《人工智能通识基础》课件 第5章人工智能的关键技术

第5章

人工智能的关键技术CATALOGUE目

录引言0102机器学习基础03神经网络04深度学习05习题与实训引言01人工智能行业的发展智能技术前沿人工智能，驱动科技革新，塑造社会新貌。当前，机器学习、神经网络与深度学习技术引领AI发展，展现无限潜力与前景。行业变革引擎人工智能技术广泛赋能，推动行业变革，产业升级步伐显著加快，经济结构持续优化，社会生活深刻变革，开启智能新时代。未来趋势展望技术日臻成熟，应用场景持续拓展，人工智能将深刻影响全球发展格局，构筑智能社会新篇章，开启人类文明新纪元。机器学习定义作为人工智能的核心分支，它赋予计算机自我学习与优化的能力，使系统能从数据中捕捉模式，从而提升智能决策与任务执行的效率。机器学习概述与应用应用领域广泛金融精准预测、医疗辅助诊断、制造流程优化，均见机器学习身影。技术赋能百业，促进产业升级，展现强大发展潜力与广泛应用前景。未来发展前景科技飞跃，数据激增，机器学习正迎来前所未有的发展机遇。其应用边界不断拓展，创新活力持续迸发，为人类社会注入强劲动力。技术前沿展望人工智能领域技术持续突破创新，驱动着神经网络与深度学习的边界不断拓展。未来，此技术将深刻影响人类生活与社会发展。神经网络基础神经网络模拟人脑神经元，通过数据训练优化系统决策与认知。其多层结构深度学习模型，有效应对复杂数据挑战，成就显著。深度学习崛起作为神经网络的后起之秀，深度学习以多层神经元为剑，深剖复杂数据奥秘，NLP、ImageNet大放异彩，引领AI前沿阵地。神经网络与深度学习机器学习基础02机器学习概述与分类机器学习的定义机器学习的起源机器学习的本质机器学习是人工智能的核心分支，它使计算机能够从数据中自动学习并提取特征，通过算法优化和模型构建，实现智能化决策和高效问题解决。机器学习的核心在于模拟人类的思维与学习过程，通过不断优化算法并进行持续训练，最终构建出逼近物理世界的计算模型。该模型能够高效地从数据中提取知识。追溯至17世纪，帕斯卡尔与费马等先驱者奠定了早期的直接概率推理理论基础。随后，贝叶斯、拉普拉斯等学者进一步深化了对概率论推理问题的研究。研究者让机器模拟人类的学习过程，主要聚焦在模式识别和计算学习理论上，阿兰·图灵提出图灵测试来衡量智能行为，弗兰克·罗森布拉特发明感知机，而马文·明斯基指出感知机的局限性，导致神经网络研究暂时性停滞。机器学习概述与分类早期阶段随着计算机技术的不断进步和数据量的急剧增加，机器学习开始广泛应用于实际问题，如语音识别、图像处理等领域，同时神经网络技术也取得了显著的发展。中期发展进入21世纪，随着大数据和计算能力的显著提升，机器学习迎来了全新的发展机遇。深度学习技术的蓬勃兴起，极大地推动了机器学习领域的进步，取得了突破性成果。现代繁荣监督学习利用带标签数据训练系统，使其具备精准预测或分类新输入数据的能力，如手写数字识别，通过带标签数据的训练，模型能够实现对手写数字图片的精准识别。无监督学习从无标签数据中自主发现规律、模式和结构，如市场细分，企业通过无监督学习识别客户群体的特征，制定有针对性的营销策略，而不依赖明确的数据标签。半监督学习在半监督学习中，训练数据既包含少量有标签的样本，也包含大量未标签的样本，如图像分类任务中，少量图像有标签，大量图像无标签，利用有限标签信息提升学习效果。强化学习通过与环境的交互，并根据反馈结果不断优化行为策略，从而学习如何达成目标的方法。如AlphaGo等围棋程序通过大量对弈和策略优化，达到高水平的竞技能力。机器学习概述与分类01020304监督学习常用算法K-means是一种广泛应用的聚类算法，通过迭代调整聚类中心，以最小化数据点与聚类中心之间的距离；主成分分析旨在降低数据的维度，同时最大限度地保留原始数据的信息。无监督学习常用算法半监督学习图论推理算法利用数据点间的相似性构建图结构，执行推理和聚类；拉普拉斯支持向量机则融合有标签和无标签数据，借助正则化项优化模型，提升在分类、回归及聚类等任务中的性能。线性回归预测连续值，逻辑回归解决二分类，SVM寻找最佳超平面，决策树构建决策路径预测，随机森林提升预测准确性，KNN依据最近邻样本预测，朴素贝叶斯基于贝叶斯定理预测目标变量。常用算法与应用前景常用算法与应用前景强化学习未来发展趋势应用前景Q学习利用表格更新Q值实现最优策略；深度Q网络融合深度学习与Q学习，适用于大型状态空间；策略梯度方法直接优化策略，特别适用于连续动作空间的问题。医疗健康领域，机器学习辅助疾病诊断、治疗推荐及药物研发；金融服务重塑风险评估；智能制造提升生产效率；智慧城市增强运行效率及居民生活品质；教育领域实现个性化学习资源推荐。机器学习模型将更加复杂且强大，深度学习在图像识别、语音处理等领域续突破；强化学习扩展至自动驾驶、游戏设计等领域；联邦学习与隐私保护技术提升数据处理安全性。决策树概念与构建过程决策树用于事物分类或回归，体现对象属性与值映射关系。根节点启动决策，事件节点标志不确定结果，决策节点选项选择，终端节点最终结果。决策树的概念构建决策树需明确分解活动阶段，定义决策点选项，估计各结果概率并确保总和为1。确保决策过程涵盖所有可能分支，概率分配合理反映不确定性。决策树构建过程使用Excel工具构建决策树TreePlan获取与导入问题描述TreePlan基本使用下载解压TreePlan宏文件含试用版.xla、样例.xls和指导书.pdf；启动Excel后加载TreePlan到加载项中；重启Excel后可见DecisionTree菜单组命令。创建决策树于C5单元格；创建节点与分支默认两个；变更或创建分支时选择Addbranch；删除节点或分支时选择Removepreviousbranch；调整列宽以美化决策树。某公司投资新产品需经历开发、测试、审查等步骤；决策树量化各阶段利弊并提供决策框架；公司可选择升级锁箱产品或自行开发新产品；自行开发有完善与最小功能版本选择。使用Excel工具构建决策树利用TreePlan构建决策树案例：新建工作表并新建默认决策树；调整样式内容；为“开发新产品”分支创建决策节点及两分支；设置代价花销；为“开发完善的产品”创建事件节点及三分支。设置概率与收益：为“开发完善的产品”分支设置概率0.45（45%）及收益1500000元，“响应一般”和“响应较差”分支分别设置概率0.35（35%）和0.2（20%），对应收益150000元和8000元。为“开发最小功能产品”分支设置概率与收益：为“开发最小功能产品”分支创建事件节点及三分支；为“不升级”和“改进销售流程”分支分别设置代价花销0元和-40000元；连接各分支事件节点。TreePlan决策树结果解释：决策树终端值示期望收益；最高期望收益在序号1分支，达529100元；评估模型优选此分支以最大化获利；决策应选此分支最有可能获利最大。使用KNIME工具构建决策树KNIME软件下载安装01从官网下载KNIME软件后直接进行安装；安装完成后即可开始使用KNIME进行数据探索、预处理、机器学习建模等数据分析工作。问题描述02癌症确诊需综合多数据；案例用Kagglebreast-cancer数据集预测乳腺肿瘤；含569条记录和32字段；通过KNIME处理数据以筛选诊断肿瘤良恶性。利用KNIME构建决策树案例03在KNIME中导入数据集并预处理数据；构建决策树模型；提供预测数据进行预处理后接入预测模型进行预测；查看预测结果并解释。KNIME决策树结果解释04案例分类结果准确度高；初步预测诊断通过与原数据对比验证其有力支持医疗决策；为后续治疗提供可靠数据基础并指导医疗流程。神经网络03神经网络基本原理神经网络模型神经网络模拟人脑神经元，节点间复杂连接与信息传递学习数据。通过加权求和与激活函数处理，生成输出信号，实现数据学习与处理。神经网络学习神经网络通过调整连接权重，学习数据中的模式和规律。其信息以层次化方式传递，经隐藏层特征提取，在输出层实现判断或分类。神经网络原理神经网络模拟人脑神经元，处理复杂数据，捕捉非线性关系。其层次结构与前馈传递机制，使神经网络具备强大学习能力和高度适应性。神经网络结构类型前馈神经网络前馈NN从输入层经隐藏层至输出层单向传递，适用于图像分类、文本分类等简单模式识别任务，逐层处理数据，最终输出概率分布以识别数字。卷积神经网络CNN通过卷积层自动学习图像特征，减少参数并保留空间信息，在图像识别、视频分析等领域表现卓越，通过多层处理提取特征，最终分类识别交通标志。循环神经网络RNN具备反馈连接，适合处理序列数据，如NLP、语音识别等。LSTM、GRU等变体解决梯度问题，捕捉时间序列依赖，用于股票价格预测等问题。生成对抗网络GAN由生成器和判别器组成，通过竞争生成逼真数据样本，在数据增强、艺术创作等领域前景广阔，训练生成器与判别器，迭代提升图像生成质量。自编码器自编码器是一种无监督学习的神经网络，通过压缩和解压缩数据学习有效表示。编码器提取低维特征，解码器重构原始数据，用于降维、去噪和特征学习。神经网络训练与优化训练NN旨在调整权重和偏置，用梯度下降法最小化损失函数。需计算梯度并反方向更新参数，迭代至收敛，如前馈NN通过交叉熵损失优化手写数字识别。神经网络训练防止过拟合，可在损失函数中加正则项惩罚模型复杂度。L1、L2正则化约束权重，早停法监控验证集性能，提前终止训练，节约资源并防过拟合。正则化防过拟合为加速训练进程并增强模型稳定性，建议在每层网络之后引入批量归一化层，以标准化输入数据。此举不仅能有效提升训练速度，还能显著提高模型的稳定性。批量归一化为了解决深度神经网络中的梯度消失问题并提升模型性能，可以在深层网络中引入残差连接，通过这种跳跃连接方式，信息能够直接在层间传递。残差连接为加速收敛和提升模型性能，可动态调整学习率。固定、递减、自适应（如Adam）等策略均适用，Adam结合Momentum和RMSprop优势，自动调节学习率。学习率调度深度学习04神经网络架构正则化与防止过拟合迁移学习与预训练模型损失函数与优化算法激活函数深度学习核心技术深度学习之基，涵盖CNN、RNN等，各擅数据处理。CNN精于图像识别，RNN强项NLP与时序预测。架构多样，针对性强，共筑深度学习处理数据之基石。深度学习之关键，引入非线性，助网络逼近复杂函数。ReLU高效缓梯度消失，Sigmoid/Tanh提供稳健非线性变换。精心挑选激活，促进模型精准学习。评估预测误差，优化算法最小化。均方误差测距离，交叉熵析差异。SGD、Adam、RMSprop等算法助力，自适应调节学习率，加速收敛。L1/L2正则化防过拟合，dropout随机剔神经元，减轻依赖，增强泛化。批量归一化稳定训练，提速收敛，助力模型学习，提升性能与泛化力。迁移学习跨任务共享资源，预训练模型为大项目奠基。ResNet等预训练精品，图像分类卓越，加速创新进程，为深度学习提供强大支撑。计算机视觉推荐系统强化学习语音识别与合成自然语言处理深度学习应用领域深度学习引领图像分类、目标检测、人脸识别、图像分割等计算机视觉领域。CNN在ImageNet挑战赛中突破，推动视觉技术飞跃，广泛应用赋能AI场景。深度学习在机器翻译、情感分析、问答系统等领域广泛应用。RNN、LSTM凭借序列处理能力，NLP任务中的出色表现，成为自然语言处理领域的基石。深度学习显著提升语音识别与合成技术。神经网络助力声学模型训练与语音特征提取，同时驱动语音合成技术进步，推动智能语音领域发展。深度学习赋能推荐系统，协同过滤精准预测用户偏好，实现个性化推荐；而基于内容的推荐则依托物品特征信息，实施精准推送，增强用户体验。强化学习试错寻优策，深度学习数据炼精英。两者融合促发展，游戏AI、自动驾驶等领域期待新突破，共绘智能未来新篇章，开启技术融合新纪元。数据需求与隐私保护深度学习渴海量标注数据，隐私保护成难题。数据增强技术需研发，隐私保护机制待完善。平衡技术需求与隐私安全，共筑数据时代防线。泛化能力与鲁棒性深度学习模型泛化弱，干扰应对显不足。鲁棒性待提升，训练方法与评估需精进。强化模型稳定性，确保应用场景中准确可靠。多模态学习与跨领域应用多媒体数据融合难，跨领域学习算法缺。探索高效多模态学习，促进深度学习发展。跨域迁移技术突破壁垒，拓宽应用领域新篇章。模型复杂度与可解释性深度学习模型复杂难解，调试应用遇障碍。提升可解释性成关键，简洁高效结构需探索。增强模型透明度，助力广泛应用与信赖。深度学习挑战与趋势习题与实训05机器学习定义机器学习是人工智能的核心分支，它使计算机系统具备从数据中自动学习并改进的能力，通过算法和模型，系统能对复杂世界的问题进行预测、识别和决策。监督学习概念监督学习是机器学习的一种，它使用带有标签的数据集来训练系统。系统通过分析这些数据，能够对手写数字、图像或文本等新输入数据进行准确分类或预测。非监督学习定义非监督学习是机器学习的另一类学习方法，与监督学习不同，它不依赖带有标签的数据，能从无标签的数据中发现规律、模式和结构，从而揭示数据的内在特性。强化学习简介强化学习是机器学习的一种，它模拟了生物体通过试错和奖励惩罚来学习的过程。强化学习算法使智能体能够理解如何在特定环境中采取行动以最大化累积奖励。机器学习基础与概念01020304监督学习与非监督学习监督学习算法通过分析带有标签的训练数据集，来构建一个模型，该模型能够对于新输入的数据进行准确的分类，可应用于垃圾邮件识别、疾病诊断等领域。01040302分类问题在回归问题中，监督学习算法旨在建立输入特征与连续值输出之间的关系，可应用于天气预测、股票价格预测等场景，通过分析历史数据来预测未来的趋势。预测问题无监督学习算法常用于将数据集合分成多个组或簇，使得同一组内的数据相似度较高，而不同组间的数据相似度较低，可应用于市场细分、基因表达分析等。聚类问题无监督学习中的降维技术，通过保留数据的关键信息来降低其维度，有助于揭示数据中的隐藏模式或结构，同时提高处理效率，可应用于图像识别、生物信息学。降维问题在监督学习中确保数据质量至关重要，可以通过以下技巧来优化数据收集，明确数据收集的目标和范围；确保数据的准确性和完整性；考虑数据的代表性和多样性。数据收集技巧使用合适的评估标准来衡量模型性能是至关重要的，常见的评估标准包括准确率、召回率、F1分数和AUC-ROC曲线等，可根据具体问题选择合适的标准。评估模型性能的标准收集到的数据通常需要进行预处理才能用于训练模型，预处理步骤包括，数据清洗（去除噪声、处理缺失值等）、数据标准化（缩放数据、使其符合模型输入要求）。数据预处理步骤010302