人工智能程序设计 课件 第3章 Python人工智能程序设计

Python人工智能程序设计人工智能基础、PythonAI库与AI辅助编程工具

01

02

03人工智能与机器学习简介常见的Python人工智能库AI辅助编程工具

04本章总结本章从“概念”走向“工具实践”01人工智能与机器学习简介→02常见的Python人工智能库→03AI辅助编程工具学习路径：理解概念→认识库生态→使用AI工具辅助编程人工智能正在改变现实生活1智能助手：识别语音并转化为文字2医疗影像：辅助医生进行疾病诊断3自动驾驶：让汽车在真实道路中感知与决策4电商推荐：根据浏览历史推送商品5AI与机器学习正在改变生活和产业运行方式人工智能是对智能行为的模拟与逼近1人工智能是人类创造的、模拟人类智能的技术2典型任务包括自然语言理解、图像识别、决策、学习新知识3AI不是复制人类思维，而是用计算能力和算法逼近智能行为4目标是帮助人类解决复杂问题图灵测试与达特茅斯会议奠定AI起点1950年图灵提出“图灵测试”阶段2图灵测试关注机器能否在对话中不被辨认出身份1956年达特茅斯会议正式提出“人工智能”术语阶段4AI从此成为独立学科领域AI发展经历热潮、寒冬与复苏初期热潮早期程序解决特定领域问题发展瓶颈硬件性能和算法复杂性带来限制复苏阶段专家系统和机器学习算法逐渐发展21世纪大数据、GPU和算法创新推动深度学习突破人工智能可以按能力分为三类弱人工智能在特定领域完成有限任务，是目前最常见类型强人工智能具备全面智能能力，目前仍在理论研究和探索阶段超人工智能假设性智能，能力远超人类，引发伦理与未来讨论机器学习是实现人工智能的重要途径•机器学习让计算机从数据中发现模式和规律•与传统编程不同：不预先写死规则，而是通过数据学习•机器学习支撑语音识别、图像识别、智能推荐等AI系统•AI发展也不断推动机器学习技术创新AI输入任务数据应用↘↙↗↖机器学习的发展同样依赖数据与算力20世纪50年代感知机、决策树等早期算法出现阶段2数据量和算力不足使早期应用范围较窄阶段3经典算法持续改进，如MLP、SVM等阶段4大数据与GPU推动深度学习成功落地三种学习方式决定模型如何获得经验监督学习使用带标记数据训练模型无监督学习从无标记数据中发现结构和模式强化学习智能体通过环境奖励学习最优策略监督学习用“标记数据”建立预测模型•训练数据包含类别或目标值标记•算法学习数据特征与标记之间的关系•模型用于预测新的未标记数据•例子：图像分类、目标检测训练数据→模型→结果无监督学习关注数据内部结构•训练数据没有人工标记•目标是发现数据内部结构和模式•聚类：把相似数据分到同一组•降维：将高维数据转成低维数据并保留主要特征强化学习通过奖励优化行为策略01→02→03目标是最大化长期累积奖励→04例子：游戏智能体学习到达目标位置智能体在环境中采取行动环境根据行动给予奖励或惩罚机器学习的经典问题有四类分类预测离散类别回归预测连续数值聚类在无标签数据中寻找相似群组降维减少特征维度，支持特征提取和可视化分类问题把输入映射到类别1学习算法返回函数f，模型根据特征x预测类别y2多数分类方法属于监督学习3二分类例子：垃圾邮件检测4多分类例子：手写数字识别0~9回归问题预测连续变量1回归预测的结果是连续数值，而不是离散类别2关注自变量变化如何影响因变量变化3与分类模型结构相似，但输出层面向连续值4例子：股票走势预测、对弈胜率预测聚类与降维帮助理解复杂数据1聚类：寻找样本相似性并形成无标签类别2应用：相册管理、新闻话题聚类、社区发现3降维：减少冗余特征和相关特征带来的计算挑战4应用：特征提取、数据可视化、模型性能观察深度神经网络推动多个AI领域突破1深度神经网络在AI领域占据重要地位2推动计算机视觉、自然语言处理、语音识别等领域突破3帮助人们重新理解智能与学习4本节关注概念、发展、特性和应用深度神经网络由多层神经元构成•模型灵感来源于生物神经网络•比传统神经网络拥有更多隐藏层•神经元接收输入，经过加权求和与激活函数产生输出•数据逐层传递，最终形成预测或分类结果反向传播让神经网络训练更有效阶段1早期神经网络受限于计算能力和算法设计阶段2反向传播算法可自动调整权重参数阶段3深层网络仍面临梯度消失、梯度爆炸等挑战阶段4大数据和算力提升让深度神经网络重新兴起深度神经网络的四个关键特性特征提取能力自动学习复杂特征非线性建模能力逼近复杂函数关系端到端训练方式减少人工特征工程大规模并行计算能力充分利用多核处理器和GPUAI应用开发通常从需求分析开始1明确要解决的问题2梳理用户需求3定义目标和规格说明4进行可行性分析数据准备决定建模质量AI应用一般离不开大数据支撑数据分析处理质量是建模关键前提数据质量可能直接决定应用成败需要在建模前完成数据准备与探索模型、系统与代码共同完成AI应用01→02→03模型能力需要通过软件系统交付给用户→04代码实现训练、调优模型，并完成系统开发与单元测试选择模型和算法应用建模的核心系统设计确定产品设计、架构设计和技术方案测试与部署让AI应用进入真实使用01→02→03AI应用开发通常需要反复迭代并预留接口→04部署后根据规模和需求可使用云计算平台模型测试关注业务性能是否达标软件测试关注系统可靠性和稳定性PythonAI库构成完整工具链01→02→03Scikit-learn传统机器学习工具包→04PyTorch深度学习框架→05不同库覆盖从数据到模型训练的不同环节Numpy科学计算基础Pandas数据处理与分析NumPy提供高效多维数组NumPy是Python科学计算的基础库ndarray是高效的多维数组对象数组在内存中连续存储，访问和处理速度快数值计算性能通常显著高于Python原生列表NumPy让数学计算更简洁•内置丰富数学函数：算术、三角、指数、对数等•函数可直接作用于数组，减少循环代码•例子：`np.std(data_array)`一行完成标准差计算•广播机制支持不同形状数组之间的兼容运算importnumpyasnpstd_value=np.std(data_array)result=array_a+array_bPandas面向结构化数据处理Pandas是数据处理与分析的核心库Series：一维带标签数组DataFrame：二维带标签表格型数据结构Se适合处理CSV、Excel等结构化数据Pandas支持数据清洗与筛选分析缺失值处理`dropna()`、`fillna()`重复数据处理`duplicated()`、`drop_duplicates()`数据筛选按索引、列名和布尔条件选取子集分组聚合`groupby()`支持求和、均值、计数等统计Scikit-learn提供统一的机器学习接口Scikit-learn是用于机器学习的Python库提供模型构建、评估和部署所需工具设计强调简单、易用、高效统一接口让用户能够切换不同算法广泛用于教学、科研和工业项目Sklearn覆盖机器学习核心流程01→02→03参数选择网格搜索寻找更优模型参数→04模型评估交叉验证衡量泛化能力数据预处理清洗、特征提取、特征选择算法实现分类、回归、聚类、降维、异常检测Sklearn与Python数据生态协同工作Sklearn可与TensorFlow、PyTorch等框架集成传统机器学习场景适合使用sklearn快速建模NumPy、Pandas、Matplotlib与sklearn无缝对接初学者和研究者都能通过sklearn掌握机器学习实践PyTorch是灵活的深度学习框架PyTorch由FacebookAIResearch开发维护核心数据结构是Tensor，多维数组可在GPU上运行所有计算围绕张量展开autograd自动计算梯度，简化神经网络训练PyTorch模块支持完整训练流程`torch`：张量运算、随机数生成等基础功能`torch.Tensor`：定义张量类型、属性和操作`torch.nn`：神经网络层、激活函数、损失函数`torch.optim`：SGD、Adam等优化算法`torch.utils`与`torch.autograd`：数据读取、性能优化与自动微分PyTorch的特点适合研究与应用灵活性动态图计算，训练过程中可修改模型易用性API简洁直观，文档和社区活跃高效性张量操作、GPU支持和分布式训练生态系统TorchVision、TorchText、TorchAudio等扩展库PyTorch广泛应用于深度学习任务计算机视觉图像识别、物体检测、图像生成自然语言处理语言模型、机器翻译、文本分类语音处理语音转文字、文字转语音强化学习策略梯度、深度Q网络等PyTorch生态降低复杂任务门槛TorchVision视觉数据集、模型和预训练资源TorchText文本数据集、词向量和文本处理工具TorchAudio音频加载、转换和特征提取其他fastai、Composer、PyTorchLightning等工具进一步简化训练流程AI辅助编程工具正在进入开发流程AI辅助编程工具集成到开发环境中提供代码生成、自动补全、错误检测、优化建议常见工具包括DeepSeekCoder、GitHubCopilot、通义灵码等目标是提高开发效率和代码质量DeepSeekCoder展示代码大模型的实践价值DeepSeekCoder是面向代码生成的大模型具备代码生成、多语言支持、数学与推理能力可帮助开发者进行代码调试和优化开源和免费商用降低了开发者使用门槛Codeium可根据注释自动补全代码•在VSCode中安装Codeium插件后，可实现代码自动补全•示例：输入“#写一个斐波那契数列”•AI自动生成对应代码•开发者按下Tab键即可接受补全图3-1计算器测试结果AI辅助编程可以从需求生成完整代码01→02→03自然语言需求可以转化为代码生成任务→04示例组合VSCode+DeepSeek+Cline+Codeium应用场景从代码补全拓展到复杂算法实现可支持软件开发全流程、编程学习和科研项目SiliconFlow提供DeepSeek-R1API接入•注册SiliconFlow平台账号•进入左侧“API密钥”页面•点击“创建API密钥”获取模型API服务•初始免费额度适合小型项目和实验测试图3-2SiliconFlow官网申请API页面图3-3申请的API密钥在VSCode中安装Cline与Codeium插件•打开VSCode扩展商店•搜索并安装Cline插件•同样安装Codeium插件以增强自动补全•插件安装方式可参考Python扩展安装流程图3-4VSCode安装Cline插件Cline需要配置APIProvider与模型参数•打开Cline设置•APIProvider选择OpenAICompatible•BaseURL填入SiliconFlow网址•APIKey填入平台获取的密钥•ModelID填入所需模型名称，如DeepSeek-R1•点击Done完成设置图3-5Cline插件部署API信息1图3-6Cline插件部署API信息2用自然语言提出“计算器GUI”需求•输入指令：“用Python写一个计算器GUI”•大模型会先分析用户需求•工具随后生成对应代码•这一过程展示了自然语言到程序代码的转换图3-7部署工具编写计算器GUI运行代码后得到计算器GUI•运行生成代码•弹出由代码编写的计算器GUI界面•说明AI生成代码仍需运行验证•运行结果与需求目标进行对照检查图3-8代码运行结果计算器测试用于验证生成结果•测试表达式：459954÷236•检查计算器是否能正确显示结果•功能测试是AI生成代码后的必要步骤•通过可运行结果判断代码是否满足需求图3-9计算器测试结果生成代码从Tkinter窗口开始•引入`tkinter`创建GUI程序•定义`Calculator`类封装计算器逻辑•`__init__`初始化窗口对象•`master.title("Python计算器")`设置窗口标题•`Entry`控件作为右对齐显示框importtkinterastkclassCalculator:def__init__(self,master):master.title('Python计算器')self.display=tk.Entry(master)按钮布局决定计算器界面结构•`buttons`列表保存按钮文本和网格位置•数字键、运算符、等号和清除键按行列排列•循环创建`Button`控件•`lambdat=text`将按钮文字绑定到点击事件•`grid()`控制按钮在窗口中的位置buttons=[('7',1,0),('8',1,1),('+',4,3),('C',5,0)]fortext,row,colinbuttons:tk.Button(...).grid(row=row,column=col)点击事件处理输入、运算符与清除•`current`记录当前输入内容•`operation`记录当前运算符•`first_number`保存第一个操作数•点击`C`清空显示框和计算状态•点击运算符时保存操作并等待第二个数字self.current=''self.operation=Noneself.first_number=0ifkey=='C':self.display.delete(0,tk.END)等号触发计算并处理除零错误•点击`=`后读取第二个操作数•调用`calculate()`得到运算结果•将结果写回显示框•使用`try/exceptZeroDivisionError`处理除零错误•普通数字键会追加到当前输入字符串elifkey=='=':second_number=float(self.display.get())try:result=self.calculate(...)exceptZeroDivisionError:self.display.insert(0,'错误')calculate方法集中处理四则运算•`calculate(self,a,b)`根据运算符返回结果•加法、减法、乘法、除法分别对应不同分支•主程序创建`Tk()`根窗口•实例化`Calculator(root)`•`root.mainloop()`启动GUI事件循环defcalculate(self,a,b):ifself.operation=='+':returna+belifself.operation=='-':returna-belifself.operation=='*':returna*belifself.operation=='/':returna/broot.mainloop()AI工具组合降低