人工智能通识 课件全套 第1-8章-人工智能概述 - -人工智能伦理与社会治理

人工智能通识第1章人工智能概述提纲1.1智能与人工智能1.2人工智能与计算1.3人工智能发展历程1.4人工智能时代的应对提纲1.1智能与人工智能1.2人工智能与计算1.3人工智能发展历程1.4人工智能时代的应对1.1智能与人工智能生活中的AI有哪些？人脸识别智能音箱扫地机器人会下围棋的AlphaGo生成式AI人形机器人人类智能行为VS人工智能行为人类智能行为感知理性思维行为人通过感觉器官接收外界信息（信息输入）（信息输出）人脑的思考过程（信息处理）看（眼睛）听（耳朵）推理决策规划创造人脸识别说话各种动作扫地机器人生成AI智能音箱会下围棋的AlphaGo智能音箱会跳舞的人形机器人1.1智能与人工智能智能(Intelligence)指主体(无论是生物还是机器)在特定环境中，基于有限的资源与信息，适应性地达成目标的能力。主体环境实现目标资源与信息智能主体：谁在行动环境：在哪里行动资源与信息：有哪些限制目标：为什么行动适应：如何动态调整1.1智能与人工智能智能系统（主体）环境感知（获取资源信息）形成决策（目标）反馈调整（适应）形成更优决策产生行动1.1智能与人工智能人工智能人工智能(ArtificialIntelligence，AI)是究和开发用于模拟、延伸和扩展人类智能的理论、方法及应用系统。AI在哪些方面延伸和扩展人类智能？

感知记忆计算1.1智能与人工智能1950年，艾伦·图灵(AlanTuring)发表了奠定人工智能理论基础的划时代论文《计算机器与智能》人工智能之父1.1智能与人工智能图灵的三个观点观点1：智能的功能与实现可以分离，因此机器是否具有智能，可以利用图灵测试来检验;观点2：计算机的通用性使其完全能够模拟人类智能的计算过程，因此智能可以在计算机上实现;什么是智能（定义层）智能的功能

≠

智能的载体（解耦）它确立了“智能可以被复刻”的前提确定智能载体（物理层）计算机

≈≈

人脑计算过程从抽象到了具体1.1智能与人工智能图灵的三个观点观点3：人工智能不应直接模拟复杂且充满偏见的成人大脑，而应模拟儿童大脑，尽量减少先验设定，然后通过学习逐步发展出智能。如何实现智能（实施路径）减少先验通过学习演化大模型+预训练的鼻祖1.1智能与人工智能阿兰·图灵（AlanTuring）1950年提出“图灵测试”（TuringTest）基本设定：一位人类评估者通过文本与两个实体（一个人类和一个机器）进行对话，评估者需要根据对话内容判断哪个是人类，哪个是机器。如果机器能够成功让评估者误认为它是人类，那么这台机器就被认为通过了图灵测试，具有智能。1.1智能与人工智能强人工智能与弱人工智能弱人工智能(WeakAI)只要系统在特定任务中表现出人类的智能行为，就可以被视为人工智能，至于它的内部运作机制是否与人类相同则无关紧要，评判的唯一标准是任务完成效果。强人工智能(StrongAI)要求机器必须像人类一样完成需要智能的任务，最终目的是让机器获待与人类一样的意识和完全的自主性。图灵测试1.1智能与人工智能强人工智能与弱人工智能下面哪些是强人工智能，哪些是弱人工智能1.1智能与人工智能人工智能与生物智能——能耗不同人脑硬件AI大模型硬件耗能：20瓦（一个灯泡）耗能：数万瓦（一座城市的用电量）碳基生命硅基生命人工智能生物智能1.1智能与人工智能人工智能与生物智能——目标不同

生物智能目标人工智能目标生存繁殖情感体验完成人类的任务为自己活一种内在动机为人类服务是一种外部目标1.1智能与人工智能人工智能与生物智能——结构不同生物智能人工智能晶体管

+逻辑门数字电路（硅基）神经元+突触神经网络（碳基）运算速度快（纳秒级）、能耗高运算速度慢（毫秒级）、能耗低1.1智能与人工智能人工智能与生物智能——学习方式不同生物智能人工智能海量数据训练数据驱动神经可塑性自适应机制神经可塑性→越用越强人类会自己学AI靠数据学数据训练→看很多例子总结规律1.1智能与人工智能人工智能与生物智能——研究取向不同生物智能人工智能理解大脑揭示生物智能本质做出有用的AI系统追求功能、性能和扩展性数学+计算机科学认知科学+神经科学提纲1.1智能与人工智能1.2人工智能与计算1.3人工智能发展历程1.4人工智能时代的应对1.2人工智能与计算计算系统规则

…………代数系统输入：实数规则：各种代数运算输出：实数输入输出导航系统输入：起点和终点位置规则：路径规划输出：最优路径1.2人工智能与计算辅助计算工具古希腊算盘算盘算盘的操作规则1.2人工智能与计算计算机计算机的三个基本要素计算单元存储单元控制单元存放输入输出控制规则的运行顺序（指令序列）执行具体的规则确保规则运行硬件软件1.2人工智能与计算图灵机……01101001……状态寄存器如果当前状态为1，对读出数据取反，得到的结果改写当前状态，且改写纸带对应数据。如果当前状态为0将读出的数据改写当前状态当前状态0011000011111100纸带指令序列控制器1.2人工智能与计算图灵机图灵机=对“人脑计算过程”的极简抽象，模拟人类按规则做事的能力。三个基本要素无限长的纸带：相当于存储器，用来记录和保存信息。读写头：相当于处理器，负责读取、修改信息。状态与规则表：相当于程序，告诉处理器在何种情况下该做什么：1.2人工智能与计算图灵机给出了计算的定义

计算：一系列机械可执行的步骤（规则）机械可执行的步骤（规则）

…………输入：纸带上预先写好的一串符号输出：纸带上最终留下的符号1.2人工智能与计算可计算问题和不可计算问题可计算问题：可计算问题是指存在必然在有限步内结束的算法。逻辑悖论问题一个村子里有个理发师，他宣称：“我只给所有不给自己刮胡子的人刮胡子。”理发师该不该给自己刮胡子？该问题是可计算问题吗？他给自己刮胡子属于给自己刮胡子的人理发师不应该给自己刮他不给自己刮胡子属于不给自己刮胡子的人理发师应该给自己刮逻辑悖论不可计算1.2人工智能与计算可计算问题和不可计算问题可计算问题：可计算问题是指存在必然在有限步内结束的算法。停机问题：是否存在一个程序，能够判断任意程序在给定输人下是否会在有限步内终止？H(P,x)：判断程序P在输入x时是否会停停机问题是否可计算呢？1.2人工智能与计算可计算问题和不可计算问题不可计算问题反证法：设计一个和H对着干的程序DD：如果H(P,X)会停，那D就死循环。

如果H(P,X)不会停，那D就立刻停是否存在H(P,x)：判断程序P在输入x时是否会停1.2人工智能与计算可计算问题和不可计算问题不可计算问题利用H判断程序D是否会停止，会发生什么？如果H(D,x)判断D会停止，D会死循环如果H(D,x)判断D不会停，D会立刻停止逻辑悖论H不存在不可计算问题是指不存在算法能解决该问题的所有情况停机问题为不可计算问题1.2人工智能与计算可计算问题和不可计算问题提纲1.1智能与人工智能1.2人工智能与计算1.3人工智能发展历程1.4人工智能时代的应对1.3人工智能发展历程早期孕育期（1936-1956）推理期(1956-1970s）知识期（1970-1980s）机器学习期（1980-2000s）深度学习期（2006-至今）1.3人工智能发展历程四个阶段推理期(1956-70年代中期）知识期（70年代中期到80年代末）机器学习期（80年代末到21世纪初）深度学习期（2006-至今）认为只要让机器具备逻辑推理(LogicalReasoning)能力，便可赋予其智能。理念认为不仅让机器具备推理，而且要让机器同时具备知识，才能使他具有智能。认为让机器具备学习能力，自动从数据中获取知识，才能使他具有智能。认为不仅要让机器具备学习能力，而且让机器具有人脑结构，才能使他具有智能。1.3人工智能发展历程推理期(1956-70年代中期）达特茅斯会议（1956）:标志人工智能正式成为一门学科。典型事件逻辑理论家(1956):自动证明《数学原理》中的数学定理。IBM塞缪尔跳棋程序(1959)：公开击败美国排名第四的跳棋选手。ELIZA对话系统(1964-1966)模拟罗杰斯式心理治疗师，引发用户情感共鸣。引发人工智能的第一次高潮1.3人工智能发展历程推理期(1956-70年代中期）第一次低谷当时的计算机软硬件水平有限，不足以支撑复杂AI算法的运行，支撑研究者的宏大设想。人工智能系统偏重符号推理而缺乏常识支撑;人工智能的研究深度与广度不足，使得很多盲目乐观的承诺和预测无法兑现。1.3人工智能发展历程知识期（70年代中期到80年代末）能够模拟人类专家的决策过程的专家系统出现专家系统的核心架构： 1.3人工智能发展历程知识期（70年代中期到80年代末）专家系统应运而生MYCIN医疗诊断系统（1976,斯坦福大学）XCON计算机硬件配置统（1980，IBM）它帮公司配置计算机订单。人工智能迎来第二次高潮1.3人工智能发展历程知识期（70年代中期到80年代末）专家系统的局限性人工智能的第二次低谷知识获取困难：难以表述直觉性知识，知识难以转化为规则化语言无关联系统维护复杂：知识与推理高度耦合，知识更新需调整多条推理规则。领域适应性差：一般针对特定领域构建，需重构系统才能适配新场景。无常识性知识：无通用常识库，无法结合常识推理，决策受限1.3人工智能发展历程机器学习期（80年代末到21世纪初）

突破了人工提炼并输入知识的知识工程瓶颈，开启了从数据中自动获取知识的新路径。计算机视觉、计算机听觉、自然语言处理、模式识别、数据挖掘等领域相继与机器学习结合，催生了丰硕的研究成果与商业产品，人工智能的产业价值日益凸显。告诉机器规则（老师灌输）给它大量数据例子，让它自己找规律推理期和知识期机器学习期1.3人工智能发展历程机器学习期（80年代末到21世纪初）

典型事件1.3人工智能发展历程深度学习期（2006-至今）如何通过模拟人脑结构产生智能？人工神经元单层感知机早期：转折人物登场：GeoffreyHinton2006年证明了多层神经网络可以训练开启了深度学习期1.3人工智能发展历程深度学习期（2006-至今）第二次世界震惊2016年AlphaGo战胜围棋冠军深度神经网络+强化学习标志着深度强化学习在复杂策略推理中的重要突破1.3人工智能发展历程深度学习期（2006-至今）第三次使世界爆炸事件：ChatGPT与大模型时代1.3人工智能发展历程人工智能三大流派从AI如何获得知识角度理解被动接收人类灌输的知识主动通过学习获得知识被动的灌输式学习（不具有自我学习能力）无监督学习有监督学习强化学习自学老师教试错学习机器的自我学习人类学习符号主义连接主义行为主义1.3人工智能发展历程人工智能三大流派从AI如何模拟智能角度符号主义直接指定各种规则，模拟人的理性推理连接主义模拟人脑神经网络强化主义模拟人如何通过试错和反馈来优化行动1.3人工智能发展历程人工智能三大基石数据、算法、算力智能的基础养料（燃料）智能的规则（灵魂）数据质量决定算法性能

算法优化降低算力需求‌数据的多少决定需要算力的大小智能的发动引擎（硬件基座）提纲1.1智能与人工智能1.2人工智能与计算1.3人工智能发展历程1.4人工智能时代的应对1.4人工智能时代的应对当代大学生在人工智能时代的应对策略极基础深耕基础理论，探索下一代模型架构，设计拥有自主知识产权的智能芯片和编程框架，以从根本上重塑人工智能技术布局与竞争格局。锚定国家亟需的方向，顺势而为，必能大有作为。极应用洞悉行业核心痛点，倒推需求，为需求量身打造专属的人工智能模型、工具与系统。既要在本行业里成为最懂人工智能的人，也要在人工智能领域里成为最懂行业需求的人人工智能通识第2章计算思维提纲2.1计算与计算思维2.2初识计算思维2.3计算思维的理解2.4计算思维的具体呈现提纲2.1计算与计算思维2.2初识计算思维2.3计算思维的理解2.4计算思维的具体呈现人工计算是指人类通过将数据与运算符结合，按照特定的计算规则进行计算，从而获得结果。例如，加减乘除算术运算；对数、指数、微积分等复杂函数的运算。人类不断地学习新的函数及其计算方法，并利用这些知识解决各种实际问题，得出正确的计算结果。3+4=78÷(2

2)=2算术运算

正态分布函数计算计算机器自动计算是针对某些计算规则设计出简单的机械操作流程，让机器能够重复并自动完成计算任务，本质上是让机器代替人类，自动按照既定规则执行计算。计算机的出现，实现了机器自动计算，使得许多复杂计算能够高效、准确地完成。帕斯卡的加法机

巴贝奇差分机

计算机计算图灵奖获得者、著名数据库专家JimGray观察并总结人类自古以来，在科学研究上先后历经了实验、理论、计算和数据四种范式。实验理论计算数据计算实验手段以物理、化学等自然科学为代表，强调通过观察和总结的“实证思维”；通过“实验”再现社会或自然现象，通过“观察”和“归纳”发现其中的规律。计算理论手段以数学学科为代表，主要特征是推理和演绎的“逻辑思维”；通过“定义”限定研究对象，利用“公理”和“定理”表达对象的性质或规律，并通过“证明”来验证公理和定理的正确性，是揭示社会或自然现象及其规律的重要方法。计算计算手段以计算机科学和人工智能为代表，突出以设计和构造为核心的“计算思维”；通过设计计算算法、构建计算系统，对大规模数据进行自动化分析和处理，从而揭示社会与自然现象及其规律。计算数据手段培养数据思维，树立以数据为中心的问题求解范式；从数据中发现问题、形成结论，挖掘未知的模式和有价值的信息。计算思维图灵奖得主艾兹赫尔·迪杰斯特拉（EdsgerDijkstra）曾指出：“人们所使用的工具不仅影响着人们的思维方式和习惯，更在深层次上塑造了人们的思维能力”。计算思维海量数据各学科研究计算科学计算思维基于计算机科学跨学科结合计算思维2006年，华人学者周以真首次系统性地提出并定义了计算思维（ComputationalThinking）的概念计算思维是指（无论是人还是机器）以计算机能够高效执行的方式来表述问题、表达解决方案的思维过程，它是一种像读、写、算一样，所有人都应具备的基本思维能力。建立在理解计算过程能力与限制的基础上，由人设计并通过机器执行。理解计算机的思维如何运用计算思维提纲2.1计算与计算思维2.2初识计算思维2.3计算思维的理解2.4计算思维的具体呈现计算思维的内涵和价值通过两个典型示例来展示计算思维的内涵及其独特价值第一个示例是现代计算机的设计理念第二个示例是算法的设计思路现代计算机的设计理念计算机的本质是通过程序来控制物理运动，从而实现各种计算任务的。早期的机械计算机试图用更加复杂的机械结构来解决复杂的问题。乔治·布尔克劳德·香农康拉德·楚泽现代计算机的设计理念现代计算机的设计理念XYX与Y（X∧Y）X或Y（X∨Y）X的非（¬X）00001010111001011110现代计算机的设计理念德国力学工程师，通过工程实践证明布尔代数可完成十进制运算和复杂控制逻辑贡献简单，大量复制简单模块设计逻辑人类第一台可编程计算机Z1，一台由电动机驱动齿轮组工作的机械计算机发明现代计算机的设计理念逻辑运算和控制过程可转化为等价开关电路形式，奠定现代数字电路路设计基础现代计算机是这种特殊数字电路的实现在布尔代数和算术运算间搭起逻辑电路桥梁模块化、等价性现代计算机的设计理念模块化就是通过少量简单的基础模块，搭建出各种复杂的功能体系。现代计算机的设计理念等价性计算机及其相关产品之所以容易实现模块化，主要还依赖于等价性这一重要思想。计算任务基础算术运算逻辑运算算法的设计思路算法是为了解决特定问题而设计的一组有序、明确、可执行的步骤或规则。是求解问题的步骤，既不依赖具体的程序设计语言，也不依赖具体的执行环境（包括硬件和操作系统）。递归（Recursive）在算法设计中，较核心的是一种自顶向下、先全局后局部的逆向思考方式递推

（Iterative）人类习惯的自底向上、从小到大的正向思维方式切换思路算法的设计思路递推递推是人类最为本能的正向思维方式，特点是从小到大，由局部到整体，由易到难，顺着已有的经验逐步向前推进。算法的设计思路递推（正向逐步计算）递归（逐层拆解+反向回推）从最小数开始正向依次相乘;掌握方法后，可延申计算100!先逐层向下拆解，找到最简基准；再从底向上反向推导得到结果12345

5!=1×2×3×4×5

5!=4!×54!=3!×43!=2!×32!=1!×21!=1算法的设计思路递归好处每一步只需解决当前的问题解决问题的过程可以完全复用递归前提子问题与原问题形式一样必须有清晰的终止条件算法的设计思路上台阶问题：从第1级台阶（起点）出发，每次可以向上攀登1级或2级，直到到达第20级台阶（终点）。请问共有多少种不同的攀登方法?算法的设计思路一种解法：归纳出一般性规律推导出台阶数n和走法数F(n)之间的关系式

无法通过数学归纳法直接推导出来只有走法的总数，没有攀登的具体方法算法的设计思路递归解法F(20)F(18)F(19)F(16)F(17)F(17)F(18)算法的设计思路递归解法归纳起来，这种关系可以表示为：必须有初始条件F(1)和F(2)：有了F(1)和F(2)，就可以逐步推算出F(3)，继而依次推算到F(20)=10946F(n)=F(n-1)+F(n-2)著名的斐波那契数列到达第1级台阶只有一种走法，即F(1)=1到达第2级台阶有两种方式，即F(2)=2提纲2.1计算与计算思维2.2初识计算思维2.3计算思维的理解2.4计算思维的具体呈现计算思维具体内涵包括：对计算思维的10种不同理解理解1：自动执行。计算机能够自动执行离散步骤的计算过程。理解理解2：正确性。计算机求解问题的正确性可以比特精准地定义并分析。理解3：通用性。计算机能够求解任意可计算问题。理解4：构造性。人们能够构造聪明的方法让计算机有效地解决问题。理解5：复杂度。这些聪明的方法（称为算法）具备时间/空间复杂度。对计算思维的10种不同理解理解6：抽象化。少数精心构造的计算抽象可产生成千上万种应用系统。理解理解7：模块化。多个模块有条理地组合成为计算系统。理解8：无缝衔接。计算过程在计算系统中流畅地执行。理解9：连通性。很多问题涉及用户/数据/算法的连接体，而非单体。理解10：协议栈。连接体的节点之间通过协议栈通信交互。提纲2.1计算与计算思维2.2初识计算思维2.3计算思维的理解2.4计算思维的具体呈现计算思维的4种具体呈现逻辑思维算法思维系统思维网络思维关注计算过程的正确性、通用性，以及能够机械地自动执行关注计算过程的巧妙性，体现为构造性和复杂度关注计算过程的实用性，体现为抽象化、模块化和无缝衔接如何将逻辑思维、算法思维、系统思维推广到网络计算过程，体现为连通性与协议栈2.4.1逻辑思维主要用来回答计算机科学的一个根本性问题：计算过程可以用来解决哪些问题？（1）计算过程可以用来解决哪些问题？这些问题称为可计算问题。（2）是否存在不可计算的问题？（3）是否存在一种通用的计算机？什么是通用计算机？通用又是何含义？2.4.1逻辑思维计算过程：在计算机上通过操作数字符号实现信息转换的过程。最基本理论模型是布尔逻辑，而当需要考虑系统状态时，最基础的理论模型则是图灵机。计算机科学中的逻辑思维主要围绕布尔逻辑和图灵机展开。布尔逻辑图灵机2.4.1逻辑思维主要用来回答计算机科学的一个根本性问题：计算过程可以用来解决哪些问题？（1）计算过程能够解决图灵可计算的问题。（2）存在任何计算过程都无法解决的问题，即不可计算问题。（3）存在通用计算机，即某些计算机具备能够模拟其他任何合理定义的计算机的能力，这种能力被称为通用性。2.4.1逻辑思维布尔逻辑是一种仅处理两种取值（通常是真（True）或假（False））的逻辑体系。在计算机应用中，布尔逻辑主要体现为针对单比特的运算。2.4.1逻辑思维命题逻辑研究命题之间的逻辑关系，以及由逻辑联结词构成的复合命题的真值规律。命题是一个具有确定真值（真或假）的陈述句，用1表示“真”，用0表示“假”。今天下雨了北京师范大学在北京2+2=52.4.1逻辑思维命题逻辑命题逻辑由用符号表示的原子命题和各种逻辑联结词组成。任何命题都对应着一个布尔函数，如下所示，即它把n个变量的取值映射到某个具体的函数值。如果把所有变量的全部可能取值及其对应的函数值逐一列出，每一行表示一种变量的取值情况，这个表就称为该布尔函数的真值表。2.4.1逻辑思维谓词逻辑又称一阶逻辑，是在命题逻辑的基础上发展而来的。不仅能够表达更复杂的断言，还引入了谓词和量词（全称量词

和存在量词

）。断言是一个会传回“真”或“假”的函数。李明是大学生张帅是大学生命题p命题q如果用谓词Stu(x)表示x是大学生断言Stu(李明)断言Stu(张帅)不相关相似2.4.1逻辑思维图灵机现代计算机的运作原理正是基于图灵机的思想。人们普遍认为，任何可计算的问题都可以用图灵机来实现。这一观点被称为丘奇-图灵论题（Church-TuringHypothesis），即所有人类能够用纸和笔完成的计算，本质上都可以由图灵机来完成。丘奇-图灵论题是否绝对成立，至今尚无定论。2.4.2算法思维高德纳（DonaldErvinKnuth）的算法定义一个算法是一组有穷的规则，它给出求解特定类型问题的操作序列，并具备5个特征。2.4.2算法思维算法范式：算法设计的基本方法论分治范式（DivideandConquerParadigm）动态规划范式（DynamicProgrammingParadigm）贪心范式（GreedyParadigm）随机化范式（RandomizationParadigm）2.4.2算法思维4种常用的分析算法复杂度的渐进记号O记号：假设f和g都是从非负整数映射到非负整数的函数。如果存在一个常数c>0，使得对于任意的n，f(n)≤c·g(n)，则称f(n)=O(g(n))。例如：10n+5=O(n)，100n2+n=O(n2)，10nlogn-n=O(n2)。O记号反映了函数随着n的增长其增长的速度快慢，而忽略掉之间可能存在的常数倍的差异。2.4.2算法思维

例如：10n=o(n2)，10nn2=o(n!)，100n=o(1.1n)。2.4.2算法思维4种常用的分析算法复杂度的渐进记号Ω记号：假设f和g都是从非负整数映射到非负整数的函数。如果存在一个常数c>0，使得对于任意的n，f(n)≥c·g(n)，那么就称f(n)=Ω(g(n))。例如：0.1n-8=Ω(n)，n2-106=Ω(n2)，10n-10=Ω(n)。2.4.2算法思维4种常用的分析算法复杂度的渐进记号Θ记号：假设f和g都是从非负整数映射到非负整数的函数。如果f(n)=O(g(n))且f(n)=Ω(g(n))，则称f(n)=Θ(g(n))。例如：10n-8=Θ(n)，10n2+100n=Θ(n2)。可以看出，f(n)=Θ(g(n))中的g(n)往往可以通过删除f(n)中的较小项和最大项的常数获得。2.4.3系统思维核心要义是通过抽象，将不同模块组合成一个系统，使计算过程能够无缝执行。计算系统计算抽象模块化无缝衔接2.4.3系统思维计算系统是计算模型、计算逻辑、算法和程序的实用载体和具体实现。主要提供三方面的功能提供资源为所支持的计算过程的执行提供硬件、软件、数据资源提供接口为用户开发和使用应用程序提供抽象化的接口（编程抽象）忠实执行将程序转化为系统能够理解的步骤序列，比特精准地执行每一步2.4.3系统思维计算抽象数据抽象也称数据类型，是某一类数据及其操作。控制抽象控制多个步骤如何组合起来实现计算过程。例如，文件是一种特殊的数据抽象例如，表达式5×3+3=18中先乘除后加减，可以使用括号强制规定优先级2.4.3系统思维计算抽象模块抽象用于刻画系统的子系统（模块）单元，通常同时包含数据抽象与控制抽象。比如，函数是程序设计语言中较常见的模块抽象。a=5b=10temp=aa=bb=tempprint(f"a={a},b={b}")defswap(a,b):returnb,aa=5b=10a,b=swap(a,b)print(f"a={a},b={b}")2.4.3系统思维模块化模块化是在计算系统的设计与理解中对抽象化方法的应用。其核心是将系统视为由若可组合的部件（即模块或子系统）构成，并围绕三大架构问题展开。系统由哪些模块组成模块如何连接与协作计算过程如何在模块间流动2.4.3系统思维模块化抽象化和模块化的核心在于信息隐藏原理。XYWZAB&&两个与非门级联而成的组合电路系统2.4.3系统思维无缝衔接要求计算机系统在运行过程中各模块和步骤顺畅衔接，信息和计算能够无障碍过渡，不出现阻塞或中断。分层与组合设计计算过程分为程序、指令、时钟多层周期，逐层循环运行。宽进严出输入端兼容误差与噪声，输出端执行严格控制。完备指令规则提供完整指令与细节，覆盖全部场景，实现程序自动运行。瓶颈导向优化紧盯系统性能瓶颈定向优化，随系统变化持续迭代。2.4.4网络思维网络思维是强调连通性和协议栈的思维方式2.4.4网络思维连通性通过网络的名字空间和网络拓扑刻画：名字空间名字空间用于规定网络节点的命名及其合法使用规则，也可用于命名其他实体（如边、消息、操作等）。11010819xxxxxxxx1X属地北京市海淀区出生日期19××年××月××日顺序号校验码2.4.4网络思维连通性通过网络的名字空间和网络拓扑刻画：网络拓扑网络拓扑描述了网络中节点间可能的连接方式及实际使用的连接形式。常见的网络拓扑主要包括静态网络和动态网络两种类型。（a）全连通图（b）星型网络（c）总线静态网络（a,b）中节点及它们之间的连接都是预先确定且固定的，节点之间直接相连。动态网络（c）中，节点虽然是确定的，但连接并不完全预先定义，节点之间并非直接相连，而是通过总线之类的特殊节点实现互连。2.4.4网络思维计算机网络通信的核心特征分组交换TCP/IP协议栈2.4.4网络思维线路交换建立一条专用的物理线路。实现实时通信，但线路利用率较低，且难以支持多用户并发访问。2.4.4网络思维分组交换显著提高线路的利用效率，使用户获得更好的实时交互体验。2.4.4网络思维协议栈协议：通信双方实现信息交流的规则、标准或约定协议栈：多个协议相互配合、协同工作每层功能独立，上层调用下层服务，下层为上层提供服务分层结构，将复杂问题拆解为简单子问题2.4.4网络思维中国的建筑专家法国的建筑专家用中文表达的信息用英文表达的信息用0-1表达的信息物理信号用法语表达的信息用英文表达的信息用0-1表达的信息物理信号信号传输层语言表达层共同语言表达层认识层0-1编码层应用层应用层传输层网络层数据链路层物理层传输层网络层数据链路层物理层通信信号的传输与控制TCPIPHTTPWi-Fi/以太网负责提供物理通信信道并传输比特流负责在直接相连的设备之间传输数据帧负责在不同主机之间以尽力而为的方式传输IP数据报确保在不同主机进程之间可靠地传输TCP报文用于通过超链接访问网络资源并传输HTTP数据包（a）协议栈及其分层示意（b）TCP/IP协议栈的分层示意人工智能通识第3章计算机基础提纲3.1问题求解与计算系统3.2计算机的硬件部分3.3计算机的软件部分3.4新型计算系统3.1问题求解与计算系统计算问题将5个学生的学习成绩“78,28,90,89,60”按照由高到低的顺序进行排序这是一个典型的计算问题，每位同学都能快速地计算出结果3.1问题求解与计算系统计算问题更复杂的排序求解方程组人们需要耗费一些时间计算出结果但对于计算机来说却极为简单3.1问题求解与计算系统如何让计算机能够帮我们处理复杂的计算问题？明确求解规则让计算机按规则逐步计算获得结果3.1问题求解与计算系统计算机求解问题的过程：从逻辑到硬件计算需求规则描述编程语言数据转换3.1问题求解与计算系统支撑问题求解的硬件系统部件功能鼠标、键盘输入显示器输出内存数据暂存中央处理器数据加工提纲3.1问题求解与计算系统3.2计算机的硬件部分3.3计算机的软件部分3.4新型计算系统3.2.1经典计算机结构电子数字积分计算机（ElectronicNumericalIntegratorAndComputer，ENIAC）世界上第一台现代电子数字计算机采用插拔电缆的方式来设定程序，操作复杂且不够灵活3.2.1经典计算机结构冯诺依曼计算机体系结构冯·诺依曼计算机的组成3.2.1经典计算机结构冯诺依曼计算机体系结构存储程序式计算机：程序和数据都存储在存储器中，并通过中央处理器进行统一处理。二进制：使用二进制表示指令与数据，简化硬件设计冯·诺依曼计算机的组成3.2.1经典计算机结构运算器:完成算术和逻辑运算,通常包括其中的寄存器；控制器:CPU的组成部分，它根据程序指令来指挥计算机内各种部件共同完成程序功能。存储器:存放运行时程序及其所需要的数据的场所。输入设备:信息进入计算机的设备，如键盘、鼠标等。输出设备:将计算结果展示给用户的设备，如显示器、磁盘、打印机、喇叭等。冯诺依曼计算机的工作流程计算机工作通过程序驱动程序由一系列指令构成每条指令的执行可概括为“取指—译码—执行—回写”程序执行示例包含下一个待执行指令的地址用于存储正在执行的指令操作码功能1取数3存数5加法运算C停止寄存器地址主存地址程序执行示例程序程序执行示例A0程序执行示例取指156CA0程序执行示例取指156CA0A2程序执行示例取指156CA2译码执行一个时钟周期30程序执行示例取指166DA2A4译码执行一个时钟周期3020程序执行示例取指5056A4A6译码执行一个时钟周期302050程序执行示例取指306EA6A8译码执行一个时钟周期30205050程序执行示例取指C000A8AA译码执行一个时钟周期302050503.2.2数据存储数据大小与单位3.2.2数据存储内部存储器外部存储器主存储器2级高速缓存1级高速缓存高速总线3.2.2数据存储数据仓库与数据湖数据仓库存储源自多个渠道的运营数据与历史数据，旨在便于获取数据洞察和生成相关的报告。数据湖用于存储、处理海量的结构化、半结构化和非结构化数据，以原生格式存储数据并支持不同格式间的相互转换。3.2.3任务计算绝大部分“任务计算”都是由处理器来完成的（1）中央处理器CPUCPU由算术逻辑单元、控制单元和高速缓存组成，通过数据通路互连（2）GPUGPU拥有大量的计算核心，即图中浅灰色小矩形所表示的算术逻辑单元。与CPU强调单线程性能和复杂指令处理不同，GPU的核心更注重同时处理大量相似的简单计算任务，因此能够在较短的时间内完成大量任务的处理（3）FPGAPGA在出厂时其内部结构并非固定不变，而是由大量可配置的逻辑单元、互连资源，以及输入/输出单元构成，是一种可反复配置的半导体集成电路FPGA结构FPGA开发流程（4）XPU单芯片内集成标量、矢量、张量等多种核心，深度定制、高效协同，面向AI与通用计算融合场景TPUNPU3.2.4信息交换1.单机系统中的信息交换在单机系统中，信息交换是各组成部分协同工作的基础，而内存作为核心的存储与中转区域，在其中扮演着关键角色程序和程序之间通过内存交换主机和外设之间、外设和外设之间通过内存交换2.机器与机器之间的信息交换计算机通过互联网的信息传递（以电子邮件为例）电子邮件传输过程信息交换协议2.机器与机器之间的信息交换物联网实现了计算设备与物理世界之间的连接和信息交换物联网通过部署在设备中的传感器等部件，经由互联网实现物理实体与信息网络的连接2.机器与机器之间的信息交换分布式计算将一个复杂的计算任务分解为多个子任务，由多台计算设备分别处理这些子任务，再通过计算设备间的信息交换——网络传输，将子任务的结果汇总，得到最终的计算结果3.2.5智能计算系统人工智能领域呈现出计算密集化与模式固定化的特点核心计算是矩阵、向量运算，核心是逻辑简单、计算密集的乘累加操作计算特点和传统CPU架构特征大相径庭神经网络全连接层计算3.2.5智能计算系统人工智能计算系统具有低精度计算的特性提纲3.1问题求解与计算系统3.2计算机的硬件部分3.3计算机的软件部分3.4新型计算系统3.3计算机的软件部分计算系统的架构从底层到应用层相互支撑底层：计算机硬件是整个系统运行的物理基础支撑层：操作系统对硬件进行管理和资源分配，为上层提供稳定的运行环境工具层：编程语言通过提供开发语法和技术生态，成为开发者软件编程的标准化载体和核心工具支撑应用层：提供了软件应用所需的各类底层和高层接口，赋能各行各业，充分发挥计算机的强大计算功能3.3.1操作系统操作系统是计算机系统的“大管家”为用户提供了统一的系统控制和硬件操作接口为每个程序实例构建一个独占的虚拟系统视图操作系统的核心功能进程调度、内存分配、设备控制、文件管理及用户交互等3.3.2编程语言C语言代码示例3.3.3

AI框架使用TensorFlow构建神经网络模型国产昇思MindSpore框架提纲3.1问题求解与计算系统3.2计算机的硬件部分3.3计算机的软件部分3.4新型计算系统3.4新型计算系统生物计算利用生物语言原语（活细胞）构建状态机量子计算机我国量子计算机2024年1月，本源量子计算科技（合肥）股份有限公司发布中国第三代自主超导量子计算机——本源悟空2024年12月，国内单台比特数最多的超导量子计算机“天衍-504”发布2025年，105比特超导量子计算原型机“祖冲之三号”成功构建本章小结计算机系统硬件系统：冯诺依曼计算机体系结构、工作流程软件系统：操作系统、编程语言、AI框架新型计算机生物计算、量子计算人工智能通识第4章人工智能基础技术北京师范大学人工智能学院提纲4.1知识表示与知识图谱4.2搜索、推理与规划4.3模式识别与数据挖掘4.4传统机器学习4.5神经网络与深度学习4.6新型机器学习提纲4.1知识表示与知识图谱4.2搜索、推理与规划4.3模式识别与数据挖掘4.4传统机器学习4.5神经网络与深度学习4.6新型机器学习爱德华·费根鲍姆(斯坦福大学教授，知识工程奠基人，1994年图灵奖)什么是知识知识的定义知识是人类一直在探索世界的本原，在这个探索过程中，人类使用了各种方式把结果记录下来，供子孙后代进行学习和研究，由此形成一系列的逻辑。知识可用来呈现事物、可用来传播、可用来习得。知识的表示找到一种计算机可接受的方式来描述知识，以便计算机能够存储、处理和运用这些知识。4.1.1知识表示方法谓词：每个储蓄钱的人都得到利息

产生式：如果动物会飞且下蛋，则该动物是鸟IF动物会飞AND下蛋，THEN该动物是鸟语义网络：中国的首都是北京图4.1简单的语义网络4.1.1知识表示方法语义网络语义网络的概念:语义网络是基于图的知识表示方法，通过有向图形式表示知识，节点代表实体、概念或属性，边表示节点之间的语义关联，直观展现知识元素间的联系。语义网络的构成要素:节点可以是具体事物（如“北京”“中国”）、抽象概念（如“城市”“国家”）或属性（如“人口”“面积”）；有向边表示特定关系，如“属于”“首都”“具有”等。语义网络构建示例:要表示“中国的首都是北京”及“北京是一个城市”，可构建语义网络，其中“中国”与“北京”通过“首都”关系连接，“北京”与“城市”通过“属于”关系连接。4.1.1知识表示方法框架表示方法框架表示方法的定义:框架表示方法是结构化的知识表示方法，通过“框架”描述对象(事物、事件、概念)的属性，以清晰的结构组织和呈现知识。框架的基本结构:一个框架由若干“槽”组成，每个槽可分为若干“侧面”（描述属性的某一细节），槽和侧面有对应的值（槽值、侧面值），还可包含约束条件限制填值。框架表示法应用示例:以“学生”“教师”“大学”框架为例，“学生框架”包含姓名、学号等槽，如“王小明”的学号为202301001×，所属大学关联“北京师范大学”框架实例，体现了对象属性及关系的结构化描述。框架槽(属性)槽的约束/说明槽值实例学生框架姓名字符串，必填王小明学号学生标识编号202301001×所属大学关联“大学框架”实例北京师范大学年级整数(1-4,本科)2主修专业学校开设专业名称人工智能在校状态可选值：在读/休学/毕业在读指导教师关联“教师框架”实例张三框架表示方法4.1.1知识表示方法框架槽(属性)槽的约束/说明槽值实例教师框架姓名字符串，必填张三工号教师统一编号T201000×所属大学关联“大学框架”实例北京师范大学所属院系大学二级单位名称人工智能学院职称可选值：助教/讲师/教授教授人职年份4位整数2010框架表示方法4.1.1知识表示方法框架槽(属性)槽的约束/说明槽值实例大学框架学校名称全称(如“××大学”)北京师范大学学校代码教育部统一编号10027所在城市省+市北京市建校时间年份1902在校学生数整数(单位：人)38000学校类型可选值：综合类/理工类综合类框架表示方法4.1.1知识表示方法4.1.2知识图谱知识图谱知识图谱最早由谷歌公司2012年提出，用于增强搜索引擎语义搜索功能，后泛指同类型大规模知识库，是结构化描述客观世界中概念、实体间复杂关系的知识表示方法。知识图谱本质:采用语义网络表示方法的知识库，以图结构形式呈现，更接近人类对世界认知，由相互连接的实体及其属性构成，节点表示实体或概念，边由属性或关系构成。表示形式:常用三元组表示，包括（实体1,关系,实体2），如（中国，首都，北京）；以及（实体，属性，属性值），如（北京，人口，2183万），大量三元组组成知识图谱的有向边。图4.2知识图谱示例4.1.2知识图谱4.1.2知识图谱关键技术知识获取:从结构化、半结构化和非结构化数据中提取实体、关系、属性等知识要素，例如从文本中识别实体并确定实体之间的关系，为知识图谱构建提供基础数据知识融合:整合多个知识源，将多个知识图谱合并为统一、一致的图谱，过程中需消除实体、关系等存在的歧义问题，如同名不同义或一个实体多个名称等情况。知识推理:在已有知识图谱基础上挖掘隐含知识，丰富和扩展知识图谱，例如根据“甲是乙的父亲”“乙是丙的父亲”，推理出“甲是丙的祖父”。4.1.2知识图谱知识图谱应用领域智能搜索：基于知识图谱理解用户检索词中的实体，突破传统“关键词匹配”局限，实现以实体为核心的精准信息检索，如用户搜索“中国的首都是哪里”，可直接返回答案“北京”。智能问答：通过构建实体及关系的结构化语义网络，帮助系统理解问题语义并实现精准推理与答案检索，如IBMWatson在智能问答中依赖知识图谱提升理解与推理能力，从海量数据中找出正确答案。个性化推荐：建立“用户-物品-属性”之间的语义关联网络，全面理解用户兴趣，实现精准推荐，例如小丽看了电影《活着》后，系统可根据知识图谱将该电影导演和演员参与的《有话好好说》《红高粱》等电影推荐给小丽。自动知识问答示例-IBM的Watson4.1.2知识图谱

IBMWatson系统参加知识竞赛节目《危险边缘》FerrucciD,BrownE,Chu-CarrollJ,etal.BuildingWatson:AnoverviewoftheDeepQAproject[J].AImagazine,2010,31(3):59-79.基于图谱的自动推荐基于知识图谱的个性化推荐4.1.2知识图谱提纲4.1知识表示与知识图谱4.2搜索、推理与规划4.3模式识别与数据挖掘4.4传统机器学习4.5神经网络与深度学习4.6新型机器学习4.2搜索与推理4.2.1搜索搜索的定义：复杂智能问题中，为寻找通向目标的动作序列而进行的计算过程，其核心是在庞大的状态-动作空间中确定动作的选择规则与执行次序。搜索的应用领域：广泛应用于自主导航、博弈、推理与自动规划等系统，可抽象为操作路径生成等任务，已形成成熟高效的解决方案。典型场景示例：包括机器人抓取任务中的运动规划，以及击败围棋世界冠军的DeepMindAlphaGo，其核心均依赖强大的搜索算法。4.2.1搜索典型的搜索问题机器手自动抓取(具身智能)柯洁对弈AlphaGoSilverD,SchrittwieserJ,SimonyanK,etal.Masteringthegameofgowithouthumanknowledge[J].nature,2017,550(7676):354-359.SongX,LiY,ZhangY,etal.Anoverviewoflearning-baseddexterousgrasping:recentadvancesandfuturedirections[J].ArtificialIntelligenceReview,2025,58(10):300.基础数据结构-队列，堆栈和邻接表表示4.2.1搜索ABCDdataadjABCD0123destlinkdestlink

130210

常用的数据结构盲目搜索算法深度优先搜索（DFS）:基于堆栈结构，从起点出发优先探索当前分支深处，标记已访问节点并压入相邻节点。不保证最短路径，可能在无效分支耗费时间，路径不唯一。宽度优先搜索（BFS）:基于队列结构，按层扩展节点，先访问起点邻接节点，再依次处理下一层节点。有限分支且解深度有限时必找到解，边权相同时可得最短路径，但空间开销大。4.2.1搜索盲目搜索与启发式搜索4.2.1搜索带启发函数的地图路径搜索问题

地图路径搜索问题4.2.1搜索图4.8算法的节点扩展顺序（a）深度优先搜索4.2.1搜索图4.8算法的节点扩展顺序（b）宽度优先搜索启发式搜索算法启发式搜索概念:引入领域知识，通过启发函数估计节点到目标的代价，优先扩展代价估计值小的节点，能有效缩小搜索范围、提升效率，区别于盲目搜索的固定顺序。启发函数作用:针对具体问题设计，用于估计当前节点到目标节点的代价，估计越接近真实代价搜索越高效，需遵循不排除最优路径的设计原则，如地图搜索中采用直线距离作为启发值。贪婪搜索算法步骤:基于优先队列，按启发函数值优先级扩展节点。以带启发函数的地图路径搜索为例，从起点A出发，优先处理h值最小的节点（如北京B，h=16），最终快速定位目标节点T。4.2.1搜索盲目搜索与启发式搜索4.2.1搜索带启发函数的地图路径搜索问题

贪婪搜索的节点扩展顺序典型的推理问题推理的概念与典型场景核心定义：智能系统利用既有事实、规则或数据模式，通过逻辑推导、概率量化或神经学习得出新结论、制定计划或做出判断过程，是连接感知与决策核心桥梁。4.2.2推理符号推理定义与特点：符号推理以逻辑与显式规则为基础，操作抽象符号（代表概念、对象或事实），通过逻辑演算推导新结论，具有强可解释性与可验证性。关键环节：包括将已知条件与推理目标形式化为计算机可理解的符号表示，以及设计推理算法依据规则进行形式化推理，形式化推理不依赖命题具体含义，关注推理结构与规则。4.2.2推理符号推理4.2.2推理概率推理概率推理的概念：概率推理是在不确定与不完备信息下，使用概率论（尤其是贝叶斯定理）量化置信度的不确定性，并随新证据更新置信度的推理方式，适用于决策场景。贝叶斯定理的核心公式：P(A|B)=P(B|A)·P(A)/P(B)，其中P(A|B)为后验概率，P(A)为先验概率，P(B|A)为似然概率，P(B)为证据概率，用于描述条件概率间的关系。4.2.2推理贝叶斯定理本质上是一种量化不确定性的思维方式，它让数据在推

理和决策中发挥核心作用。随着新证据的出现，对某一事件的置信度(概率)会据此进行

调整。≈63.2%概率推理4.2.2推理神经推理定义:神经推理利用神经网络执行推理任务，优势在于自动完成从自然语言、图像等非结构化问题描述到形式化知识表达的转换，实现推理全过程自动化。传统推理与神经推理的对比:传统推理需人工将问题转化为谓词等结构化知识，计算量大且依赖预构建知识库；神经推理将知识表示与推理过程结合，通过统一模型处理高维非结构化数据，降低人工依赖。神经符号系统的融合趋势:神经推理与符号推理从单一范式走向融合，神经符号系统结合神经网络的数据处理能力与符号推理的逻辑严谨性，推动人工智能技术发展。4.2.2推理在直角三角形ABC中，已知AD=3,BD=12,求CD的长度。这道题包含了自然语言、数学语言和几何图形，因此，传统推理需要先将自然语言描述(如在直角三角形ABC中)、数学语言(如AD=3、BD=12)和几何图形转换成谓词，进行符号推理。谓词可以表示为神经推理4.2.2推理

几何题示意Triangle(A,B,C);Perpendicular(Line(A,C),Line(B,C));Equals(LengthOf(Line(A,D)),3);Equals(LengthOf(Line(B,D)),12);Perpendicular(Line(C,D),Line(A,B));Triangle(A,C,D);Triangle(B,C,D)规划的定义:规划是在动态环境与约束条件下，为达成既定目标而选择一系列动作的过程，本质上是依据当前状态、可执行动作及其前置条件与效应，推导出可行且尽可能优的动作序列。规划与搜索的区别:搜索是在给定地图（状态-动作空间）上“找路”，不考虑资源约束等因素，如从A市到B市在公路地图上找最短路径；规划则是在规则与资源约束下“造路”，需考虑初始状态和动作模型，如车在A市且半箱油，需先规划加油再前往B市。4.2.3规划规划技术的应用4.2.3规划

旅行规划示意规划技术的应用4.2.3规划初始状态：{ontable(A),on(C,A),ontable(B),clear(B),clear(C),handempty}目标状态为{ontable(C)，on(B,C)，on(A,B)}动作描述如下：略规划问题的一个解：unstack(C,A)，putdown(C)，pickup(B)，stack(B,C)，pickup(A)，stack(A,B)

积木世界示意经典规划问题求解前向搜索：从初始状态出发，考虑所有可行的动作，进行深度优先或宽度优先搜索。后向搜索：从目标状态出发，将当前目标还原为回归子目标，直到返回初始状态。与前向搜索相比，一般具有较小的分支数。启发式搜索：利用启发函数（如将当前状态到目标状态距离的估计作为启发函数），进行前向或后向搜索。4.2.3规划提纲4.1知识表示与知识图谱4.2搜索、推理与规划4.3模式识别与数据挖掘4.4传统机器学习4.5神经网络与深度学习4.6新型机器学习模式识别模式与类别的概念：模式是感知数据（如图像、视频、语音、文本等）中具有一定特点或规律的目标、行为或事件，具有相似特点的模式组成类别。模式识别的定义：是人工智能的核心内容，主要研究如何使机器模拟或实现人的感知识别能力，即从环境感知数据或其他数据中检测、识别和理解目标、行为、事件等模式。4.3模式识别与数据挖掘模式识别的典型应用场景（一）4.3.1模式识别行人重识别自动探矿系统三维场景的自动生成ChenC,YeM,JiangD.Towardsmodality-agnosticpersonre-identificationwithdescriptivequery[C]//ProceedingsoftheIEEE/CVFconferenceoncomputervisionandpatternrecognition.2023:15128-15137.SamsonovAA,ChurikovYA,IbragimovAR,etal.Challengesofearthremotesensingdataduringgeologicalexploration[J].InternationalJournalofEnvironmentalScienceandTechnology,2025,22(11):10957-10978.LiC,GuoJ,HuR,etal.Onlinescenecadrecompositionviaautonomousscanning[J].ACMTransactionsonGraphics(TOG),2023,42(6):1-16.4.3.1模式识别/ywdt/bmdt/202410/t20241022_8455651.shtml4.3.1模式识别数据采集与预处理数据采集的目的与来源：旨在收集来自不同来源的相关数据，包括图像、视频、文本、音频、传感器数据等各类数字化信息，为后续分析提供基础。数据预处理的关键环节：预处理是提升数据质量的关键，包括数据清洗（去除噪声、填补缺失值、修正异常数据）和归一化（将数据统一到相同尺度），确保数据适应后续任务需求。数据质量对模式识别的影响：数据的质量和数量直接影响模式识别效果，高质量数据能提高模型的稳定性和效率，是模式识别系统成功的基础。4.3.1模式识别特征提取与学习特征提取与学习的核心目标：根据数据本征属性和应用需求，从原始数据中提取有用信息并合理编码，使特征具有完备性、紧凑性和良好区分能力。特征选择方法：从大量特征中筛选出与任务相关的子集，有效缓解“维数灾难”问题，提升模型性能。主要特征学习方法：包括以主成分分析（PCA）为代表的线性子空间分析、核方法的非线性扩展、基于流形结构的学习，以及深度学习端到端自动学习等，自监督学习等新型方法也不断涌现。4.3.1模式识别分类器设计与分类决策核心地位：是模式识别系统最核心的模块，利用选定算法和提取的特征训练模型，学习方法分为无监督、监督、半监督和强化学习等。分类决策的规则：最小错误率决策可实现错误率最小；最小风险决策更符合现实需求，关注错误决策带来的风险，不同错误类型后果差异巨大。分类器的选择与应用：不同分类器模型各具优缺点与适用范围，实际应用中需结合具体场景有针对性地选择和设计，以实现准确分类。4.3.1模式识别系统评估与实例分析系统评估目的：已设计完成的模式识别系统进行性能评测，客观预估系统决策可能出现的错误和风险，为后续优化提供依据。学校出入车牌识别：车辆接近时摄像头采集图像，经车牌定位、字符分割、OCR识别得到车牌信息，与数据库比对后控制道闸放行，模式识别技术贯穿全程，实现高效智能管理。4.3.1模式识别4.3.1模式识别图4.17车牌识别系统数据的表达图片、声音、文字easyhard鸢尾花分类（山鸢尾、变色鸢尾和维吉尼亚鸢尾）数据集花萼长度花萼宽度花瓣长度花瓣宽度分类4.3.2数据挖掘核心：把原始数据编码成数字序列或向量，用于量化和计算词向量像素矩阵特征向量4.3.2数据挖掘数据挖掘的定义与综合性数据挖掘定义：数据挖掘是从大量的、不完全的、有噪声的数据中提取隐含在其中的、事先未知的、有潜在利用价值的信息与知识的过程。数据挖掘综合性：它是一门综合性技术，涉及机器学习、模式识别、数据可视化、知识获取、信息检索等众多技术，可应用于市场购物分析等场景，如通过分析顾客购物清单挖掘商品同时购买模式。4.3.2数据挖掘数据挖掘在市场购物分析中的应用

使用JSON格式描述一个大学生4.3.2数据挖掘数据挖掘应用（一）：商业与金融领域客户与市场分析：核心在于深度理解客户、优化营销决策并提升客户价值，典型应用包括客户画像与细分、个性化推荐、营销活动优化、客户流失预警、购物篮分析，以及客户生命周期价值预测等。金融风控与反欺诈：在风险量化和欺诈识别等方面发挥核心作用，是保障业务安全的关键手段，主要应用包括信用卡/贷款信用评分、交易欺诈检测、反洗钱、保险理赔欺诈识别，以及股票市场异常波动分析等。4.3.2数据挖掘京东自动仓储PAMT多模态肿瘤分析系统4.3.2数据挖掘数据挖掘应用（二）：生产与医疗领域应用PangX,TomanekDP.ImpactofDigitalizationonEcologicalSustainabilityinWarehousing-CaseStudyofJD.comandSFExpressWarehousesinShanghai[M]//DigitalisationoftheGreeningSupplyChain.Cham:SpringerNatureSwitzerland,2025:127-153.YanR,ZhangX,JiangZ,etal.Pathway-awaremultimodaltransformer(PAMT):Integratingpathologicalimageandgeneexpressionforinterpretablecancersurvivalanalysis[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2025.面向十亿像素级大场景的深度社交分组网络快手：使用多模态大语言模型描述所见内容以增强视频推荐数据挖掘应用（三）：互联网与公共服务领域应用4.3.2数据挖掘WongB,KimJ,FuH,etal.Few-shotlearningfromgigapixelimagesviahierarchicalvision-languagealignmentandmodeling[J].AdvancesinNeuralInformationProcessingSystems,2025,38:71313-71354.YuL,HuJ,DuQ,etal.MVideoRec:MicroVideoRecommendationsthroughModalityDecompositionandContrastiveLearning[J].ACMTransactionsonInformationSystems,2025,43(3):1-27数据挖掘的具体流程4.3.2数据挖掘

数据挖掘系统的构成与流程数据选择与预处理4.3.2数据挖掘数据挖掘核心技术（一）关联规则：发现数据关联性。旨在揭示大规模数据集中数据项间的潜在关联，经典应用为购物篮分析，如“购买方便面的顾客常购买火腿肠”，支撑商品推荐与营销策略。分类：监督学习的类别预测。通过学习已标注训练数据，构建特征与类别映射模型，预测新样本类别，如根据客户属性预测流失风险。常用分类算法。包括决策树、K近邻、贝叶斯分类器、支持向量机及逻辑回归等，各具优缺点，需结合场景选择。4.3.2数据挖掘数据挖掘核心技术（二）回归：连续数值预测。与分类不同，构建函数模型预测连续数值变量，如根据房屋特征预测售价、用历史数据预测股票价格，常用线性回归、多项式回归等。聚类：无监督的簇划分。在无标签数据中，按自身特征将对象划分为内部相似度高、差异大的簇，揭示数据内在结构，K均值是代表性算法。异常检测：识别特殊数据。又称离群点检测，专注识别与多数样本表现不同的异常数据，代表欺诈、故障等重要现象，与需清洗噪声不同，具有高分析价值。4.3.2数据挖掘结果解释与评价回归商业本质：数据挖掘后需从业务需求和商业价值角度评估成果，确保挖掘结果能指导决策、驱动增长，实现数据价值落地。领域专家评估：邀请专家全面评价成果的有效性、合理性及可解释性，结合专业判断验证数据洞察的实际意义。数据可视化的桥梁：作为连接技术与业务的关键工具，将复杂挖掘结果直观呈现，帮助清晰理解数据洞察，为最终决策提供支撑。4.3.2数据挖掘4.3.2数据挖掘4.3.3模式识别与数据挖掘的区别提纲4.1知识表示与知识图谱4.2搜索、推理与规划4.3模式识别与数据挖掘4.4传统机器学习4.5神经网络与深度学习4.6新型机器学习什么是机器学习？"机器学习"名字的由来1952年，阿瑟·萨缪尔(ArthurSamuel)在IBM公司研制了一个具有自学习能力的西洋跳棋程序1956年，萨缪尔应约翰·麦卡锡(JohnMcCarthy)之邀，在达特茅斯会议上介绍这项工作。萨缪尔发明了“机器学习”这个词，将其定义为“不显式编程地赋予计算机能力的研究领域”核心：“学习”《机器学习》-周志华ArthurSamuel(1901-1990)4.4监督学习人工智能一个宏观技术范畴，其核心目标是赋予机器模拟人类智能行为的能力机器学习专注于通过数据自主发现规律（让机器通过数据自动学习规律，而无须依赖人工编写固定规则）神经网络机器学习中的一种重要技术手段，凭借其多层结构和非线性映射能力，能够有效处理复杂模式传统机器学习方法与人工智能、神经网络的关系4.4.1监督学习监督学习：机器学习领域的基础方法核心思想：“从数据中归纳规律”;利用一批已知输入与对应输出（即标注数据）的样本，使模型能够发现输入与目标输出之间的内在规律。4.4.1监