人工智能通识与AIGC应用（微课版）课件 项目1 智启未来：初探人工智能

项目1智启未来：初探人工智能任务1：通过人工智能大会感受AI任务2：认识自动驾驶技术的原理任务1：通过人工智能大会感受AI1.人工智能的基本概念

2.人工智能的发展历程

3.人工智能的核心要素

4.人工智能的分类

5.人工智能的应用场景任务1：通过人工智能大会感受AI1.人工智能的基本概念人工智能AI旨在通过计算机系统和算法，使机器能够执行通常需要人类智慧才能完成的任务，包括学习、推理、感知、理解和创造等。数据、算力和算法。三大核心2.人工智能的发展历程萌芽阶段（20世纪50年代至20世纪60年代）：

科学家们首次提出了“人工智能”的概念，并进行了初步的探索和研究，此时的研究主要集中在理论基础的建立和基本算法的开发上。实际研究与应用探索阶段（20世纪60年代至20世纪70年代）：研究者们在不同领域进行了深入的理论研究与应用尝试，使AI从一个抽象的概念逐渐发展成为可以用于解决实际问题的工具。专家系统是AI早期的重要发展之一。20世纪70年代末进入“AI寒冬”。复苏与成长阶段（20世纪80年代至20世纪90年代）：AI研究重新焕发活力，经历了显著的技术突破和应用拓展，特别是专家系统的兴起和神经网络的复苏，为AI的发展注入了新的活力。现代化阶段（21世纪初至今）：得益于算力的显著提升、大数据的广泛应用，以及深度学习等新兴技术的突破，AI取得了惊人的进展，从自动驾驶、自然语言处理到医疗诊断、智能推荐等，几乎渗透到各个行业和日常生活的各个方面。数据13.人工智能的核心要素数据是AI的“燃料”，是模型训练和决策的基础，图像识别、视频监控等领域都需要庞大的数据支撑以进行模型训练和深度学习。数据集有良好的表现并不保证用它训练的机器学习系统在实际产品场景中表现良好。许多人在构建人工智能系统时常常忘了构建一个新的人工智能解决方案或产品最困难的部分不是人工智能本身或算法，而是数据收集和标注。算法23.人工智能的核心要素算法是处理数据并提取规律的数学工具，是人工智能发展的框架，优秀的算法框架能够极大地提高人工智能学习效率。算法框架可降低深度学习的难度，提供进行深度学习的底层架构、接口，以及大量训练好的神经网络模型，减少编程耗时。大部分深度学习框架具有良好的可扩展性，支持将复杂的计算任务优化后在多台服务器的中央处理器（CentralProcessingUnit，CPU）、图形处理单元（GraphicsProcessingUnit，GPU）或张量处理器（TensorProcessingUnit，TPU）中并行运行，缩短模型的训练时间。算力33.人工智能的核心要素算力是支撑复杂模型训练和推理的硬件基础。除了数据、算法和算力这三大核心要素外，AI的发展和性能还受到知识、场景、可解释性和透明性、安全性、伦理和法律等方面的影响。4.

人工智能的分类按模型的特点不同来划分，可分为决策式AI和生成式AI。决策式AI决策式AI（也被称作判别式AI）学习数据中的条件概率分布，即一个样本归属于特定类别的概率，再对新的场景进行判断、分析和预测。例如，在人脸识别领域，决策式AI对实时获取的人脸图像进行特征提取，再与人脸库中的特征数据匹配，从而实现人脸识别。4.

人工智能的分类决策式AI的工作原理①数据收集与预处理。通过收集和预处理数据，确保输入的信息准确且相关。②模型训练。利用机器学习算法训练模型以识别数据中的模式和趋势。③决策制定。根据模型的输出，结合业务规则和逻辑，生成决策建议。4.

人工智能的分类决策式AI的技术路径为：已知数据分别求解输出类别标签，区分不同类型的数据。例如，将图像（图像上图像在软件中均有使用）区分为猫的图像和狗的图像，模型会在海量的猫和狗的图像数据中进行特征提取，从而了解到猫的外观和狗的外观差别非常大，当面对新的样本时，模型判断样本的外观和谁更相似，就认为样本是猫还是狗。4.

人工智能的分类决策式AI的技术路径为：已知数据分别求解输出类别标签，区分不同类型的数据。4.

人工智能的分类按模型的特点不同来划分，可分为决策式AI和生成式AI。生成式AI生成式AI学习数据中的联合概率分布，即数据中多个变量组成向量的概率分布，对已有的数据进行总结归纳，并在此基础上使用深度学习技术等自动生成创作模仿式、缝合式的全新内容。生成式AI可生成文本、图像、音频、视频、代码等多种形式。4.

人工智能的分类生成式AI的工作原理①数据收集与预处理。首先，生成式AI需要大量的训练数据。这些数据可以是文本、图像、音频等多种形式。数据预处理的过程包括清洗、标注和格式化等，以确保数据的质量和一致性。②模型训练。生成式AI通常使用深度学习模型，尤其是生成对抗网络（GenerativeAdversarialNetwork，GAN）、变分自编码器（VariationalAutoencoder，VAE）和自回归模型等。这些模型通过学习数据的分布和特征，能够生成与训练数据相似的新样本。③内容生成。在训练完成后，生成式AI可以根据用户的输入或特定的条件生成新内容。例如，用户可以输入一个文本提示，生成式AI会根据这个提示生成一篇连贯的文章或故事。4.

人工智能的分类生成式AI的技术路径为：分析、归纳已有的数据后创新生成新的内容，例如生成逼真的猫和狗的图像。4.

人工智能的分类决策式AI与生成式AI的区别对比维度决策式AI生成式AI功能定位主要用于分析数据并提供决策支持。其核心功能是对大量信息进行提取、洞察、识别，帮助用户做出明智的决策。旨在根据输入生成新内容，展现创造力和灵活性。其不仅能够分析数据，其还能创造出全新的文本、图像、音频等内容。数据处理方式（技术路径）依赖已有数据进行分析和推理。其通过处理历史数据，应用统计模型和机器学习算法来预测未来的趋势或结果，简单地讲就是为数据添加标签。其强调数据的准确性和相关性，以确保决策建议的可靠性通过学习数据的特征和分布来生成新内容。即分析、归纳已有数据后生成新内容。其使用深度学习模型模拟数据的生成过程，而非仅进行分类或预测。其强调模型的创造力和多样性，能够生成与输入数据不同但相关的新样本用户交互方式广泛应用于金融、医疗、制造、零售等行业，主要关注业务优化和流程改进。例如，在金融领域，决策式AI可以帮助评估贷款申请的风险主要在创意产业、娱乐、教育等领域得到应用，关注内容创作和用户体验。例如，生成式AI可以帮助作家创作故事或生成艺术作品，从而激发创意应用领域用户提供数据或业务背景，AI分析后返回决策建议。用户的角色多为决策者，AI充当辅助工具。交互方式以数据输入和结果输出为主，强调决策过程的透明性用户提供提示或主题，AI生成相关内容。用户的角色更为主动，会参与创作过程。强调互动性，用户可以对生成的内容进行修改和反馈，形成协作关系未来发展方向未来将更加注重算法的透明性与可解释性，确保用户能够理解AI的决策过程。同时，随着数据隐私保护的加强，决策式AI将面临更大的挑战未来可能更深入地结合用户需求，提升生成内容的质量与一致性。同时，版权和道德问题的解决将是关键挑战，确保创作的合法性和道德性5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（1）智能家居5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（2）自动驾驶汽车5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（3）可穿戴设备5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（4）聊天机器人5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（5）人工智能辅助医疗5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（6）人工智能辅助决策5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（7）游戏娱乐AI数字人5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（8）语音识别5.

人工智能的应用场景人工智能的应用场景主要包括各个方面。（9）推荐系统任务实施认识“世界人工智能大会”（根据最新内容学习）任务实施（1）人形机器人“花式炫技”例如2025年春晚机器人跳舞任务实施（2）快手大模型可灵AI生成视频的界面任务实施（3）商汤科技大模型商汤科技Vimi可控人物视频生成大模型平台界面任务实施（4）通义灵码大模型通义灵码平台界面任务实施（5）智谱AI智谱AI的产品全面对标OpenAI，包括基座大模型、对话模型、多模态模型和代码模型等，展现了其在AI领域的综合实力。在消费者端，智谱AI推出的智谱清言App下载量已突破千万，拥有超过30万个活跃智能体，证明了其产品的市场接受度和用户基础。任务实施（6）YOGABook9iAI元启版笔记本计算机联想YOGABook9iAI元启版双屏360°翻转笔记本计算机任务实施（7）能飞行器展示区智能飞行器展示区任务2：认识自动驾驶技术的原理1.认识机器学习

2.认识深度学习

3.认识自然语言处理

4.认识计算机视觉

5.认识知识图谱任务2：认识自动驾驶技术的原理1.

认识机器学习机器学习机器学习是一种通过算法和模型使计算机从数据中自动学习并进行预测或决策的技术机器学习的核心任务是从数据中自动学习规律并做出预测。机器学习广泛应用于图像识别、自然语言处理、推荐系统和自动驾驶等领域，具备自适应、自动化和泛化能力，是数据驱动的技术创新。1.

认识机器学习机器学习的分类根据所处理的数据类型不同，机器学习可以分为监督学习、无监督学习、半监督学习以及强化学习。监督学习监督学习好比有求知欲的学生从教师那里获取知识和信息，教师提供对错指示并告知最终答案的学习过程。监督学习的最终目标是计算机根据在学习过程中所获得的经验和技能，在面对没有学习过的问题时也可以给出正确的解答，并具有泛化能力。监督学习可以应用于手写文字识别、图像处理、垃圾邮件的分类与拦截、网页检索和基因诊断等。其典型的任务有预测数值型数据的回归、预测分类标签的分类、预测顺序的排列等。1.

认识机器学习机器学习的分类根据所处理的数据类型不同，机器学习可以分为监督学习、无监督学习、半监督学习以及强化学习。无监督学习无监督学习好比在没有教师的情况下，学生自学的过程。在无监督学习中，计算机在互联网中自动收集信息，获取有用的知识。无监督学习在人造卫星故障诊断、视频分析、社交网站解析和音频解析等方面有广泛运用，典型的任务有聚类、异常检测等。监督学习和无监督学习的区别主要在于训练数据是否带有标签。1.

认识机器学习机器学习的分类根据所处理的数据类型不同，机器学习可以分为监督学习、无监督学习、半监督学习以及强化学习。半监督学习半监督学习好比在教师的启发下，学生在教师给出部分对错提示的情况下学习的过程。半监督学习是近几年逐渐开始流行的一种机器学习方式。因为在一些场景下，获得带标签数据是很耗费资源的，而无监督学习要解决分类和回归这些场景的问题又有一定难度，所以人们开始尝试通过为部分样本添加标签来进行机器学习算法的使用，这种部分样本带有标签的训练数据的算法应用就是半监督学习。1.

认识机器学习机器学习的分类根据所处理的数据类型不同，机器学习可以分为监督学习、无监督学习、半监督学习以及强化学习。强化学习强化学习好比在没有教师提示的情况下，学生自己对预测的结果进行评估的过程，通过这样的自我评估，学生会为了更好、更准确地判断而不断学习。强化学习在自动控制、计算机游戏中的人工智能、市场策略的最优化等方面具有广泛的应用，典型的任务有回归、聚类和降维等。1.

认识机器学习机器学习基本算法回归算法是一种对数值型连续随机变量进行预测和建模的监督学习算法，其特点是标注的数据集具有数值型的目标变量。也就是说，每一个观察样本都有一个数值型的标注真值以监督算法。回归算法包括线性回归（正则化）、回归树（集成方法）、深度学习、最近邻等。回归算法11.

认识机器学习机器学习基本算法分类算法是一种对离散型随机变量进行建模或预测的监督学习算法。许多回归算法都有与其相对应的分类算法。分类算法通常适用于预测一个类别（或类别的概率）而不是连续的数值，包括逻辑回归（正则化）、分类树（集成方法）、深度学习、支持向量机、朴素贝叶斯等。分类算法21.

认识机器学习机器学习基本算法聚类算法是一种无监督学习算法，基于数据的内部结构寻找观察样本的自然族群（即集群），并且通常使用数据可视化评价结果，包括k-means聚类、均值漂移聚类、层次聚类、DBSCAN（基于密度的聚类算法）等。聚类算法31.

认识机器学习机器学习基本算法异常检测算法用于寻找输入样本中所包含的异常数据。在无监督的异常检测中，一般采用密度估计的方法，把靠近密度中心的数据作为正常数据，把偏离密度中心的数据作为异常数据。异常检测算法41.

认识机器学习机器学习基本算法降维算法是一种从高维度数据中提取关键信息，将其转换为易于计算的低维度问题进而求解的算法。降维算法51.

认识机器学习机器学习学习流程①

场景解析：把整个业务逻辑想清楚，对业务场景进行抽象描述，明确业务逻辑和需求，将业务场景与机器学习算法进行匹配。②数据预处理：主要进行数据的清洗工作，处理数据矩阵中的空值和乱码，同时可以对整体数据进行拆分和采样等操作，也可以对单字段或者多字段进行归一化或者标准化处理。数据预处理阶段的主要目标是减少量纲和噪声数据对训练数据集的影响。③特征工程：机器学习中非常重要的一个步骤，特别是目前随着开源算法库的普及和算法的不断成熟，算法质量并不一定是决定结果的最关键因素。特征工程效果的好坏从某种意义上来说决定了最终模型的优劣，在算法相对固定的情况下，可以说好特征决定了好结果。④模型训练：训练数据经过数据预处理和特征工程之后进入模型训练模块，并生成模型。在测试阶段中，调入训练生成的模型和用于测试的数据集进行计算，生成测试结果，用来评估模型的性能。⑤模型评估：机器学习算法的计算结果一般是一个模型，模型的质量会直接影响接下来的数据业务。在机器学习领域中，对模型的评估至关重要，要选择与问题相匹配的评估方法，有针对性地选择合适的评估指标、根据评估指标的反馈进行模型调整，快速地发现模型选择或训练过程中出现的问题，对模型进行迭代优化。⑥离线/在线服务：在实际业务中，机器学习通常需要配合调度系统来使用。数据流入数据库表里，通过调度系统启动机器学习的离线训练服务，生成最新的离线模型，然后通过在线预测服务进行实时的预测。2.

认识深度学习1深度学习深度学习是机器学习的一种，特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法或模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特点是具有自动提取特征的能力，所提取的特征被称为深度特征或深度特征表示，相比人工设计的特征，深度特征的表示能力更强、更稳健。因此，深度学习的本质是特征学习。2.

认识深度学习2深度学习关键要素当前大部分的深度学习模型为监督学习模型，依赖数据的有效标注。例如，要建立一个高性能的物体检测模型，通常需要使用上万甚至几十万个带标签数据。同时，数据的积累也是体现一个公司深度学习能力的标志之一，没有数据，再优秀的模型也会面对无米之炊的尴尬。大数据12.

认识深度学习当前，深度学习深受欢迎的一个很重要的原因就是硬件的发展，尤其是GPU为深度学习模型的快速训练提供了可能。深度学习模型通常有数以千万计的参数，存在大规模的并行计算，传统的以逻辑运算能力著称的CPU面对这种并行计算的执行速度会异常缓慢，GPU及CUDA（ComputeUnifiedDeviceArchitecture，统一计算设备架构）计算库专注于数据的并行计算，为模型训练提供了强有力的支持。GPU22深度学习关键要素2.

认识深度学习随着数据中心、高性能计算、数据分析、数据挖掘的快速发展，大模型得到了快速发展。大模型是大算力与强算法结合的产物，是人工智能的发展趋势。目前，大模型的生态已初具规模。大模型通常在大规模无标签数据上进行训练，以学习某种特征和规则。基于大模型开发应用时，对大模型进行微调，或者不进行微调，就可以完成多个应用场景的任务。更重要的是，大模型具有自监督学习（无监督学习的一种）能力，不需要或很少需要带标注数据进行训练，降低训练成本，从而可以加快人工智能产业化进程，降低人工智能应用门槛。模型32深度学习关键要素2.

认识深度学习卷积神经网络（ConvolutionalNeuralNetwork，CNN），顾名思义，是在神经网络的基础上加入了卷积运算，是多层感知器的变体，根据生物视觉神经系统中神经元的局部响应特性设计，采用局部连接和权值共享的方式降低模型的复杂度，极大地减少训练参数，提高了训练速度，也在一定程度上提高了模型的泛化能力。卷积神经网络13典型神经网络架构2.

认识深度学习卷积神经网络是目前多种神经网络模型中研究最为活跃的一种，其结构如图所示。卷积神经网络13典型神经网络架构2.

认识深度学习循环神经网络（RecurrentNeuralNetwork，RNN）是深度学习领域中一类特殊的内部存在自连接的神经网络，可以学习复杂的矢量到矢量的映射。循环神经网络的作用是生成一个序列描述当前的输出与之前信息的关系，其结构如图所示。循环神经网络的层级结构较卷积神经网络来说比较简单，主要由输入层、隐藏层和输出层组成。在隐藏层有一个箭头表示数据的循环更新，这就是实现时间记忆功能的方法，即闭合回路。循环神经网络23典型神经网络架构2.

认识深度学习循环神经网络23典型神经网络架构循环神经网络的结构2.

认识深度学习生成对抗网络（GAN）独特的对抗性思想使得它在众多生成网络模型中脱颖而出，被广泛应用于计算机视觉、机器学习和语音识别等领域。生成对抗网络33典型神经网络架构3.

认识自然语言处理1自然语言处理自然语言处理（NaturalLanguageProcessing，NLP）是指利用计算机对自然语言的形、音、义等信息进行处理，即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等进行操作和加工的过程。自然语言处理融合了语言学、计算机科学、机器学习、数学、认知心理学等多个学科领域的知识，是机器语言和人类语言之间沟通的桥梁。自然语言处理包括自然语言理解和自然语言生成两部分。前者是指计算机能够理解自然语言文本的意义，后者则是指计算机能以自然语言文本来表达给定的意图、思想等。3.

认识自然语言处理2基本技术词法分析：包括词形分析和词汇分析。词形分析主要对单词的前缀、后缀等进行分析，词汇分析则对整个词汇系统进行控制，从而较准确地分析用户输入信息的特征，最终完成搜索过程。句法分析：对用户输入的自然语言进行词汇短语的分析，目的是识别句子的句法结构，以实现自动句法分析。语用分析：相对于语义分析，语用分析增加了对上下文、语言背景、语境等的分析，能从文章的结构中提取出意象、人际关系等附加信息，是一种更高级的语言分析技术。语境分析：对原查询语言之外的大量“空隙”进行分析，以便更准确地解释所要查询语言的技术。这些“空隙”包括一般知识、特定领域的知识以及查询用户的需求等。3.

认识自然语言处理2基本技术自然语言生成：AI驱动的引擎能够根据收集的数据生成描述，通过遵循将数据中的结果转换为散文的规则，在人与技术之间创建无缝交互的软件引擎。自然语言生成接收结构化表示的语义，以输出符合语法的、流畅的、与输入语义一致的自然语言文本。文本预处理：包括文本清洗[去除HTML（超文本标记语言）标签、特殊字符等]、分词（将文本划分为独立的词汇单元）、词性标注（确定每个词的词性）等。词嵌入：将词汇转换为计算机可理解的向量表示。常见的词嵌入技术包括Word2Vec、GloVe等，这些技术可以将单词转换为数值向量，捕捉语义关系，使计算机能够理解词汇的深层含义。3.

认识自然语言处理2基本技术实体识别：识别文本中的实体，如人名、地名等。关系抽取：提取实体之间的关系。情感分析：判断文本的情感倾向，如积极、消极或中性。文本分类：根据文本的内容和特征，将其划分为不同的类别或主题。命名实体识别：从文本中识别出具有特定意义的实体，如人名、地名、组织名等。机器翻译：将一种自然语言自动翻译成另一种语言的过程，涉及复杂语言生成和理解。3.

认识自然语言处理3基本流程语料获取语料预处理文本向量化模型构建模型训练模型评价3.

认识自然语言处理4应用场景机器翻译：在过去50多年的曲折发展经历中，机器翻译作为一个科学问题在被学术界不断深入研究。通过自然语言处理技术，计算机可以自动将一种语言的文本转换为另一种语言的文本。问答系统：通过理解用户的问题并搜索相关的文本资源，计算机可以利用自动推理等手段在有关知识资源中自动求解答案并做出相应的回答。问答技术有时与语音技术和多模态输入输出技术，以及人机交互技术等结合，构成人机对话系统。3.

认识自然语言处理4应用场景信息抽取：从指定文档或者海量文本中提取出用户感兴趣的信息，如实体、关系、事件等，以便进行进一步的分析和处理。文档分类：也叫文本自动分类或信息分类，其目的是利用计算机系统对大量的文档按照一定的分类标准（例如根据文本的内容和特征或者主题划分）实现自动归类。情感分析：通过分析文本中的情感词汇和句子结构，计算机可以判断文本的情感倾向，如积极、消极或中性。其主要应用于图书管理、情报获取、网络内容监控等。3.

认识自然语言处理4应用场景信息抽取：从指定文档或者海量文本中提取出用户感兴趣的信息，如实体、关系、事件等，以便进行进一步的分析和处理。文档分类：也叫文本自动分类或信息分类，其目的是利用计算机系统对大量的文档按照一定的分类标准（例如根据文本的内容和特征或者主题划分）实现自动归类。情感分析：通过分析文本中的情感词汇和句子结构，计算机可以判断文本的情感倾向，如积极、消极或中性。其主要应用于图书管理、情报获取、网络内容监控等。4.

认识计算机视觉1计算机视觉计算机视觉是一门研究如何使机器“看”的学科，就是指用摄像机和计算机代替人眼对目标进行识别、跟踪和测量等，并进一步做图形处理，将目标图像处理成更适合人眼观察或传送给仪器检测的图像。4.

认识计算机视觉2计算机视觉基本技术图像识别是通过计算机视觉对图像内容进行理解和分类的技术。它依靠模式识别和机器学习算法来确定图像中的物体或特征。深度学习，尤其是卷积神经网络在图像识别领域扮演着重要角色，这些网络通过训练能识别不同层次的视觉特征，包括从简单边缘到复杂物体的表示。图像识别的应用包括在线图像搜索、医疗图像分析和工业视觉检测等。图像识别14.

认识计算机视觉2计算机视觉基本技术物体检测比单纯的图像识别更进一步，它不仅能识别图像中的物体，还能定位这些物体的位置并为它们画出边界框。常用的物体检测算法包括区域卷积神经网络（R-CNN）及其变体（如FastR-CNN、FasterR-CNN）等。物体检测的应用场景丰富，如自动驾驶汽车中的行人和障碍物检测、零售领域的商品定位等。物体检测24.

认识计算机视觉2计算机视觉基本技术图像分割是将数字图像细分成多个图像区域或物体的过程。与物体检测相比，图像分割在像素级进行工作，能够精确地界定物体的轮廓。深度学习框架下的分割技术[如全卷积网络（FCN）和基于区域的卷积神经网络变体（如MaskR-CNN）]，都能有效地处理图像分割任务。图像分割技术在医学影像处理、卫星图像解析、交通管理等领域发挥着重要作用。图像分割34.

认识计算机视觉2计算机视觉基本技术姿态估计通过计算机视觉技术来推断图像中人或者物体的三维姿态。这一技术被广泛应用于动作捕捉、人体姿态分析等领域。姿态估计4运动分析涉及对视频序列中的运动物体进行检测、跟踪和描述。它可以帮助理解视频中物体的运动模式和动态行为，常用于视频监控和体育分析等领域。运动分析54.

认识计算机视觉3计算机视觉基本流程计算机视觉识别的基本流程。3.

认识自然语言处理4计算机视觉应用场景计算机视觉技术主要用于自动识别产品（如印制电路板、玻璃、纺织品）表面缺陷、机器人视觉引导分拣（如物流、食品分类）、实时监测生产线产品质量（如汽车零部件装配）等。工业制造1自动驾驶中计算机视觉技术主要用于车道检测、交通标志识别、行人/车辆检测；智慧交通中计算机视觉技术可用于车牌识别、违章检测、拥堵分析等。自动驾驶与交通23.

认识自然语言处理4计算机视觉应用场景计算机视觉技术主要应用在X射线、CT（ComputedTomography，计算机体层成像）、MRI（MagneticResonanceImaging，磁共振成像）影像的肿瘤检测（如肺结节识别），内窥镜图像分割，机器人手术导航，AI辅助细胞分类（如宫颈癌筛查）等。医疗影像分析3计算机视觉技术计算机视觉技术主要包括门禁系统、犯罪嫌疑人追踪，异常行为（如跌倒、打架、入侵）检测，自动提取视频中的关键信息（人、车、事件）等。安防与监控43.

认识自然语言处理4计算机视觉应用场景计算机视觉技术主要用于无人商店、虚拟试妆、家具摆放（如IKEAPlace）、手机影像等。零售与消费电子5计算机视觉技术主要用于使用地面传感机器人、空中无人机成像、卫星遥感等方式采集作物图像，实现对作物的实时监测和健康评估（如检测叶片病害），机器人采摘、智能灌溉等。农业与无人机63.

认识自然语言处理4计算机视觉应用场景计算机视觉技术主要用于SnapchatAR滤镜、抖音特效，自动识别违规图像/视频（如深度伪造技术检测），Kinect体感游戏、虚拟主播动作捕捉等。娱乐与社交媒体7计算机视觉技术主要用于森林砍伐、冰川变化分析，洪水、地震后的损毁分析，土地利用分类，建筑物检测等。遥感与卫星图像85.

认识知识图谱1知识图谱知识图谱（KnowledgeGraph），在图书情报界被称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的联系。4.

认识计算机视觉2知识图谱逻辑架构知识图谱的架构包括知识图谱的逻辑架构，以及构建知识图谱所采用的技术（体系）架构。知识图谱的逻辑架构可分为模式层与数据层。模式层在数据层之上，是知识图谱的核心，模式层存储的是经过提炼的知识，通常采用本体库来管理知识图谱的模式层，借助本体库对公理、规则和约束条件的支持能力，规范实体、关系以及实体的类型和属性等对象之间的联系。数据层主要由一系列的事实组成，而知识将以事实为单位存储在数据库中。如果以(实体,关系,实体)或者(实体,属性,属性值)三元组作为事实的基本表达方式，则存储在数据库中的所有数据将构成庞大的实体关系网络，形成知识图谱。4.

认识计算机视觉3知识图谱构建流程知识图谱的构建流程3.

认识自然语言处理4知识图谱应用场景知识图谱最早应用于搜索引擎，以增强搜索功能和提高搜索结果质量。搜索优化1知识图谱在电商平台上用于商品推荐和用户行为分析，帮助平台更好地理解用户需求并提供个性化推荐。在