第2章 人工智能基础

课程导览01金融科技的基本概念02人工智能基础03人工智能应用04大数据处理与和数据中台05云计算服务06量化投资技术07智能投顾08智能风控09保险科技10区块链技术11金融科技监管12金融科技应用案例CHAPTER人工智能基础理解技术原理，才能洞察业务本质第2章本章学习目标理解人工智能（AI）的定义与内涵掌握人工智能的层级划分（弱AIvs强AI）了解人工智能发展的三次浪潮与关键事件熟悉人工智能的三大主流学派及其核心观点理解新一代人工智能发展的关键驱动力（ABCs模型）观看导入视频，思考下面的问题：

什么是人工智能，人工智能有哪些特点？1.人工智能概述2.机器学习算法第1节

人工智能概述2.1.1基本概念人工智能之父之一的马文·明斯基将人工智能定义为“让机器做本需要人的智能才能够做到的事情的一门科学”。尼尔逊教授：“致力于让机器变得智能的一种活动...”《人工智能标准化白皮书(2018)》：“利用数字计算机...模拟、延伸和扩展人的智能...”本书对人工智能的定义为：人工智能是研究、开发如何利用一定的载体模拟、延展和扩展人的智能，使其能够感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。机器学习:是专门研究如何让计算机获取新的知识或技能，并能基于已有的知识不断学习、改善自身性能的一门学科。深度学习的概念则源于人工神经网络的研究，其目的是通过建立具有阶层结构的人工神经网络，在计算机系统中实现人工智能。AI的内涵与层级AI核心三要素：Learn（学习）→Understand（理解）→Dealwith（行为）。四类AI系统（罗素与诺维格）：像人一样思考的系统，像人一样行动的系统，

理性地思考的系统，理性地行动的系统。层级划分：弱人工智能(ANI/NarrowAI):专注于特定领域（如语音识别、图像识别）。这是目前我们已达到的水平。强人工智能(AGI/FullAI):能胜任人类所有工作，具有自我意识。目前仍在探索中。2.1.2人工智能发展史：AI发展的三次浪潮第一次浪潮

1950s-1980s诞生与初步发展达特茅斯会议确立概念，符号主义盛行，但技术瓶颈（逻辑证明、感知器局限）导致第一次低谷。第二次浪潮1980s-1990s模型突破与产业化专家系统、决策树、多层神经网络出现，DeepBlue战胜卡斯帕罗夫。但因成本高昂、知识获取难等问题再次陷入低谷。第三次浪潮21世纪初-至今金融智能化阶段信息时代催生新一代AI。以2006年深度学习为标志，大数据、算法、算力爆发式增长，AI进入爆发期。人工智能演进大事记2.1.3新一代人工智能：ABCs模型人工智能的驱动力：ABCs模型核心内容：A-Algorithm(算法):深度学习等算法的崛起，是核心驱动力。B-BigData(大数据):海量数据为AI训练提供了“燃料”（Garbagein,Garbageout）。C-ComputingPower(计算能力):GPU、NPU等专用芯片提供了强大的算力支持。S-Scenarios(应用场景):产业应用的引导，形成技术发展的正反馈循环。新一代人工智能的六大重点任务科技创新构建开放协同的人工智能科技创新体系智能经济培育高端高效的智能经济智能社会建设安全便捷的智能社会军民融合基础设施科技项目前瞻布局新一代人工智能重大科技项目构建泛在安全高效的智能化基础设施体系加强人工智能领域军民融合2.1.4人工智能主流学派简介符号主义(Symbolicism)别称：逻辑主义、计算机学派。核心观点：认知是符号操作过程（“物理符号系统”假设），智能源于数理逻辑。代表：纽厄尔、西蒙的“逻辑理论家(LT)”，专家系统。方法：功能模拟法。连接主义(Connectionism)行为主义(Actionism)别称：仿生学派、生理学派。核心观点：思维源于神经元连接，而非符号运算。代表：感知机（Perceptron）、BP网络、Hopfield网络。方法：结构模拟法（模拟人脑神经网络）。别称：进化主义、控制论学派。核心观点：智能不需要知识、表示和推理，只需“感知-动作”模型。代表：布鲁克斯的机器虫。方法：行为模拟法。第2节

机器学习算法2.2.1机器学习算法概述定义：算法是一系列解决问题的指令，能用系统方法描述策略机制。类比：计算机由几十亿个开关（晶体管）组成，算法就是控制这些开关的指令集。五大特征：可穷尽(Finiteness):必须在有限步骤后终止。确切性(Definiteness):每一步必须有确切的定义。输入项(Input):有0个或多个输入。输出项(Output):有一个或多个输出。可行性(Effectiveness):每一步都能在有限时间内完成。人工智能算法关系：在AI领域，通常所说的“人工智能算法”就是指“机器学习算法”。定义：机器学习算法是一种能够从数据中学习的算法。“学习”的理解：引用米歇尔（Mitchell）的定义，即算法在任务T上的性能P，会随着经验E的增加而提高。机器“学习”的工作过程：

选择数据→训练模型→验证模型→测试模型→使用模型→调优模型2.2.2典型算法介绍典型算法之一：回归算法回归算法是机器学习的一种有监督学习算法，用于预测连续数执行目标值。常见的回归算法有线性回归，逻辑回归，多项式回归等。最简单的回归算法可视作用来建立自变量x和观测变量y之间的映射关系。OLS（普通最小二乘法）的应用典型算法之二：决策树(DecisionTree)决策树：直观的分类与回归规则概念：以树形结构展示决策规则，是If-Then规则的集合。结构：根节点、内部节点（特征判断）、叶节点（分类结果/回归值）。逻辑原理：通过递归方式选择对数据分类最有决定性作用的特征作为节点，构建倒立的树。剪枝：解决过拟合，分为“预剪枝”和“后剪枝”。常见算法：

CART、ID3、C4.5、随机森林（RandomForest）。决策树应用举例：相亲决策树决策树

案例及应用通俗理解：决策树就像在网上买衣服，逐步输入筛选条件：先选“冬装”→再选“价男装/女装”→再选“款式”→再选“价格区间”，最后根据所给的商品精心挑选，每一步都在“分叉”。应用案例：银行信贷审批银行用决策树模型判断是否批准贷款——系统先问"月收入是否超过5000元？"→再问"是否有不良信用记录？"→"征信评分多少？"……最终给出"批准"或"拒绝"的结论。决策树的可解释性很强，银行能清楚地知道"为什么拒绝这笔贷款"，这在金融领域非常重要。典型算法之三：人工神经网络(ANN)概念：受生物神经网络启发而构建的算法模型。基本单元：人工神经元（多输入单输出）。三层网络结构：输入层、隐含层、输出层训练步骤：正向传播→计算误差→反向传播→更新权值。优缺点：优点：自学习、联想存储、高速寻找优化解。缺点：需要大量数据、硬件要求高、黑盒状态、参数选择困难。人工神经网络

案例及应用通俗理解：人工神经网络就像就像你学认人：第一次见到新同事，你记住了一些特征（戴眼镜、高个子、短发、声音洪亮）。下次再见到，你把这些特征组合起来，认出"哦，这是新来的小王"。应用案例人脸识别（FaceNet）：手机相册能够自动识别并归类不同人的照片，就是深度卷积神经网络在背后工作。自动驾驶：自动驾驶系统使用卷积神经网络识别道路上的红绿灯、行人、车道线，即使在暴雨中也能精准识别。医疗影像分析：联影的AI系统能在3秒内定位CT图像中的肺结节，误差小于0.1mm，帮助医生更快发现早期病变。典型算法之四：遗传算法(GA)-模拟自然进化概念：模拟达尔文生物进化论（自然选择、遗传学机理）来搜索最优解。逻辑原理：编码与解码→将问题解表示为染色体（个体）。适应度函数→评估每个个体的优劣。遗传操作→选择（Selection）、交叉（Crossover）、变异（Mutation）。优点：从串集开始搜索，覆盖面大，全局择优。易于并行化。仅用适应度函数评估即可，应用范围广。采用概率变迁规则，并非确定性规则。具有自组织、自适应和自学习特性。缺点：编码可能存在不准确性。参数选择依赖经验。搜索速度可能比传统优化方法慢。容易过早收敛。遗传算法逻辑示意图遗传算法

案例及应用通俗理解：遗传算法就像达尔文进化论的"计算机版"。想象一群动物，跑得快的更容易活下来并繁殖后代，后代继承父母"优秀基因"，偶尔还会发生"基因突变"。经过许多代，整个种群就变得越来越能跑。遗传算法就是把这套"自然选择"逻辑用在计算机上，让候选解像生物一样进化，最终找到最优解。应用案例育种专家培育水稻：每次选产量最高的稻子留种，下一年在它们后代中再选最高产的，反复几十代，就得到了超级水稻。在人形机器人领域，工程师用遗传算法来优化机器人的行走步态。通过模拟"进化"过程，让机器人不断尝试不同的迈步方式，速度快、姿态稳的步态"存活"下来，经过多代迭代，最终得到最优的行走方式。典型算法之五：朴素贝叶斯分类器(NBC)概念：以特征之间强（朴素）独立假设为基础，运用贝叶斯定理的简单概率分类器。核心思想：对于待分类项，计算其属于各个类别的概率，将概率最大的类别作为其所属类别。数学基础：贝叶斯定理+特征条件独立假设。应用场景：文本分类（如垃圾邮件过滤）、情感分析等。优点：计算效率高，训练和预测速度快小样本表现好，对小规模数据集表现优异多分类能力强，天然支持多分类任务对缺失数据不敏感，在数据稀疏下仍能有效工作适合增量训练，可分批处理超出内存的大数据可解释性强，基于概率，结果易于理解缺点：特征独立性假设强先验概率取决于假设，可能影响预测对数据表达形式敏感分类决策存在错误率，基于概率而非确定性朴素贝叶斯

案例及应用通俗理解：朴素贝叶斯就像你用"生活经验"来做判断。比如你看到天空乌云密布，根据以往经验，乌云→下雨的概率很高，于是你出门带伞。朴素贝叶斯做的就是：根据已知的"特征"（乌云），计算它属于"结果"（下雨）的概率有多大，然后选择概率最大的那个结果。应用案例邮件系统使用朴素贝叶斯分类器来过滤垃圾邮件。算法看到邮件中有"免费""中奖""点击链接"等词，就会计算这封邮件是"垃圾邮件"的概率有多大。如果概率超过某个阈值，就把邮件丢进垃圾箱。这也是Gmail、Outlook等邮件系统最常用的技术之一。典型算法之六：支持向量机（SupportVectorMachine，SVM）概念：核心目标是找到一个超平面（在高维空间中相当于一个决策边界），将不同类别的数据点分开，并且最大化这个超平面与最近数据点之间的间隔（margin）逻辑原理：支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以期获得最好的推广能力。支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。优点：小样本表现优秀：数据量较少时仍能取得良好