项目4-1 知识技能：了解AI大脑-算法

项目4：了解AI大脑——算法（本视频/PPT中部分所用图片、视频等资料来自网络，仅供教学使用）汇报人：杨家慧本次课程，我们将学习什么？学习目标与价值引领教学目标知识目标•理解传统机器学习与深度学习的原理及核心区别。

•掌握线性回归、决策树等经典算法，熟悉DNN/CNN/RNN模型结构。

•了解TensorFlow、PyTorch、飞桨等主流框架特性。实践技能•熟练使用Pandas清洗数据，Matplotlib进行可视化呈现。

•基于Scikit-learn快速构建并训练线性回归预测模型。

•具备将AI算法转化为实际业务问题解决方案的建模思维。思政引领文化自信·传统智慧从《九章算术》的“方程术”中探寻中华数学根源，感受古人的逻辑智慧与算法思想。家国情怀·科技为民通过“房价预测”民生项目，关注社会痛点，激发科技报国的使命感。创新自信·自主可控学习百度飞桨、华为MindSpore等国产AI框架，建立对国产核心技术的自信与认同。算法，无处不在的AI大脑数据是AI的燃料，算力是AI的动力，而算法则是AI的大脑和核心。精准推送刷短视频时，算法分析你的兴趣偏好，总能让你看到感兴趣的内容。智能导航出门通勤时，算法实时计算路况，为你规划出耗时最短的最优路线。购物推荐电商平台基于历史行为，精准推荐潜在心仪商品，大幅提升购物效率。智能对话与AI助手交流时，算法理解上下文语境，给出流畅、贴心的拟人化回复。思考：这些看似神奇的功能背后，都是算法在默默地工作。算法究竟是什么？算法的前世今生：从古老智慧到现代科技▍算法的起源：古老的东方智慧《九章算术》(约2000年前)

系统记载了246个实际问题的“术”，是古代算法的集大成者。核心思想

算法的本质是：解决特定问题的、清晰可执行的步骤与严密逻辑。▍现代算法：从数据到智能创造机器学习

海量数据驱动的预测与分析深度学习

突破视觉与语音识别的瓶颈生成式AI：

创作内容的新一代智能体中国自主创新：

DeepSeek/盘古/飞桨AI领域层级关系人工智能(AI)是宏大的研究领域；机器学习(ML)是实现AI的核心技术路径；深度学习(DL)则是机器学习中基于神经网络的重要分支。这三者层层递进，共同构成了现代智能算法的基石。机器学习如何“学习”？核心定义：机器学习（MachineLearning,ML）是计算机利用已有的数据（经验），得出某种模型，并利用此模型预测未来的一种方法。案例：“等人问题”通过分析小Y迟到的历史数据，建立一个简单的决策树模型，即可高效预测小Y下一次是否会迟到。机器学习过程总结人类思考：经验→归纳→规律→预测未来机器学习：历史数据→训练→模型→预测未知机器学习分类预测连续值：线性回归算法01/问题分类：回归vs分类回归(Regression)解决连续数据预测问题

(如：房价、温度)分类(Classification)解决离散数据预测问题

(如：垃圾邮件判断)02/经典案例：基于面积的房价预测核心假设：房价(y)与面积(x)满足线性关系y=a·x+b收集数据

获取样本点拟合直线

寻找最优趋势模型预测

代入面积求值图示：房价随面积变化的线性拟合趋势衡量误差的标尺：损失函数💡核心问题在拟合直线时，我们依据什么标准，来判断“选择这条线”比“那条线”更好？📐定义(Definition)量化模型预测值与真实值之间差异（误差）的数学函数，是评估拟合效果的核心指标。🎯核心目标通过优化算法，寻找能让损失函数值最小的模型参数，即找到数据中“最合适的那条直线”。✅价值结论损失函数值越小→拟合效果越好→预测越准确。深度学习：模拟人脑的“水管网络”核心定义深度学习（DeepLearning,DL）是一种使用多层非线性变换对数据进行高层抽象的算法，是机器学习领域中最具表现力的强大分支之一。信息=水流将原始数据转化为数字流，在网络中持续流动与传输。网络=水管网由多层“调节阀”（神经元）相互连接，构成复杂的传输路径。训练=调阀门通过反向传播不断微调参数，让正确的出口流出最多的水。预测=看水流观察哪个出口的流量最大，其对应的标签即为最终识别结果。传统的机器学习与深度学习对比深度学习的核心模型家族深度学习的基石：深度神经网络(DNN)▍从简单到复杂/Evolution浅层网络：仅1-2层无隐藏层，表达能力有限，难以处理复杂数据。深度神经网络：包含多个(>2)隐藏层，通过多层非线性变换提取高阶特征。▍核心结构组成/Architecture输入层Input

接收原始数据的入口隐藏层Hidden

特征提取与非线性变换输出层Output

输出任务的最终预测结果神经元Neuron

网络中最基本的计算单元⚡激活函数：为网络引入非线性表达能力，使其能拟合复杂函数。多层网络结构示意图数据在层与层之间不断传递、变换，深度堆叠的隐藏层赋予了DNN强大的特征抽象能力。计算机的“眼睛”：卷积神经网络(CNN)▍核心优势能够有效处理图像等网格状数据，通过卷积操作提取局部特征，并通过池化操作降低数据维度，保留关键信息。▍主要组成结构卷积层：自动提取图像的基础特征（如边缘、纹理、角点）。池化层：对特征图进行降维采样，减少计算量并防止过拟合。全连接层：整合提取到的所有特征，输出最终的分类或预测结果。▍核心应用场景图像分类目标检测人脸识别处理序列的“记忆大师”：循环神经网络(RNN)核心优势·序列与记忆专为文本、语音等序列数据设计。其独特的“循环”结构赋予网络记忆功能，当前输出不仅依赖于当下输入，还整合了过去的状态信息。技术演进·解决痛点•短期记忆瓶颈：基础RNN难以捕捉长序列中的早期信息。•LSTM/GRU：引入“门控机制”，有效解决长依赖问题，是当前主流模型。落地场景·广泛应用智能文本生成、神经机器翻译、语音识别与合成、情感分析等。创造与决策：GAN与强化学习生成对抗网络(GAN)▍核心思想：零和博弈包含生成器(G)与判别器(D)两个核心组件。二者通过相互对抗、动态博弈的过程，不断优化模型参数，最终实现共同进化。典型应用：超写实图像生成、艺术风格迁移、数据增强深度强化学习(DRL)▍核心思想：试错与反馈智能体(Agent)通过与环境(Env)持续交互，根据获得的奖励(Reward)信号不断调整策略，最终学习到在复杂环境中完成目标的最优路径。典型应用：复杂游戏AI(AlphaGo)、机械臂控制、自动驾驶决策开发AI的“瑞士军刀”：主流深度学习框架（一）TensorFlow开发者：Google适用场景企业级复杂应用、高性能工业部署、移动端部署PyTorch开发者：Meta(Facebook)适用场景前沿学术研究、AI原型快速验证、个人学习与实验飞桨(PaddlePaddle)开发者：百度中国首个全面开源的产业级框架，对中文开发者极其友好。MindSpore开发者：华为全场景AI框架，与昇腾AI处理器深度协同，性能优异。Keras类型：高层神经网络API极度易用的深度学习接口，可无缝运行在多种后端之上。总结回顾与未来展望核心知识点回顾算法是AI的大脑从《九章算术》到现代AI，算法思想一脉相承。机器学习核心通过数据训练模型进行预测，核心在于回归与分类。深度学习突破深层神经网络结构，在图像识别、自然语言处理领域取得重大突破。核心模型与工具CNN、Transformer等模型；PyTorch、飞桨等框架是开发利器。未来展望与行动AI技术日新月异，算法始终是核心驱动力。希望同学们在未来的学习