人工智能通识基础（微课版）课件第1章 走进人工智能

第1章

走进人工智能目录201人工智能的定义与内涵02人工智能的发展历史03人工智能的三大流派04人工智能研究领域0506人工智能（ArtificialIntelligence,AI）是当代科技发展的重要驱动力之一，正在深刻改变人类社会的生产、生活和思维方式。作为一门前沿交叉学科，人工智能涉及计算机科学、数学、心理学、神经科学、哲学等多个领域，其目标是让机器具备类似人类的智能，包括学习、推理、规划、感知、语言理解等能力。本章将介绍人工智能的基本定义与内涵，梳理其发展历程，概述主要研究领域，并探讨典型应用场景。31.理解人工智能的定义与内涵。2.熟悉人工智能的发展历史。3.认识人工智能的主要研究领域。4.了解人工智能的应用场景。学习目标单击此处添加文本，简明扼要地阐述您的观点，根据需要可酌情增减文字,以便观者准确地理解您传达的思想素养目标41.1人工智能的定义与内涵51.1人工智能的定义6人工智能（ArtificialIntelligence，AI）的定义是一个以计算机科学为基础，由计算机、心理学、哲学等多学科交叉融合的交叉学科、新兴学科。它研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统，了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。该领域的研究涵盖机器人、语言识别、图像识别、自然语言处理和专家系统等多个方面。1.1人工智能的定义与内涵理论基础融合了计算机科学、数学、心理学、神经科学等多个学科的知识，旨在探索智能的本质，并构建能够模拟人类智能的机器系统。技术方法通过一系列的技术方法，如机器学习、深度学习、计算机视觉、自然语言处理等，赋予机器感知、理解、推理、决策和执行等能力。应用领域人工智能的应用领域广泛，包括医疗、金融、教育、交通、制造业等多个行业。发展目标人工智能的最终目标是构建出能够像人类一样思考、学习和解决问题的智能机器。71.2人工智能的发展历史81943年，沃尔特·皮茨和沃伦·麦卡洛克1945年，艾伦·图灵1950年，艾伦·图灵1951年，MarvinLeeMinsky与DeanEdmonds1956年，约翰·麦卡锡、马文·明斯基提出“人工智能”01萌芽与兴起阶段（1941-1956年）1966年，ELIZA（聊天机器人）诞生1972年，Shakey机器人专家系统兴起02早期成功与黄金发展时代（1956-1974年）03计算能力的不足以及公众对人工智能期望过高导致的失望情绪第一次寒冬（1974-1980年）1997年，IBM的“深蓝”计算机战胜国际象棋世界冠军卡斯帕罗夫2006年，提出神经网络深度学习算法人工智能在语音识别、图像识别、自然语言处理、深度学习理论推动了人工智能技术的发展06崛起与稳步发展（1993年至今）随着专家系统应用领域的不断拓展，其局限性也逐渐显现，诸如应用领域狭窄、常识性知识匮乏、维护成本高昂、扩展难度较大等问题，导致人工智能研究再次步入低谷。05第二次寒冬（1987-1993年）在商业领域（如医疗、化学、地质等领域）为人工智能带来了新的发展，人工智能开始从理论研究迈向实际应用。1986年，反向传播算法的优化推动了神经网络研究的进展。04复兴与第二次黄金发展时代（1980-1987年）1.3.人工智能的三大流派9符号主义，称为逻辑主义或认知主义，是人工智能领域最早的研究方向。该理论主张人工智能的基础在于数理逻辑，旨在通过数学和物理学中的逻辑符号来表达思维的形成过程。符号主义的核心思想是将知识表示为可操作的符号，借助算法实现推理与问题解决。优点在于逻辑规则的清晰性和易解释性，局限性在于难以有效处理模糊和不确定性的问题。称为仿生学派或生理学派。该理论主张智能产生于大脑神经元之间的连接机制及信息往来的学习与统计过程。联结主义通过构建人工神经网络来模拟生物神经系统，通过调整神经网络中的权重，让神经网络具备学习和识别模式的能力。联结主义在模拟人脑处理信息的方面表现出色，不足之处在于网络的训练需要大量的时间和计算资源，并且缺乏足够的可解释性称为进化主义或控制论学派。该学派认为智能是产生于主体与环境的交互过程，并将智能的研究建立在可观测的具体的行为活动基础上。行为主义主张通过试错和进化机制实现适应性行为，其代表性方法是强化学习。优势在于能够处理实时的环境信息，且具有较好的解释性，劣势在于需依赖大量的数据和运算，且其应用范围相对有限。010203符号主义（Symbolism）联结主义行为主义符号主义依赖于逻辑规则联结主义注重数据驱动行为主义则强调动态适应1.4人工智能研究领域研究领域0501机器学习计算机视觉智能语音030402自然语言处理知识工程101.4-1机器学习11定义机器学习是一门多领域交叉学科，涵盖概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科领域。专注于研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，并持续提升自身性能。（1）机器学习的历史机器学习的理论基础可追溯至18至19世纪的数学研究，如贝叶斯定理和最小二乘法。1959年，亚瑟·塞缪尔首次提出“机器学习”一词，将其定义为“让计算机在未显式编程的情况下具备学习能力”。此后，随着神经网络、支持向量机、集成学习等算法的提出和发展，机器学习逐渐成为一个独立的学科领域。1.4-1机器学习12（2）机器学习的分类:可以根据预期的输出和输入类型，以及构建原理的不同进行分类。使用“有标签”的数据训练模型。有分类和回归两种使用“无标签”的数据进行训练。有聚类和降维两种利用少量的有标签数据和大量的无标签数据来进行训练。通过与环境交互并获取延迟反馈进而改进行为的学习过程。01020304监督学习无监督学习半监督学习强化学习根据构建原理的不同，机器学习模型还可以分为几何模型、概率模型和逻辑模型等类别。1.4-1机器学习13（3）机器学习的核心要素与目标机器学习的核心要素涵盖数据、算法和模型。数据是构成机器学习的基础算法负责从数据中提取特征和规律模型是用于揭示数据和任务之间的内在关联。机器学习的目标是使用计算机预测未知的事件或场景，通过深度分析海量数据，辨识其中的模式和规律，从而构建适应新数据的模型。1.4-2计算机视觉14（1）计算机视觉的定义计算机视觉是一门使计算机能够获取、分析和理解数字图像和视频的科学与技术。它融合了图像处理、模式识别和人工智能等多个领域的知识，旨在让计算机像人类一样理解和解释视觉世界。在计算机视觉领域，计算机通过对输入的图像或视频进行处理和分析，提取出有价值的信息，如物体的形状、颜色、纹理、位置和运动轨迹等。这些信息广泛应用于人脸识别、自动驾驶、医疗影像分析、安防监控等。1.4-2计算机视觉15（2）计算机视觉的核心任务对连续的视频进行分析，提取动态场景中的关键信息。视频分析05将图像进行像素级分类，区分不同物体或区域，从而精确的分割出各个物体。图像分割03在图片或视频中，精确定位或捕捉多个物体的形状、纹理和空间关系等复杂信息，以实现更精准的目标检测。目标检测02计算机视觉中最基础的任务之一，其目标是识别图像中的主要物体类别。图像分类01生成全新图像或对现有图像内容进行修改。图像生成与编辑041.4-3自然语言处理16（1）自然语言处理的定义自然语言处理（NaturalLanguageProcessing，简称NLP）是人工智能领域的一个重要分支，它致力于研究如何让计算机理解和处理人类语言。其核心目标是使计算机能够理解、解释和生成人类语言，进而实现人机交互、信息检索、机器翻译、情感分析等多种应用。1.4-3自然语言处理17（2）自然语言处理的核心任务语言理解涉及词义消歧、句法分析、语义分析等，旨在让计算机准确理解语言的含义。语言翻译涵盖机器翻译、跨语言信息检索等，旨在实现不同语言之间的转换和信息检索。语言生成包括文本生成、语音合成等，旨在让计算机生成自然、流畅的语言表达。1.4-3自然语言处理18（3）自然语言处理的关键技术词法分析将文本分解为基本单位（如单词、短语等），并进行词性标注、命名实体识别等操作句法分析语义分析语用分析语言模型评估句子的自然度，常见的语言模型包括n-gram模型、隐马尔可夫模型（HMM）、神经网络语言模型等分析句子的结构，涵盖依存句法分析和成分句法分析等内容解读语言的内涵，包括词义消歧、语义角色标注、语义依存分析等环节探讨语言在实际使用中的意义，涉及指代消解、语境分析等方面1.4-3自然语言处理19（4）自然语言处理的应用人机交互借助语音识别、自然语言理解等技术，实现人与计算机的自然交流。信息检索通过文本分类、关键词提取、情感分析等技术手段，从海量文本中检索出用户需要的信息。机器翻译实现不同语言之间的自动转换，有效打破语言交流的障碍。情感分析分析文本中的情感倾向，广泛应用于舆情监控、市场分析等领域。文本生成自动生成新闻、报告、摘要等文本内容，显著提高工作效率。1.4-4智能语音20（1）智能语音的定义智能语音是人工智能技术的重要组成部分，主要研究如何通过语音实现人机交互。智能语音包括语音识别、语义理解、语音交互等技术，其相关支撑技术主要分为基础语音技术、智能化技术以及大数据技术。在关键技术层面，语音识别、自然语义理解（NLP）机器学习领域的关键技术在人工智能技术当中居于重要地位，构成了人机交互技术的基础。随着智能音箱等交互类产品市场的逐渐饱和，语音识别增长速度有所放缓；然而，随着医疗、教育、金融等行业各领域市场交互需求的不断释放，语义理解市场份额将快速上升。智能语音的具体应用领域包括智能家居、智能车载、智能客服、智能教育、智能医疗等。（3）智能语音的应用领域1.4-4智能语音21（2）智能语音的核心技术让计算机能接受、识别、并理解人类的语音信息，将语音信息自动转换成相应文本信息或命令，实现人机交互的输入。处理过程：分析语音中的模式，确定映射到单词的可识别模式；通过声学模型将音频信号转换为音素（特定声音的表示）；利用语言模型将音素映射到单词，并使用统计算法根据音素预测最可能的单词序列。语音识别技术让计算机能像人一样说话，将文本信息自动转换成语音信息，实现人机交互的输出。处理过程：系统通常会将文本标记化，分解为单个单词，并为每个单词分配语音；然后将语音转录分解为韵律单元（如短语、从句或句子），以创建转换为音频格式的音素；最后将这些音素合成为音频，并分配特定的语音、说话速率、音高和音量。语音合成技术1.4-5知识工程22（1）知识工程的定义知识工程是人工智能领域的一个重要分支，它主要研究如何借助计算机技术来模拟和实现人类的知识处理能力。其核心目标是使计算机能够像人类一样理解和处理知识，从而提升人工智能系统的智能水平。在知识工程中，知识通常被定义为能够指导行动的信息。1.4-5知识工程23（2）知识工程的主要任务主要任务包括知识的获取、表示、存储、推理和应用。其中，知识的表示是知识工程的核心问题之一，包括逻辑表示法、语义网络表示法、框架表示法、产生式表示法等。运用形式逻辑，如谓词逻辑、描述逻辑，来表示知识。01通过图的方式来表示知识，其中节点表示概念，边表示概念之间的关系。02利用结构化的数据，包含属性和槽，来表示知识。03通过条件-动作规则来表示知识，条件部分用于匹配当前环境，动作部分用于指导行动。04逻辑表示法语义网络表示法框架表示法产生式表示法1.4-5知识工程24（2）知识工程的主要任务知识的获取是知识工程的另一个重要任务。方法主要有三种：人工获取、机器学习和知识发现。是由知识工程师直接从领域专家那里获取知识。01是通过训练数据来自动学习知识。02是从大量数据中自动挖掘知识。03人工获取机器学习知识发现1.4-5知识工程25（2）知识工程的主要任务知识的存储是将表示好的知识存储在计算机中，以便于后续的推理和应用。存储的方法主要有基于文件和基于数据库两种。指从一般到特殊的推理过程。01指从特殊到一般的推理过程。02基于文件基于数据库知识的推理是根据已有的知识来推导出新的知识的过程。推理的方法主要有演绎推理和归纳推理两种。将知识存储在文件中。01将知识存储在数据库中。02演绎推理归纳推理1.4-5知识工程26（2）知识工程的主要任务知识的应用是将知识应用于实际问题，以解决实际问题。应用的方法主要有基于规则和基于模型两种。0102基于规则基于模型通过规则来匹配和应用知识。通过模型来模拟和应用知识。1.4-6机器感知与思维276.1.1机器感知机器感知是指计算机系统通过传感器获取外部信息，并对这些信息进行处理和理解的能力。在人工智能领域，机器感知通常涵盖视觉、听觉、触觉等多种感知方式，其中视觉感知是最为常见和研究最为深入的领域。010203040506使用摄像头、扫描仪等设备获取图像数据图像采集从图像中提取关键信息，如边缘、角点、纹理等特征提取将图像划分为多个区域或对象，以便于进一步分析图像分割包括灰度化、滤波、直方图均衡化等操作，以改善图像质量预处理利用机器学习算法，如支持向量机（SVM）、卷积神经网络（CNN）等，对图像中的对象进行检测和分类目标检测与识别通过立体视觉、结构光等技术，从二维图像中恢复出三维场景三维重建视觉感知主要依赖于图像处理和计算机视觉技术1.4-6机器感知与思维286.1.1机器感知0102030405使用麦克风等设备获取声音信号声音采集从声音信号中提取关键信息，如梅尔频率倒谱系数（MFCC）、音高、音色等特征提取对声音信号进行分类，如音乐、噪声、特定动物叫声等声音分类包括去噪、回声消除等操作，以提高声音质量预处理利用隐马尔可夫模型（HMM）、深度神经网络（DNN）等技术，将声音信号转换为文本信息语音识别听觉感知主要涉及声音信号的处理和理解1.4-6机器感知与思维296.1.1机器感知01020304使用压力传感器、力矩传感器等设备获取触觉信号触觉信号采集从触觉信号中提取关键信息，如压力分布、纹理特征等特征提取包括滤波、归一化等操作，以改善信号质量预处理利用机器学习算法，对物体的触觉特征进行识别和分类物体识别与分类触觉感知主要涉及通过触觉传感器获取物体表面信息1.4-6机器感知与思维306.1.2机器思维机器思维是指计算机系统模拟人类思维过程，进行推理、决策、学习和问题解决的能力。在人工智能领域，机器思维通常涉及知识表示、推理、学习和规划等技术。知识表示是将人类知识转化为计算机能够处理的形式使用命题逻辑、一阶谓词逻辑等逻辑形式表达知识逻辑表示本体论01020304语义网络通过图结构表示概念及其相互关系定义领域内概念及其关系的共享和形式化规范框架表示利用框架和槽来表示对象及其属性和方法1.4-6机器感知与思维316.1.2机器思维推理是指计算机系统基于已有的知识，通过逻辑推导得出新的结论的过程从一般到特殊的逻辑推导过程，例如使用规则引擎进行推理演绎推理类