《信息技术与人工智能（活页式）第2版》课件 模块五 人工智能基础

AI《信息技术与人工智能（活页式）第2版》模块五人工智能基础人工智能基础任务一目

录任务一人工智能基础人工智能（ArtificialIntelligence，AI）是新一轮科技革命和产业变革的核心驱动力，正与工业、商业、金融业等行业全面融合，带动社会经济实体持续增长。随着技术的不断进步，特别是人工智能、云计算和大数据的飞速发展，铁路系统面临着前所未有的转型升级机遇。为了抓住这一机遇，提升铁路系统的运营效率、服务质量和安全性，某铁路系统决定进行信息化改造及升级。为了实现这一目标，我们需要深入了解人工智能的基本概念、起源、定义、研究内容、发展现状以及其在各行业各具体应用的场景和功能。一、人工智能的起源!人工智能的概念最早可以追溯到20世纪初。1956年8月31日，约翰·麦卡锡（JohnMcCarthy）、马文·李·明斯基（MarvinLeeMinsky）等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人插入的智能”，首次提出“人工智能”这一概念，从此就诞生了人工智能学科。二、人工智能的定义

人工智能：指的是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能就是通过计算机来模拟人类大脑的思维方式，从而做出相应的判断和动作，让机器能够模拟和执行人类智能活动的技术和系统。

计算机通过机器学习、深度学习、计算机视觉等算法对海量数据进行处理，完成语言识别、图像识别、自然语言处理、人脸识别等操作，最终达到模拟“人”的效果。通俗易懂地理解，人工智能就是机器模拟人类的听、说、看、触觉、行走等功能（如右图所示），赋予机器类似人类智慧的一种技术和系统。

换种说法，人工智能是通过机器来模拟人类认知能力的技术。

举个例子，机器能“看”，可进行图像识别、文字识别、车牌识别等，就像是给机器装上了眼睛，让它能够识别、理解和感知周围的世界。同时，它具备语音合成技术，能够进行自然的人机对话。给机器装上了嘴巴，让它能够与人类进行自由流畅的沟通与交流。图人工智能是什么三、人工智能发展历程自1956年以来经过几十年的发展，其历程大致可划分为6个阶段：起步期、启动期、消沉期、突破期、寒冬期和发展期，如右图所示。图人工智能发展阶段1.起步期（20世纪40—50年代）1950年，英国计算机科学家艾伦·麦席森·图灵（AlanMathisonTuring）发表论文《计算机器和智能》（《ComputingMachinerayandIntelligence》）。1954年，美国发明家乔治·戴沃尔（GeorgeDevol）设计了世界上第一台可编程工业机器人Unimate。1956年，戴沃尔和约瑟夫·恩盖尔柏格合作建立了Unimation公司，开创了机器人发展的新纪元，如右图所示。图乔治·戴沃尔的机器人Unimate2.启动期（20世纪50—70年代）1956年，约翰·麦卡锡在达特茅斯会议首次提出“人工智能”这一概念，人工智能诞生。1966—1972年，由查理·罗森领导的美国国际斯坦福研究所研制出世界上第一台采用人工智能的移动机器人Shakey。1966年，美国麻省理工学院的约瑟夫·魏泽鲍姆发布了世界上第一个聊天机器人Eliza，如下图所示。Eliza是早期的人工智能程序，最初由计算机科学家约瑟夫·魏泽鲍姆（JosephWeizenbaum）在1966年开发。它以模拟心理治疗师与患者之间的对话为特点。图Eliza聊天机器人程序界面图用户与Eliza对话用户：你好，Eliza。Eliza：你好，请告诉我，有什么问题或者你想要讨论的事情吗？用户：我感到很紧张，不知道该怎么办。Eliza：你为什么感到紧张呢？用户：我有一个重要的面试，我很担心表现不好。Eliza：你为什么觉得你会表现不好呢？用户：我总是在面试时感到紧张，怕自己回答不上问题。Eliza：你觉得面试对你来说是一种挑战吗？用户：是的，我总是觉得自己无法很好地回答问题。Eliza：为什么你认为你无法很好地回答问题呢？下图为一段Eliza（/）和用户的经典对话示例。3.消沉期（20世纪70—80年代）人工智能在启动期的突破性进展大大提升了人们对人工智能的期望，人们也开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。

当时的计算机有限的内存和处理速度不足以解决任何实际的人工智能问题，接二连三的失败使人工智能的发展走入低谷。4.突破期（1980—1986年）1981年，日本启动为期10年的“第五代计算机技术开发计划”，英美等国纷纷响应。1984年，美国计算机科学家道格拉斯·布鲁斯·莱纳特启动了大百科全书（Cyc）项目，其目标是使人工智能的应用能够以类似人类推理的方式工作。1986年，美国发明家查尔斯·赫尔制造出世界上第一台3D打印机SLA-1，如下图所示。图3D打印机5.寒冬期（1987—1993年）由于桌面电脑的迅速普及，以及研究的成功率较为有限，人们开始对人工智能产生信任危机，资金的投入又面临枯竭，人工智能发展陷入了数年的低谷，理论研究也陷入停滞。6.发展期（1993年至今）1997年，国际商业机器公司的深蓝超级计算机战胜了人类国际象棋世界冠军卡斯帕罗夫，成为了第一个在标准比赛时限内击败国际象棋世界冠军的电脑系统。2012年，加拿大神经学家团队创造了一个具备简单认知能力、有250万个模拟“神经元”的虚拟大脑Spaun，并通过了较基础的智商测试。2014年，在英国皇家学会举行的“2014图灵测试”大会上，聊天程序尤金·古斯特曼（EugeneGoostman）首次通过了图灵测试。2014年，亚马逊公司正式发布了产品Echo，如下图所示，这是一款可以通过语音控制家庭电器和提供资信信息的音箱产品。随后各大厂商纷纷效仿，一时间智能音箱产品遍地开花，进入千家万户。2016年，AlphaGo战胜围棋世界冠军，再次震惊了整个人工智能领域。图智能音箱产品—Echo四、人工智能的主要研究内容机器学习（MachineLearning）是一门研究计算机模拟人类学习行为，以获取新知识或技能的科学。

如下图所示，机器学习可以让计算机从数据中自动学习规律和模式，并根据这些规律和模式进行预测和决策。图机器学习1.机器学习数据收集：首先，小江需要收集足够多的天气数据。这些数据应该包含各种不同的天气状况和相应的环境数据。特征选择：接下来，小江需要确定哪些特征（如温度、湿度、风速等）对于预测天气状况是最重要的。模型训练：然后，小江可以使用这些数据来训练一个机器学习模型。这个模型会尝试找出环境数据与天气状况之间的关系。例如，模型可能会发现当湿度高且风速低时，下雨的可能性更大。假设小江同学想要了解每天的天气是如何变化的，并且他有一个记录本，上面记录了过去的天气数据，包括日期、温度、湿度、风速以及天气状况（晴天、雨天、多云等）。小江的目标是，给定一个新的日期和相关的环境数据，预测那一天的天气状况。模型评估：训练完成后，小江需要使用一部分未参与训练的数据来评估模型的性能。这部分数据被称为测试集。通过比较模型对测试集的预测结果与实际天气状况，小江可以了解模型的准确性。预测与决策：一旦模型被训练并评估为足够准确，小江就可以使用它来预测新的天气状况了。例如，给定一个新的日期和相应的环境数据，模型会输出一个预测的天气状况。基于这个预测，小江可以作出相应的决策，比如决定出门时是否需要带伞。计算机视觉是一门研究如何使计算机系统具有人类视觉能力的学科，其目标是赋予机器类似人类的“视力”。计算机视觉的研发目的在于通过电子化的方式来感知和理解影像，让计算机具备和人一样的“眼力”，能够识别、理解周围的世界。

人脑中接收的80%信息源自眼睛（即视觉），并且大约50%的大脑活动与处理视觉信息相关，突显了视觉在信息传递中的重要性和复杂性，如目标检测、图像识别、人脸识别等。2.计算机视觉计算机视觉的工作原理可以总结为以下步骤：获取图像预处理

特征提取

模型训练部署应用3.深度学习深度学习是机器学习的一个子领域，利用神经网络技术来模拟人脑的学习过程。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

通过构建深度神经网络，深度学习模型能够自动提取特征并进行学习，实现复杂的任务，如图像识别、语音识别和自然语言处理。

深度神经网络通过多层次的神经元模拟复杂的特征提取和学习过程，从而实现对图像、语音和文本等复杂数据的高效处理。图深度学习我们举一个猫（Cat）识别深度学习的应用案例。目标：我们要训练一个深度学习模型，使其能够识别图片中是否有猫。第1步数据收集第2步数据预处理第3步特征提取第4步模型训练收集大量的图片数据，包括含有猫的图片和不含猫的图片。这些数据将用于训练模型。对图片进行必要的预处理，如调整大小、归一化像素值等，以便模型能够更好地学习图片的特征。利用算法（如卷积神经网络CNN）自动从图片中提取特征，这些特征可能是边缘、纹理、形状等，有助于区分图片中是否包含猫。使用标记好的数据（包含猫和不含猫的图片）来训练模型。这些数据被分成训练集和验证集。训练集用于训练模型，验证集用于在训练过程中评估模型的性能。具体实现步骤：第5步模型评估与优化第6步测试第7步部署与应用通过验证集评估模型的准确性、召回率等指标。根据评估结果调整模型的参数和结构，以优化其性能。使用一个独立的测试集来评估训练好的模型的最终性能。这个测试集应该包含模型在训练过程中没有见过的数据。将训练好的模型部署到实际应用中，如手机应用、网站等，使其能够自动识别用户上传的图片中是否包含猫。4.强化学习强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（Agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。

在强化学习中，智能体通过观察环境状态并采取相应的行动与环境进行交互。每次行动后，环境会给予智能体一个反馈信号，称为奖励（Reward），用来表示该行动的好坏。智能体的目标是通过学习一个策略，即在给定状态下选择最佳行动，以最大化累积奖励。

强化学习是一种机器学习方法，它的核心思想是智能体在与环境交互的过程中，通过尝试不同的行为来学习如何最大化获得的回报或实现特定目标。

想象一下，你正在训练一只宠物狗做一些简单的动作，比如“坐下”、“握手”等。开始时，狗狗可能不知道你要它做什么，它会尝试各种行为来回应你的指令。每当它偶然做出正确的动作时，你就会给予它奖励，比如零食或者抚摸，这些奖励让它感到愉悦。随着时间的推移，狗狗会逐渐学会在听到某个指令时做出正确的动作，因为它知道这样做会得到奖励。五、人工智能的行业发展现状图中美支持人工智能发展相关政策1.全球人工智能市场发展现状图中国人工智能市场规模（亿美元）2.中国人工智能市场发展现状根据国际数据公司（IDC）的数据，2019年，中国人工智能产业规模达到44.80亿美元，2023年中国人工智能市场规模已达到174.68亿美元，年复合增长率达到40.52%，如下图所示。六、人工智能各个行业应用图人工智能的应用领域人工智能具体应用领域包括：智慧城市、商业智能、智慧文旅、智能终端、自动驾驶等，如左图所示。金融领域AI被广泛应用于风险评估、欺诈检测、客户服务等方面。AI算法能够快速分析大量的交易数据，识别出潜在的风险点，从而帮助金融机构作出更明智的决策。AI还能够帮助金融机构提供更加个性化的服务，提高客户的满意度。零售领域AI被用于智能推荐、库存管理、客户服务等方面。通过分析消费者的购物习惯和偏好，AI能够为消费者推荐更加符合其需求的商品，提高销售额。AI还能够预测库存需求，帮助零售商更好地管理库存，减少浪费，节