《人工智能技术与应用》 课件 第2章 AI如何学习-从基础模式到强大引擎

《人工智能技术与应用》｜第二章AI如何学习？——从基础模式到强大引擎本章将带领我们共同探索机器智能的“成长路径”。从最初如何在海量数据中发现简单规律、完成基础的模式识别，一步步解析算法如何迭代进化，最终构建起支撑现代人工智能飞速发展的强大学习引擎。在这里，我们将一同揭开AI能够自主“学习”与“进化”的神秘面纱，理解其背后的核心逻辑。思考提示：如果说人类学习依靠经验与记忆，那么AI的“经验”存储在哪里？它的“记忆”又是如何被调用的？本章学习目标01理解核心概念掌握机器学习的基本定义、运作逻辑，以及它在整个人工智能体系中扮演的核心基石角色。02掌握三大范式深入拆解监督学习、无监督学习和强化学习的底层思想，熟悉每种范式的典型应用场景与区别。03揭秘深度学习原理初步了解神经网络的基本构成，理解它如何模拟人脑进行特征提取，并成为现代AI爆发的关键。04上手零代码实践告别复杂代码，使用国产可视化AI平台，从数据上传到模型训练，亲手搭建一个完整的图像分类应用，体验全流程。05建立任务匹配思维学会分析业务任务的特性：是否有标签数据？是否需要反馈奖励？最终能够独立判断并选择最适合的机器学习解决路径。💡学习提示：理论结合实践是掌握本章的关键，重点关注不同范式在实际场景中的选择逻辑。导入案例：一个“美食家”的成长之路01｜初识阶段对美食毫无概念，甚至连基础的云南特色小吃都无法区分——比如完全分不清“烤乳扇”和“炸乳扇”，处在对知识的空白认知期。02｜有人指导通过他人明确讲解建立认知：“奶香浓郁、烤得微焦的是烤乳扇；金黄酥脆、蘸糖吃的是炸乳扇”。这是最直接的“有参考答案”式学习，快速建立正确概念。这是最基础的输入过程，就像给大脑一本“标准答案手册”，先把已有的正确信息准确记住。03｜自我总结积累足够经验后主动归纳规律：尝遍菜品后总结出“酸辣口、多香茅草是傣味；菌菇丰富、口味鲜醇是滇中菜”。这是从具体例子中提炼共性，形成自己的判断标准。04｜探索创新突破既有框架去试错与发现：尝试用水果蘸辣椒面这种“非常规”组合，意外收获独特风味。在已有认知基础上进行探索，甚至能创造出新的规则。这是学习的进阶与升华，从“被动接收”转向“主动创造”，在不断试错中找到新的有效经验。💡核心结论：人工智能的学习并非凭空产生，它与人类学习“美食”的过程高度相似——都要经历从接受指导、归纳规律到自主探索创新的层层递进。Part2：监督学习2.1监督学习：有“参考答案”的训练什么是监督学习？它是机器学习中最基础、应用最广泛的范式。核心特点是：在模型训练阶段，提供给算法的数据是“带标注”的，即每一条输入数据都对应一个明确的“标准答案”（标签）。简单说，算法的任务就是通过学习这些“问题（输入）+答案（输出）”的组合，学会如何解决同类的未知问题。本质：从有标注的数据中学习输入与输出之间的对应关系。生活化的理解就像学生在老师的监督下学习和做题：老师手里有标准答案，学生做完作业后，对照答案进行修正，从而理解正确的解题思路。在这个过程中，学生是“模型”，练习题是“数据”，而老师给出的“标准答案”就是监督学习中的“标签”。比喻：模型=学生，数据标签=老师的标准答案。核心特征与应用数据要求：必须使用高质量的标注数据，标注成本通常较高，是项目的关键环节。常见任务：主要分为“分类”（判断类别）和“回归”（预测数值）两大类。应用举例：垃圾邮件识别、人脸识别、预测房价走势等。什么是监督学习？01/核心思想监督学习是机器学习中最基础、应用最广泛的范式。它的本质是让模型学习“输入”与“输出”之间的映射关系，整个过程必须依赖带有明确“标准答案”（即标签）的数据进行训练。一句话概括：就像老师教学生做题时会给出完整的“题目+标准答案”，让学生通过大量练习掌握规律，从而能够独立解答全新的同类题目。典型应用：垃圾邮件识别（输入邮件内容，输出“是垃圾邮件/不是”）、房价预测（输入面积等信息，输出价格）等。02/生活类比：教幼儿识动物01准备带标签的“教材”

收集大量标有明确名字（“猫”、“狗”）的动物照片作为数据，就像给孩子准备识字卡片一样。02训练与反复纠错

向孩子逐一展示图片并告诉正确名称，当孩子认错时立即纠正，帮助其建立“长相”与“名字”的正确联系。03进行未知“小测验”

拿出一张孩子从未见过的动物照片（新数据），让他说出动物名称。如果判断正确，说明“学习”已经成功。💡类比结论：人类的“学习”过程，正是监督学习模型的运行逻辑。监督学习解决的两大类问题01｜分类Classification核心目标：预测一个离散的、互斥的类别。算法的任务是将输入数据划分到预先定义好的有限集合中，输出是“标签”。典型场景举例：•邮件过滤：自动判定一封邮件属于“垃圾邮件”还是“正常邮件”；

•图像识别：识别照片中的主体是“猫”、“狗”或“其他动物”等具体类别。💡关键点：结果是“定性”的，输出为有限集合中的一个或多个标签。02｜回归Regression核心目标：预测一个连续变化的数值。算法的任务是拟合数据的分布趋势，输出通常在一个实数范围内，是“数值”。典型场景举例：•房价预测：基于房屋面积、地段、年限等特征，估算具体的成交价格；

•商业预测：根据季度广告投放预算，预测未来的产品销售额。💡关键点：结果是“定量”的，输出为一个具体的、可度量的数值。监督学习的工作流程01.准备带标签的训练数据这是模型学习的“教材”。我们需要准备大量明确标注好类别的数据，比如在图片上标明这是“猫”、那是“狗”，让数据具备可供参考的标准答案。02.模型训练建立映射将带标签的数据输入AI模型，让模型分析图像特征与标签之间的联系。就像学生做练习题并核对答案，模型在反复的学习中逐步建立起稳定的判断规则。最终应用预测：训练完成后，面对全新的未知图片，模型就能自动调用学到的规则，准确预测出图片内容的标签，完成任务。图示：从带标签的数据集输入，经过模型训练，最终实现对未知数据的精准预测。动手实践：15分钟打造你的“猫狗分类器”🎯本次实践目标不写一行代码，利用百度飞桨EasyDL平台，快速完成数据上传、自动训练，并最终得到一个能准确区分“猫”与“狗”的图像分类AI模型。💡关键提示请提前准备好素材：建议手机相册中挑选约20张猫咪和20张狗狗的清晰照片备用。无需专业设备，随手拍的生活照即可用于本次入门体验。01访问并登录平台打开浏览器，输入easyDL.，使用百度账号完成登录，进入零代码AI开发界面。02创建图像分类项目点击“创建项目”，选择任务类型为“图像分类”，为你的第一个AI项目起一个简单的名字（例如“猫狗识别”）。03上传数据并标注标签在“数据管理”中分别上传准备好的猫狗照片，并分别打上“猫”和“狗”两个标签，完成数据集构建。04训练与测试，见证成果一键启动“模型训练”等待几分钟，然后使用“模型体验”功能上传新的猫狗图片，检验你的AI模型是否准确！EasyDL平台操作界面示例01.访问官网，快速进入这是EasyDL的官方网站首页，页面直观展示了平台核心能力与应用场景。点击界面右上角的“立即使用”按钮，即可一键跳转至AI模型开发的操作平台，开启快速开发之旅。图示：EasyDL官网首页界面，简洁的导航帮助用户快速定位功能入口。02.创建项目，全流程引导进入平台后选择创建“图像分类”类项目，该页面清晰呈现了从数据处理、模型训练、校验评估到最终模型部署的完整标准化流程。我们的“猫狗分类器”实战项目，将从这一界面正式启动。图示：EasyDL项目创建页，流程化的引导降低了AI模型构建的门槛。Part3/核心技术演进深度学习2.2｜推动AI发展的强大引擎01.传统方法的边界当我们试图解决更复杂的现实问题——比如在多变的光线、杂乱的背景、物体不同的姿态下准确识别猫和狗，或是从海量语音中提取情感时，依赖人工特征设计的传统机器学习方法就显得“力不从心”，其性能与扩展性遭遇了明显瓶颈。02.深度神经网络的变革深度学习作为现代人工智能的“引擎”，通过多层非线性网络结构，自动从数据中学习高维复杂特征，无需人工干预。它不仅彻底打破了传统方法的性能天花板，更在计算机视觉、自然语言处理等领域掀起革命，支撑起自动驾驶、大模型等前沿应用，真正推动AI进入工业化实用阶段。总结：深度学习让AI具备了模拟人类感知的能力，是连接数据与智能应用的核心桥梁。什么是深度学习？01｜基本思想模拟人脑的“层次化学习”，是对生物神经网络的工程化简化与实现。灵感来源：直接借鉴人脑神经元之间的连接结构与信号传递方式，通过算法简化和计算资源实现这种“类生物”的学习能力。技术核心：构建多层堆叠的深度神经网络模型，让系统不依赖人工特征定义，自动从原始数据中逐级提取并理解从简单到复杂的特征。02｜生活比喻以“识别一只猫”为例，深度学习的过程就像人类大脑观察事物的三个层级递进：01.底层·基础特征感知如同肉眼先看到物体的边缘、线条、色块、明暗等最原始、细碎的视觉信号。02.中层·局部特征组合将细碎信号组合成可辨认的局部部件，例如把线条拼成“三角形的耳朵”“圆溜溜的眼睛”。03.高层·抽象概念判断整合所有局部部件，形成整体认知，最终确认“这是一张完整的猫脸，它是猫”。深度学习的层次化特征学习神经网络的本质是一个自动特征提取器。当输入一张图像后，网络内部会经过层层递进的计算，将原始的视觉信号转化为对事物的抽象认知。01.底层：捕捉基础视觉元素网络第一层通常只关注最基础的视觉信息，例如图像中的边缘、线条、色块和简单的几何角点，这是构成万物的“原子”。02.中层：组合形成局部特征随着层级加深，网络开始将底层的简单元素组合，识别出更复杂的局部特征，如眼睛的轮廓、耳朵的形状或皮毛的纹理细节。03.高层：抽象为完整概念最高层网络整合所有局部特征，形成对目标完整、抽象的概念（如“猫”）。这种自动学习并构建层次化特征的能力，正是深度学习具备强大泛化性的根本原因。图示：深度学习神经网络处理“猫”图片的全过程，从像素输入到最终识别结果的层级化抽象。“深度”的力量与关系辨析01.“深度”的核心力量自动特征工程无需人工繁琐设计特征规则，模型能够从原始的图像像素、语音波形、文本字符等复杂非结构化数据中，自动挖掘并构建有效特征，大幅降低数据预处理的门槛。强大的层级表示能力通过多层网络结构，逐层抽象数据规律，不仅能学习简单的局部特征，还能组合形成更复杂、更抽象的高层概念，精准刻画事物的本质属性。02.关键关系辨析并非并列的新范式深度学习不是与“监督学习、无监督学习、强化学习”并列的第四种独立学习范式，它不构成对原有体系的颠覆。是高效的实现“引擎”本质上是一种技术方法和模型架构，是驱动机器学习任务高效完成的核心“引擎”，解决了传统方法模型能力不足的问题。与监督学习强强联合当前绝大多数成功的应用（如图像识别、翻译），均是深度学习架构+监督学习范式的结合，深度学习让监督学习发挥出前所未有的效果。Part4｜机器学习核心方法无监督学习2.3核心定义：在未知中发现数据的内在结构与规律01.现实数据的常态困境在真实业务场景中，绝大多数原始数据都是“无标注”的，没有提前给定的标签、分类或标准答案。人工标注不仅成本高昂，也难以覆盖海量数据。02.让机器“自学成才”算法不再依赖人为给定的规则，而是自主从杂乱的输入数据中，通过计算相似度、密度等方式挖掘隐藏的模式、分组关系与数据分布特征，实现对信息的自动组织。▍核心目标：数据降维与聚类通过聚类算法（如K-Means）将相似的数据归为一类；利用主成分分析（PCA）等技术简化高维数据，把复杂信息浓缩为关键特征，从而理解数据全貌。▍关键优势：探索与创新的起点它是发现全新商业洞察的重要工具，例如用户分群、异常检测等。无监督学习不局限于已知知识，往往能帮助人们发现未曾预想到的规律与机会。“如果说监督学习是做题，那无监督学习就是在观察世界，总结规律。”什么是无监督学习？01｜核心思想：“自学成才”▍任务定义：面对完全没有预设标签的数据，算法无需人工干预，独立探索数据样本本身的分布特征、内在结构与隐藏的关联规律。▍学习目标：通过计算数据点之间的相似性（如距离或特征匹配），让机器自动将性质相近的样本归为一类，形成自然的分组划分，从而实现对未知数据的洞察。一句话总结：无标注数据下，自主寻找共性，完成自动聚类。02｜生活比喻：智能相册助手你的手机相册里存着上千张旅行、聚会、美食的照片，你从未手动告诉AI哪些是“家人”、哪些是“海边风景”。AI助手就像一个“整理专家”，默默分析照片的像素、构图、人脸轮廓等底层特征，自动将相似照片打包归类到不同相册中。人像自动识别人脸风景天空/山水聚类美食菜品场景归纳无监督学习的两大核心任务01.聚类(Clustering)核心目标：基于数据自身的内在相似性，将原始数据自动划分为多个互不重叠的组（簇）。确保同一簇内的数据高度相似，而不同簇之间的数据差异显著，实现“物以类聚”。典型应用：广泛用于商业客户的精准分群营销，挖掘潜在消费群体；在资讯平台实现新闻、文章的自动主题聚类与推荐；也可用于异常行为的早期识别。02.降维(DimensionalityReduction)核心目标：在最大限度保留数据核心特征与结构关系的前提下，去除冗余信息，将复杂的高维数据映射并压缩至低维空间，简化数据复杂度。典型应用：解决高维数据的“维度灾难”问题，让复杂数据能以2D或3D形式直观可视化；同时作为后续建模的关键预处理步骤，加速模型训练并提升效率。前沿关联：深度学习与无监督学习的结合已成为当前AI发展的关键，它是生成式AI（例如当下热门的AI绘画、大语言模型等技术）的重要理论与技术基石，通过对海量数据的无监督特征学习，让模型具备强大的内容生成与创造能力。动手实践：体验AI的“主题发现”能力01/实践目标借助大模型工具（如豆包），尝试向其输入一段混合了多个领域信息的杂乱文本，让AI自动完成内容分析，并提炼出隐藏在其中的核心主题或领域。02/三步操作指南①准备素材：复制或编写一段混杂文本，例如同时包含科技突破、体育赛事结果和娱乐行业动态的综合段落。②下达指令：向AI输入清晰的任务：“分析下面这段文本，并提炼出它主要涉及的主题或领域。”，并将准备好的文本粘贴给AI。③查看结果：等待大模型分析完毕，观察其输出的结构化结果，检查它是否准确区分出了不同主题的“簇”。💡思考：这正是无监督学习中“聚类”思想的体现，AI无需人为标注就能发现数据内在的分组规律。效果示例：如图所示，大模型能够将一段混杂的新闻素材，准确提炼并归纳为“前沿科技、体育赛事、文化产业”等清晰独立的主题。05PART05强化

学习2.4强化学习：在试错中成长如果说监督学习是“有老师指导”，无监督学习是“自己找规律”，那么强化学习更像是人类和动物最本能的学习方式——它不需要提前准备好的标准答案，而是在动态环境中通过不断尝试来获取经验。智能体（Agent）每做出一个动作，环境都会给出相应的反馈：是“奖励”还是“惩罚”。它的终极目标，就是在无数次试错中，通过累积奖励最大化的原则，学会一套应对环境变化的最优策略。这正是游戏AI战胜人类、自动驾驶汽车适应路况、工业机器人灵活作业背后的核心逻辑——不是预先设定的程序，而是从实践中“悟”出来的智慧。什么是强化学习？01/核心思想：动态交互与奖惩智能体在与复杂动态环境的持续互动中，不依赖预设的标准答案，而是通过自主采取行动，并接收环境反馈的“奖励”或“惩罚”信号，来不断调整和优化自身策略，最终学会在长期内获得最大化收益的决策方式。02/生活理解：训练小狗“坐下”①随机探索：小狗面对指令时，会做出“坐下”“摇尾巴”“趴下”等随机动作来试探主人的反应。②奖惩反馈：当它恰好做对“坐下”，立即获得零食奖励；若乱动，则得不到任何反馈，甚至会被纠正。③形成策略：重复多次后，小狗明确了“坐下”=“有吃的”，将此作为应对指令的最佳选择。03/经典案例：AlphaGo的突破作为人工智能的里程碑事件，AlphaGo的成功正是强化学习的完美体现。它不仅学习人类棋谱，更关键的是开启了“自我对弈”模式：程序不断与自己进行海量对弈，每一次胜利是正向奖励，失败则是负向惩罚。数百万局自我对弈的试错积累最优策略超越人类顶尖棋手在海量试错中，AlphaGo摒弃了低效走法，逐步构建出超越人类经验的策略网络，最终在复杂的围棋决策中找到了通向胜利的最优路径，完美诠释了强化学习的力量。强化学习的核心机制01.状态(State)智能体在特定时刻所感知到的环境全貌，是决策的基础依据，包含了所有影响后续判断的环境信息。典型示例：围棋对弈时，棋盘上黑白棋子的最终分布组合；或自动驾驶中传感器感知的路况数据。02.行动(Action)智能体处于某一状态下，根据既定规则能够主动做出的所有可选项集合，决定了智能体如何改变环境。典型示例：围棋对局中当前所有允许落子的空位选择；或游戏角色可执行的“上下左右移动”指令。03.奖励函数环境对智能体采取行动后所做出的即时反馈信号，是定义目标与衡量“好坏”的唯一标准。典型示例：贪吃蛇吃到食物得+1分正向奖励，撞上墙壁扣-100分以规避失败行为。进阶：深度强化学习当环境的状态空间极其庞大复杂（如高分辨率游戏画面），直接求解策略变得不可能。此时将深度神经网络作为函数逼近器，替代传统强化学习中的价值表，从而学习复杂的决策策略。里程碑式成果AlphaGo——结合蒙特卡洛树搜索，攻克围棋复杂决策空间，战胜人类世界冠军。OpenAIFive——团队协作型AI，在5v5多人游戏Dota2中展现超越人类的复杂团队战术。机器学习三大范式总结01.监督学习核心思想：从带有明确“标准答案”的标签数据中，学习输入到输出的精确映射关系。数据要求：需要高质量、大规模且已完成人工标注的数据。典型任务：图像分类（识别猫狗）、房价预测等分类与回归任务。生活比喻：就像老师带着学生做题，每道题都有标准答案可对照学习。02.无监督学习核心思想：在没有任何标签指引的情况下，自主发现海量数据内部隐藏的结构、模式与关联。数据要求：只需原始的、未经过任何标注处理的自然数据集合。典型任务：用户行为聚类分组、图片自动去噪、数据降维可视化。生活比喻：如同学生整理抽屉，没人教规则，自己把相似的文具归在一起。03.强化学习核心思想：智能体在与环境的反复交互中，根据得到的奖励或惩罚信号，来优化自身的决策策略。数据要求：无需预先准备数据集，依靠实时环境反馈的奖惩数据。典型任务：AlphaGo围棋对弈、无人车自动驾驶、机械臂操作控制。生活比喻：像训练宠物做动作，做对了给零食奖励，做错了不奖励，慢慢学会技能。核心认知：深度学习并非独立的第四种范式，它是一套以神经网络为核心的强大计算工具，为上述三种范式（尤其是监督学习与强化学习）提供了突破性的算力与表达能力。