信息技术与人工智能通识 课件 任务7.2 剖析人工智能核心技术

主讲：余飞跃任务7.2剖析人工智能核心技术一、机器学习目录二、深度学习三、自然语言处理四、计算机视觉二、人工智能的定义1、什么是机器学习一、机器学习机器学习（ML）是人工智能核心分支，本质是让计算机从数据中自动学习规律、优化性能，无需显式编程就能对新数据做预测或决策，即靠“数据”自学、从经验中提升能力，而非依赖人工固定指令。一、机器学习2、机器学习的发展阶段理论萌芽阶段20世纪50至80年代，图灵测试、感知机模型等奠定基础，但受算力和数据限制，仅停留在理论验证。统计学习主导阶段90年代至21世纪初，支持向量机等算法成熟，靠“手工特征工程+统计模型”实现初步应用。一、机器学习深度学习融合阶段2012年AlexNet夺冠后，端到端学习替代手工特征，推动技术爆发。2、机器学习的发展阶段一、机器学习大模型驱动阶段2020年至今，预训练范式普及，实现一模型适配多任务，向通用智能迈进。2、机器学习的发展阶段一、机器学习3、机器学习的发展方向大模型与轻量化协同——云端做大模型迭代，边缘端做轻量化部署，平衡性能与成本可信机器学习成核心——聚焦可靠性、可解释性和隐私保护，确保合规应用多模态与跨领域融合——突破单一数据限制，拓展应用边界提升自主学习能力——让模型适配动态环境，保持长期有效性一、机器学习0201是机器学习的“教材”，分训练数据和测试数据，质量与规模直接决定模型效果。数据算法好比“大脑”，是算法作用于数据后形成的知识载体，固化规律以实现判断能力。模型作为“学习方法”，是连接数据与模型的纽带，需结合任务和数据特性选择。034、机器学习要素二、深度学习是基于神经网络的机器学习方法，通过构建多层神经元网络模拟人脑结构，让机器自动提取数据特征，逐层传递处理、抽象特征以完成智能任务，广泛应用于图像识别、语音处理等场景。深度学习的概念2、深度学习中的专用模型二、深度学习卷积神经网络CNN擅长提取空间特征，适配图像、视频数据，是图像识别的核心，AlexNet就基于CNN架构。2、深度学习中的专用模型二、深度学习循环神经网络RNN能捕捉时序依赖，适配文本、语音，其变体LSTM解决了长序列依赖问题。2、深度学习中的专用模型二、深度学习Transformer模型靠自注意力机制捕捉全局依赖，是当前大语言模型的核心架构，也已延伸至计算机视觉领域。三、自然语言处理（NLP）它研究让计算机理解、生成和处理人类语言，精准捕捉语义、情感与逻辑，是连接人类意图与机器执行的桥梁。当前Transformer预训练模型成为主流，预训练-微调范式大幅降低了任务训练成本。打破人机语言壁垒三、自然语言处理（NLP）智能语音助手可语音文本交互，智能客服提升服务效率，机器翻译助力国际交流；在多领域可实现文本检索等功能，我国文心一言、通义千问等大模型在中文语义理解领域具独特优势。NLP技术深度融入生活与产业1、计算机视觉的概念四、计算机视觉（CV）通过设备采集视觉信息，转化为数字信号，实现目标检测、场景识别等任务，模拟人类视觉机制，在高精度、全天候场景中优势显著，是智能制造、智慧医疗等领域的核心支撑。四、计算机视觉（CV）2、计算机视觉的技术体系图像识别判断目标类别，应用于人脸识别、商品分类。目标检测同时识别类别与定位，YOLO算法可满足实时场景需求。四、计算机视觉（CV）2、计算机视觉的技术体系图像分割实现像素级精准划分，U-Net在医学影像领域表现突出。