,提升效益。推荐算法有两个主要的类别:(1)基于物品内容的推荐(2)基于用户相似度的推荐11.3深度学习人工神经网络是生物神经网络在某种简化意义下的技术复现,是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型,设计相应的学习算法,模拟人脑的某种智能活动,然后在技术上实现出来用以解决实际问题。11.3深度学习感知机(perceptron)是由两层神经元组成的结构,输入层用于接受外界输入信号,输出层(也被称为是感知机的功能层)就是M-P神经元。如图所示,表示了一个输入层具有m个神经元(分别表示为x1.x2.….xm)的感知机结构。11.3深度学习深度学习的定义:深度学习是机器学习领域一个新的研究方向,由多伦多大学的G.E.Hinton等于2006年提出,近年来在语音识别、计算机视觉等多类应用中取得突破性的进展。其动机在于建立模型模拟人类大脑的神经连接结构,在处理图像、声音和文本等信号时,通过多个变换阶段分层对数据特征进行描述,进而给出数据的解释。11.3深度学习2.深度学习的特点(1)深度,是相对“浅层学习”方法而言的。浅层学习采用支持向量机(supportvectormachine,SVM)、提升方法(boosting)、最大熵方法等来实现,依靠人工经验抽取样本特征,网络模型学习后获得的是没有层次结构的单层特征。(2)深度学习的训练方法与传统的神经网络相比有很大区别。(3)深度网络:深度学习所得到的深度网络结构包含大量的单一元素(神经元),每个神经元与大量其他神经元相连接,神经元间的连接强度(权值)在学习过程中修改并决定网络的功能。11.3深度学习卷积神经网络卷积神经网络依旧是层级网络,只是层的功能和形式做了变化,可以说是传统神经网络的一个改进。由数据输入层、卷积计算层、激励层、池化层等组成。11.4应用案例通过调用TensorFlow来构建LeNet-5网络,从而实现手写数字的识别。LeNet-5是一个简单的卷积神经网络,是用于手写字体的识别的一个经典CNN。11.4应用案例TensorFlowTensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统,可被用于语音识别或图像识别等多项机器学习和深度学习领域,对2011年开发的深度学习基础架构DistBelief进行了各方面的改进,它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。在python3中,可直接使用pipinstalltensorflow进行安装库。11.4应用案例模型参数设置要针对在神经网络的构建和模型训练中的一些参数进行设置,方便后面调用,如:网络随机失活的概率、梯度下降的速率、一次训练选取的样本数、模型参数的保存路径及迭代次数。11.4应用案例构建LeNet5模型本例中,是用slim构建LeNet模型,需要设置输入图片的参数,之后,改变图片张量、标签参数等,再构建训练和预测网络,第一、三、五层为卷积层、第二、四层为池化层。接再对第五层扁平化,之后接入全连接,进行随机失活防止过拟合,最后再次接入全连接层,最后返回构建的网络。代码见lenet5.py。11.4

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论