《人工智能基础与应用》课件-项目一：人工智能新时代

云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录

什么是人工智能1.1.1思考一、什么是人工智能？三、你的专业跟人工智能有联系吗？二、人工智能在生活中的应用？生命与智能生命：自然界(目前限于地球)有不同类型的生命。智能是生命适应自然界的基本能力。自然智能：自然界(目前限于地球)不同类型生命所具有的智能。尽管生物物种（生命体）千差万别，生存方式也各不相同，但它们都具有作为生命所应具备的基本特征，

包括生长、发育、自我复制、繁衍以及新陈代谢等。除了这些基本特征之外，各种生命体还共同拥有一个至关重要的特征，那就是智能。对于生命体而言，智能是其与生俱来的环境适应能力和生存能力的体现，是生物界共有的特征。无论是微小的细菌，还是庞大的鲸鱼，地球上的各种生物都展现出了不同程度的智能。生命与智能自然智能智能高级低级真菌、细菌植物动物人类细菌在生物圈中数量庞大，分布广泛，其个体极为微小，大约10亿个细菌堆积起来才能达到一颗小米粒的大小。因此，它们常被人们视为低等的单细胞生物。然而，细菌的一些行为和特征却能在一定程度上展现出某种“智能”。例如，细菌能够通过感受环境中的化学信号来感知营养物质的存在、危险或竞争者的接近。它们能够迅速适应环境的变化，如pH值、温度或抗生素压力等。更为引人注目的是，细菌还能形成生物膜，这是一种复杂的组织结构，有助于细菌在不利环境中生存和繁殖。在生物膜中，细菌能够协调行动，包括寻找食物、抵抗病原体、应对环境变化等，从而共同应对外界的威胁和挑战。这种行为在一定程度上表现出了群体智能的特征，使细菌像多细胞生物一样，展现出高度的组织化和复杂性。生命与智能植物同样具备“智能”。它们通过根系从土壤中吸收水分和营养物质，但这一过程并非盲目进行。相反，植物会通过根系释放特定的化学物质，以识别和选择性地吸收有益的营养物质，同时避免摄取有害物质。这种选择性吸收的智能行为使得植物能够优化营养获取，进而提高生长发育的效率。此外，植物还能感知周围环境的变化，包括光照、温度、湿度以及风向等。根据这些环境信号的变化，植物能够做出相应的反应，调整其生理机制以适应环境。例如，植物会向光源弯曲，以最大程度地吸收阳光；在干旱条件下，植物会通过闭合气孔来减少水分蒸发，降低水分损失。这种环境感知智能使其能够在不同的环境条件下存活和生长。锤兰这种花会模仿雌性黄蜂的外表和气味，以欺骗雄性黄蜂来给自己授粉。一旦雄性黄蜂来到，锤兰就会“诱捕”它，然后黄蜂全身会沾满花粉，并传播给另一朵花。生命与智能生命与智能动物智能的表现形式就更加多样化，表现出更高的智能程度。比如海豚，它们是智商最高的动物家族之一，它们的大脑沟回复杂，拥有出色的记忆力。海豚的语言能力一直是海豚高智商的代表特征之一，目前已知每只海豚都具有自己的一种独特的口哨声，就像自己的签名一般。当两只海豚相遇时，它们会互相学习对方的口哨声，这一行为类似于人类交换名片。之后，当它们再次相遇时，就会发出这种“语言名片”般的口哨声，作为确认对方身份的标志。此外，在实验室环境中，海豚能够通过“镜子实验”，证明海豚是具有“自我意识”的。而在非灵长类动物中，仅有海豚与大象会通过镜子观察自己身体上的染色标志，显示出具有“自我意识”的迹象。生命与智能——镜子实验镜子实验是一种用于检验动物（包括人类）自我意识的方法。核心思想是通过镜子反射，观察动物是否能识别出自己在镜子中的影像，并进一步判断它们是否具有自我意识。这种实验方法最初起源于进化论的鼻祖查尔斯·达尔文，他在参观动物园时，曾使用镜子观察猩猩的反应，并记录下它们的行为。实验步骤大体为：在不惊动动物的情况下，在它们身上用无味的颜料做一个不易察觉的记号，如红点。将动物置于镜子前，让它们自由探索镜子。观察动物是否能通过镜子看到自己身上的记号，并尝试触摸或检查该记号。如果动物能够通过镜子识别出自己身上的记号，并表现出好奇、探索或尝试触摸的行为，这通常被认为是它们具有自我意识的证据。因为这种行为表明动物能够将自己的影像与镜子中的影像联系起来，意识到自己是一个独立的个体。生命与智能——镜子实验大部分接受“镜子实验”的动物对镜子里的自身形象置之不理，或误把它当作另一同类而与之搏斗（如公鸡），只有黑猩猩、红猩猩等高级灵长类动物才会利用镜子来检查自己的身体。在非灵长类动物中，海豚和大象是少数能够通过镜子实验证明具有“自我意识”的物种。它们能够识别出镜子中的自己，并表现出对身上记号的关注和反应。镜子实验不仅用于检验自我意识，还被广泛应用于研究动物的认知发展、社会行为以及情感表达等方面。智能是生命适应环境并实现其目标的基本能力。从上述几个例子可以看出，智能是所有生命体共同具有的能力，只是在不同生命体中，其表现形式、水平和程度有所差异。生命智能最基本且核心的作用是确保生命体的生存和繁衍。因此，无论是植物、动物，还是人类，都在各自所处的环境中发展出了其独特的适应环境并维持生存的能力。智能内涵——古人的认识知之在人者谓之知，知有所合谓之智。所以能之在人者谓之能，能有所合谓之能。荀子《荀子·正名篇》智能内涵——现代的定义智能是个体能够主动适应环境或针对问题，获取信息并提炼和运用知识，理解和认识世界事物，采取合理可行的（意向性）策略和行动，解决问题并达到目标的综合能力。第一，智能是一种综合能力，它不仅包括感知和获取环境信息的能力，还涉及在此基础上理解和利用信息提炼知识，采取可行的策略和行动解决问题以实现目标的能力。第二，强调了智能的三个关键要素：感知、理解和行动。感知是指个体能够收集来自外部环境的信息，例如图像、声音、温度等；理解则是指个体能够对这些信息进行分析和解释，从中获取有用的知识和洞察；而行动则是指个体能够根据对环境的理解，采取合理可行的行为来实现特定的目标。智能的层级——1根据以上智能的涵义，可以对智能的层级进行简单的划分。但智能的层级是一个复杂的概念，不同的理论和学科有不同的分类方法，以下列举了一些常见的智能层级：感知和运动能力：这是智能的基本层级，指个体通过感知器官来接收外部信息，并对其做出反应的能力。其包括视觉、听觉、触觉、味觉和嗅觉等方面的能力。同时，个体还需要具备一定的运动能力，以实现对外界环境的适应和应对。基础认知能力：这是智能的较高层级，指个体在认知方面所具有的能力，包括注意力、记忆力、观察力等多方面的能力。这种能力使个体能够记忆、思考、理解问题。智能的层级——2高级认知能力：这是智能的高级层级，指个体在思维方面所具有的能力，包括分析能力、判断能力、推理能力和解决问题的能力等。这种能力使个体能够进行逻辑推理、批判性思维和创造性思维等方面的复杂思维活动。创造性智能：这是智能的最高层级，指个体在创新和创造方面的能力，包括洞察力、想象力、创新能力和发明等方面的能力。这种能力使个体能够产生新的思想，以及在观念、艺术和科技等方面的成果。智能的层级——3自我认知和元认知能力：这同样是智能的最高层级。自我认知能力是指个体对自己的思维和行为进行反思和评估的能力，包括自我意识、自我调节和自我监控等方面的能力。个体还具备一定的元认知能力，以对自己的认知过程进行管理和优化。情感和社会能力：这是智能的另一重要层级，指个体在情感和社会方面所具有的能力，包括情绪管理、社交意识和关系管理等方面的能力。这种能力使个体能够理解和管理自己的情感，以及理解和影响他人的情感和行为。

除了以上常见的智能层级外，还有一些其他的智能分类，如学习能力和领导力等，也被认为是智能的表现。不同层级的智能之间相互作用和影响，同时个体在不同领域和能力方面也会有不同的优势和不足。阿兰·图灵阿兰·图灵——1912年6月23日—1954年6月7日，英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。图灵测试——“如果一台机器能够与人类展开对话（通过电传设备）而不会被辨别出其机器身份，那么称这台机器具有智能。”图灵测试与人工智能图灵测试示例验证码CAPTCHA——CompletelyAutomatedPublicTuringtesttotellComputersandHumansApart全自动区分计算机和人类的图灵测试反向图灵测试图灵测试与人工智能1950年，图灵发表了一篇具有划时代意义的论文《计算机器与智能》（Computingmachineryandintelligence）。在论文中，他首次提出了机器具备思维的可能性，并提出了著名的被称为“图灵测试”的概念。论文开篇即明确指出：“我准备探讨‘机器能思考吗’这个问题。”图灵测试是一个关于机器人的著名判断原则。其内容是指测试者在与被测试者隔开的情况下，通过一些装置（如键盘）向被测试者随意进行文字提问。经过多轮测试后，如果被测试者机器让平均每个测试者做出超过30%的误判，那么就称这台机器通过了测试，并被认为具有人类智能。图灵当年预言，到2000年一定会有机器通过图灵测试。在过去的很长一段时间里，图灵测试也被视为测试机器智能的一项重要标准。图灵测试与人工智能

然而，图灵测试也遭到了一些质疑和反对。20世纪80年代初，美国著名哲学家，约翰·塞尔提出了中文屋（ChineseRoom）思维实验，旨在探讨人工智能是否具备真正的智能和意识。该实验的概念非常简单：一个只懂英语、不懂中文的人被锁在一间封闭的房间里，这个房间除了两侧各有一个小窗口以外，其他地方都是封闭的。有人在房间外面提问，将这些问题用中文写在纸条上，通过小窗口送进这个房间。房间里的人不懂中文，但房间里面有一本事先由专家编好的、非常完备的中英文翻译对照表，房间里还有稿纸和笔，房间内的人可以利用这些工具来翻译和解答送进来的问题。房间外的人通过一侧窗口递进写有中文问题的纸片，房间里的人通过查找中英文对照表翻译送进来的问题，找到对应的中文答案并从另外一侧的小窗口递出。虽然这个过程使得外面的人认为房间内的人理解了中文，但实际上房间内的人只是一个按照规则执行操作的机器，对中文本身没有任何理解。模拟理性思维角度：人工智能是研究那些使理解、推理和行为成为可能的计算。拟人行为角度：人工智能是一种能够执行需要人的智能的创造性机器的技术。机器角度：

人工智能是智能机器所执行的通常与人类智能有关的智能行为。如：判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。人工智能的内涵中国《人工智能标准化白皮书（2018版）》人工智能是研究那些使理解、推理和行为成为可能的计算。“利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，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。”欧盟委员会人工智能高级专家组通过分析环境并在一定程度上自主地采取行动来实现特定目标，进而展现智能行为的系统。基于人工智能的系统可以纯粹基于软件，在虚拟世界中运行（如语音助手、图像分析软件、搜索引擎、语音和面部识别系统），也可以将人工智能嵌入硬件设备（如先进的机器人、自动驾驶汽车、无人机或物联网应用）。”机器角度：

人工智能是指通过计算机程序或机器来模拟、实现人类智能的技术和方法。它可以让计算机具有感知、理解、判断、推理、学习、识别、生成、交互等类人智能的能力，从而能够执行各种任务，甚至超越人类的智能表现。人工智能的定义人工智能“人类的智能”知识+智力感觉→记忆→思维智能行为的基础人工智能是一门致力于研究智能的机制和规律，开发能够模拟、延伸和扩展人类智能的技术和学科。它结合了计算机科学、心理学、哲学等众多学科的理论和技术，旨在探索智能的本质，创造出一种新的能以与人类智能相似的方式做出反应的智能机器或程序。人工智能的内涵智能与人工智能类型弱人工智能语言智能智能自然智能非人类人类机器智能群体智能混合智能模仿对象产生机制仿生智能仿人智能机器人机器动物认知智能人工智能内生智能类人智能机器创造智能模拟感知智能行为智能智能与人工智能类型弱人工智能语言智能产生机制认知智能内生智能类人智能机器创造智能模拟感知智能行为智能强人工智能类脑智能类脑计算机人工大脑结构通用机器智能=强人工智能专用机器智能=弱人工智能小结什么是人工智能人工智能在生活中的应用人工智能的定义云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能的基础1.1.2哲学与人工智能之间存在着微妙的相互作用。图灵提出的“机器能思考吗”问题，本身就是一个哲学问题，也是人工智能领域的重要问题。因此，从哲学角度思考人工智能问题有助于正确理解和认识人工智能技术，并努力去发现、探索和解决未知问题。亚里士多德（Aristotle）制定了一套精确的法则来统御思维的理性部分。他是历史上第一个这样做的哲学家。他发展了一套非正式的三段论系统来进行适当的推理。该系统原则上允许人们在给定既定前提下机械地得出结论。托马斯·霍布斯（ThomasHobbes）在《利维坦》一书中提出了“会思考的机器”的想法，用他的话说就是一种“人造动物”，设想“心脏无非就是发条，神经只是一些游丝，而关节不过是一些齿轮”。他还主张：推理就像是数值计算，认为“推理就是一种计算，也就是相加减。”哲学与人工智能哲学家们提出了人工智能的一些基本理念，但人工智能要成为科学，需要逻辑和概率的数学化，并引入一个新的数学分支——计算。计算的历史与数字的历史一样古老，但用于计算最大公约数的欧几里得算法被认为是第一个非平凡的算法。“算法”一词源自一位9世纪的数学家穆罕默德·本·穆萨阿尔·花刺子模（MuhammadibnMusaal-Khwarizmi）。他的著作还将阿拉伯数字和代数引入了欧洲。布尔等人讨论了逻辑演绎的算法，到19世纪末，人们开始努力将一般的数学推理形式化为逻辑演绎。数学与人工智能——1数学作为人工智能的基石数学与人工智能的关系是基础与应用的共生体，数学不仅是AI的理论基石，更是其算法设计与优化的核心工具‌。线性代数通过矩阵运算为深度学习提供数据表示和模型构建框架，概率论与统计学则赋予AI处理不确定性和数据推理的能力‌。例如，Transformer架构的注意力机制本质是矩阵分解的工程化实现，而贝叶斯定理在分类和自然语言处理中发挥着关键作用‌。优化理论（如梯度下降）则驱动着神经网络的参数训练，使模型能够从数据中学习并迭代改进‌。人工智能反哺数学研究这种联系不仅是单向的，AI的发展也反向推动了数学的革新。例如，深度学习中的反向传播算法促进了数值计算方法的进步，而强化学习的动态规划需求催生了新的随机优化理论‌。数学为AI提供了严谨的逻辑和量化分析工具，而AI的复杂问题又为数学开辟了新的研究方向，如高维空间拓扑分析和非凸优化‌。这种双向互动使得数学与AI成为智能时代共同演进的“双璧”。数学与人工智能——2神经科学与人工智能之间存在着一种深刻且富有生产力的共生关系，它们如同一枚硬币的两面，共同致力于理解“智能”的本质。从历史源流看，神经科学为人工智能提供了最根本的灵感源泉。早期研究者通过借鉴大脑中神经元的基本工作原理，创造了人工神经网络这一核心模型，奠定了现代深度学习的基础。诸如分层处理信息、强化学习中的奖励机制等关键概念，都直接脱胎于我们对生物神经系统的观察与理解。可以说，神经科学是人工智能在探索道路上一位至关重要的“思想导师”，不断地从生命演化的亿万年间提炼出智能的蓝图与范式。神经科学与人工智能——1反过来，人工智能也正日益成为推动神经科学发展的强大“引擎”与“试验场”。面对大脑这个宇宙中最为复杂的系统，人工智能强大的计算与模式识别能力使得处理海量的神经信号数据（如脑成像、神经元放电记录）成为可能，从而帮助科学家解码神经活动、绘制更精细的脑图谱。同时，通过构建和训练复杂的人工智能模型，研究者可以对这些“人工大脑”进行实验和剖析，以此来检验和启发关于真实大脑工作机理的种种假说。这种由计算模型驱动的研究范式，为理解认知、知觉、决策等高级脑功能开辟了全新的途径。神经科学与人工智能——2现代数字电子计算机是由陷入第二次世界大战中的3个国家的科学家独立且几乎同时发明的。第一台可操作的计算机是由艾伦·图灵的团队于1943年建造的机电设备希思·罗宾逊，它的唯一目的是破译德国的情报。1943年，同一小组开发了Colossus，这是一款基于真空管的强大通用机器。第一台可操作的可编程计算机是Z-3，是由德国工程师康拉德·楚泽（KonradZuse）在1941年发明的。第一台电子计算机ABC是约翰·阿塔纳索夫（JohnAtanasoff）和他的学生克利福德·贝瑞（CliffordBerry）于1940年至1942年在爱荷华州立大学组装的。ENIAC（ElectronicNumericalIntegratorAndComputer，电子数字积分计算机）作为宾夕法尼亚大学秘密军事项目的一部分，被证明是现代计算机最有影响力的先驱。计算机科学与人工智能——1从此，每一代计算机硬件更新都带来了速度和容量的提升以及价格的下降，这就是摩尔定律所描述的趋势。在2005年之前，大约每18个月CPU的性能就会翻一番，但功耗问题导致制造商开始增加CPU的核数而不是提高CPU的时钟频率。目前可预期的是，未来计算机性能的提升主要依赖于大规模并行计算，这体现了计算机与大脑特性奇妙的一致性。目前，已经出现了针对人工智能应用进行调整的硬件，如图形处理单元（GraphicsProcessingUnit，GPU）、张量处理单元（TensorProcessingUnit，TPU）和晶圆级引擎（WaferScaleEngine，WSE）。从20世纪60年代到大约2012年，用于训练顶级机器学习应用的计算能力遵循了摩尔定律。从2012年开始，情况发生了变化：从2012年到2018年，这一数字增长了30万倍，大约每100天翻一番。在2014年花一整天训练的机器学习模型在2018年只需两分钟就可以完成训练。计算机科学与人工智能——2小结哲学与人工智能数学与人工智能神经科学与人工智能计算机科学与人工智能云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能的产生与发展1.1.3（1）初创时期

（2）形成阶段

（3）发展时期

（4）探索时期

（5）大数据驱动时期

（6）智能时代初创时期（1936-1956）图灵机，又称图灵计算机，是一个抽象的机器。它是由图灵于1936年提出的一种抽象的计算模型，即将人们使用纸笔进行数学运算的过程进行抽象，由一个虚拟的机器替代人类进行数学运算。它是计算机的原型，详细描述了机械运算过程的含义，也为计算机的发明铺平了道路。图灵把人类大脑的计算过程进行抽象化和模型化。想象一下人类大脑计算两个数加法的过程：首先，把两个数写在一张纸上，传统的竖式计算方法是按照上下排列、个位对齐，然后，从个位开始一位一位的按照加法规则进行逐位的加运算，当产生进位时，需要把进位标注下来，在下一步加运算中把标注好的进位计算进去，最后，把最终的运算结果写出来。图灵将以上描述的计算过程进行抽象，图灵机有一条无限长的纸带，纸带分成了一个一个的小方格，每个方格有不同的颜色，表示不同的信息。有一个读写头部件在纸带上移来移去。读写头部件有一组内部状态，还有一些固定的程序。在每个时刻，读写头部件都要从当前纸带上读入一个方格信息，然后结合自己的内部状态查找程序表，根据程序执行的结果输出信息到纸带方格上，并转换自己的内部状态，然后进行移动。初创时期（1936-1956）阿塔纳索夫-贝瑞计算机（Atanasoff–BerryComputer，简称ABC计算机）是世界上第一台电子计算机，是由美国科学家约翰·阿塔纳索夫（JohnAtanasoff）在1937年开始设计的，与他的学生克利福德·贝瑞（CliffordBerry）一起合作，于1940年至1942年间在爱荷华州立大学组装完成。这台计算机被设计用于求解线性方程组，是不可编程的。它采用了电子真空管作为计算元件，使用电容器来进行数值存储，数据输入采用打孔读卡方法，还采用了二进制。阿塔纳索夫贝瑞ABC：第一台电子计算机初创时期（1936-1956）世界上第一台通用数字电子计算机是“ENIAC”（ElectronicNumericalIntegratorAndCalculator，电子数值积分计算机），它于1946年2月14日在美国宾夕法尼亚大学诞生。这台计算机是由美国物理学家莫克利（J.Mauchly）和工程师埃克特（J.P.Eckert）等人共同开发的，它被誉为计算机发展史上的里程碑，标志着人类进入了一个崭新的信息时代。ENIAC是一个庞然大物，它使用了18000个电子管作为计算元件，占地170平方米，重达30吨。它的耗电功率约150千瓦，每秒钟可进行5000次运算。虽然这些数字在现在看来可能并不惊人，但在当时，这是破天荒的创举。ENIAC以电子管作为元器件，因此也被称为电子管计算机，是计算机的第一代。ENIAC的诞生具有划时代的意义。它是第一台通用计算机，这意味着它可以通过重新编程来解决一大类数值问题，而不仅仅局限于某一特定问题。这种通用性使得计算机的应用范围大大拓宽，为后续的计算机科学和技术发展奠定了基础，也成为人工智能发展的基石。冯·诺依曼ENIAC初创时期（1936-1956）3岁，诺依曼就能记住不少数字。6岁，他就能心算8位数除法,用古希腊语与父亲交谈。8岁，学会了微积分,读完了44卷<世界史>并且终生不忘。11岁上中学后，老师也对他卓越的数学天赋惊叹不已，并向他父亲建议，干脆让小诺依曼退学回家，聘请大学教授来当家庭教师。他中学毕业前就和大学里许多老师共同研究数学。17岁时，诺依曼就与老师合作发表了第一篇数学论文。18岁那年，冯·诺伊曼同时在三所大学注册,同时进行本科生和研究生的学习:在苏黎士联邦理工学院(ETH)学习化学工程，每晚完成柏林大学数学专业的作业，在每个学期末回布达佩斯大学参加他从没上过课的数学考试。二十二岁那年他不但从苏黎士联邦理工拿到化学工程学位，还通过了大卫·希尔伯特坐镇的数学博士答辩。他太年轻，三十出头，却已经到达了学术顶峰，和五十多岁的物理学家爱因斯坦、数学家维布伦(OswaldVeblen)、数学家亚历山大(JamesAlexander)一起成了高等研究院最初任命的四位教授。冯·诺依曼初创时期（1936-1956）一次,冯诺伊曼在晚会上,女主人勇敢地向他提出一个谜题:两列火车在同一轨道上以每小时30英里的速度相对而行,且相距1英里,这时栖在一列火车前面的一只苍蝇以每小时60英里的速度朝着另一列火车飞去.当它飞到另一列火车时,它又迅速地飞回来.它一直这样飞过去飞回来,直到两列火车不可避免地发生碰撞，问这只苍蝇共飞了多少英里?有人回忆听冯·诺依曼讲演必须有足够聪明，极度专心，否则绝对跟不上他。每次演讲，只有极少数的数学家能够勉强听得懂，奉陪到底。演讲的时候，冯·诺依曼的思维敏捷，内容充实丰富，边讲边写，板书飞快，一会儿功夫就写满了整块的黑板，只好擦去旧的，再写新的。当要回过头来引用前面结果的时候，他会不断地指着黑板的某个位置说:根据擦过三次之前，写在这个位置的一个式子，再加上擦过六次之前，写在那个地方的一条定理，就可以得到以下结论。听惯了他演讲的数学家们笑称:冯·诺依曼是“用板擦来证明定理的人”。因为他经常根据早已擦掉的步骤，进行推理证明。人体神经系统的最主体部分，是中枢神经系统，由脑和脊髓组成（脑和脊髓是各种反射弧的中枢部分）。中枢神经系统接受全身各处的传入信息，经它整合加工后成为协调的运动性传出，或者储存在中枢神经系统内成为学习、记忆的神经基础。传递、储存和加工信息，产生各种心理活动，人类的思维活动也是中枢神经系统的功能，支配与控制动物的全部行为。1943年——首个人工神经元模型（MP模型）

初创时期（1936-1956）

麦卡洛克-皮茨模型（McCulloch-PittsModel），也被称为MP模型，是1943年由美国科学家沃伦·麦卡洛克（W.McCulloch）和沃尔特·皮茨（W.Pitts）首次提出的一种人工神经元模型。这种模型是早期神经网络研究的重要成果之一，开创了神经网络模型的先河。该模型将神经元视为一种二值阈值逻辑元件。在模型中，神经元接收多个输入信号，这些输入信号可以是来自其他神经元的输出，也可以是外部刺激。每个输入信号都有一个相应的权重，表示该输入信号对神经元的影响程度。神经元将所有输入信号加权求和，并将结果与一个阈值进行比较。如果加权求和的结果超过阈值，神经元就会被激活，并产生一个输出信号；否则，神经元保持抑制状态，不产生输出信号。它的主要目的是描述神经元的状态和行为，从而进一步研究神经网络和脑模型。初创时期（1936-1956）生物神经网络的假定特点：4.神经元输入与输出间有固定的时滞，主要取决于突触延搁每个神经元都是一个多输入单输出的信息处理单元；2.神经元输入分兴奋性输入和抑制性输入两种类型；3.神经元具有空间整合特性和阈值特性；初创时期（1936-1956）机器

人大脑1948年诺伯特·维纳《控制论——关于在动物和机器中控制和通讯的科学》罗伯特·维纳控制论是关于具有自我调整、自适应、自校正功能的机器的理论。初创时期（1936-1956）初创时期（1936-1956）控制论的研究内容包括系统的稳定性、控制、信息交换和反馈调节等方面。维纳把动物、机器的通讯和控制看作是一个动态系统在变的环境条件下如何保持平衡状态或稳定状态的问题。他利用精确的数学语言和数学的公理化方法，深入研究了控制信息的基本性质以及在它们的数学表征、变换和传递过程中揭示出最重要的规律。控制论对人工智能的发展具有重要的意义，它提供了一种系

统的、数学化的方法来描述和分析动态系统的行为，为人工智能领域中的智能控制、机器学习、自动规划等方面提供了重要的理论基础和方法支持。此外，控制论的思想和方法也被广泛应用于人工神经网络、模糊控制、进化计算等人工智能领域中，推动了人工智能技术的不断创新和发展。1952年亚瑟·塞缪尔（ArthurSamuel）跳棋程序1959年机器学习MachineLearningML初创时期（1936-1956）麦卡锡达特茅斯“达特茅斯人工智能夏季研究会”在上述思想的影响下，1956年，美国学者约翰·麦卡锡(JohnMcCarthy)、马文·明斯基(MarvinMinsky)以及IBM的两位资深科学家克劳德·香农(ClaudeShannon)和尼尔·罗切斯特(NathanRochester)组织了一次学会,邀请包括赫伯特·西蒙(HerbertAlexanderSimon和艾伦·纽厄尔(AllenNewell)在内的对“机器是否会产生思维”这一问题十分感兴趣的一批数学家、信息学家、心理学家、神经生理学家和计算机科学家参加，他们聚集在一起，进行了长达两个月的达特予斯夏季研究会。麦卡锡首次使用“人工智能”这一概念。这次会议并没有解决有关人工智能及机器思维的任何具体问题，但它为后来人工智能的发展确立了研究目标，并开启了人工智能发展的历史，使其发展至今。初创时期（1936-1956）“达特茅斯人工智能夏季研究会”提案中所提出的七个议题初创时期（1936-1956）1.如何对机器编程以更好利用计算机的能力；2.如何让计算机理解和使用语言；3.如何用神经网络来表达概念；4.如何定义计算效率和复杂性；5.如何实现机器的自我改进；6.如何实现对象的抽象表示；7.如何实现随机性和创造性。

姓名与会年龄当年身份后期主要成就1约翰·麦卡锡29达特茅斯学院助理教授获得1971年图灵奖2马文·明斯基29哈佛大学助理研究员获得1969年图灵奖3纳撒尼尔·罗切斯特37IBM701设计师获得1984年IEEE计算机先驱奖4克劳德·香农40贝尔实验室资深科学家信息论创始人IEEE荣誉奖章获得者5赫伯特·西蒙40卡内基梅隆大学工业管理系主任获得1975年图灵奖和1978年诺贝尔经济学奖6艾伦·纽厄尔29卡内基梅隆大学在读博士获得1975年图灵奖7亚瑟·塞缪尔55IBM电机工程师机器学习之父IEEE计算机先驱奖8特伦查德·摩尔26达特茅斯学院教授参与IBM机器人沃森的研究开发9雷·所罗门诺夫30芝加哥大学在读博士电子行业兼职发明归纳推理机算法信息理论之父10奥利弗·赛弗里奇30麻省理工学院从事模式识别工作模式识别奠基人“达特茅斯人工智能夏季研究会”参会人员情况初创时期（1936-1956）1950s1960s1970s1956-1976第一次繁荣期达特茅斯会议，确定了人工智能的概念和发展目标。相继取得一批显著的成果，如跳棋程序、通用问题求解程序等。研究人员表现出了极大的乐观态度。1956年，达特茅斯会议提出“人工智能”1959年，ArthurSamuel提出了机器学习达特茅斯初创时期（1936-1956）小结初创时期（1936-1956）云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能的分类1.1.5按智能程度分类按能力分类1、计算智能计算智能包括机器的超强存储能力和超快计算能力，特别是基于海量数据进行深度学习，利用历史经验指导当前环境。例如，电商平台基于对用户购买习惯的深度学习，进行个性化商品推荐等。计算智能是人工智能的最低层次，能够进行基本的数学运算和逻辑推理，主要应用于简单的数据处理和计算任务，可以通过机器学习算法进行训练和优化，提高运算速度和准确性。计算智能是实现更高层次人工智能的基础，如更高级的感知智能、认知智能等。2、感知智能感知智能主要是指机器具备的视觉、听觉、触觉等感知能力。它可以将非结构化的数据结构化，并用人类的沟通方式与用户互动。例如，著名的波士顿动力机器人就运用了感知智能，它通过各种传感器，感知周围环境并进行处理，从而有效指导其运行。按能力分类3、认知智能认知智能比计算智能和感知智能更为复杂，主要是指机器像人一样，有理解能力、归纳能力、推理能力以及运用知识的能力等。认知智能是人工智能的高级阶段，能够理解、学习和适应环境，从而进行推理、决策和解决问题等。4、自主智能至于自主智能，这是人工智能领域的一个比较新的概念，目前还没有一个清晰的定义。它通常被认为是一个更高级别的人工智能，可以自我学习、自我适应并独立完成任务。自主智能的实现需要人工智能系统具备相当高的自我优化和自我学习能力，甚至可以在没有人类干预的情况下进行自我改进。目前自主智能的发展还处于研究和探索阶段，尚未在实际应用中得到广泛使用和推广，它的发展需要解决算法、数据、计算能力等多方面的挑战。需要注意的是，这四个层次并不是完全独立的，而是相互联系、相互促进的。在实际应用中，很多人工智能系统都同时具备这四个层次的能力，只是侧重点和表现形式有所不同。按实现方式分类符号主义方法：

希望计算机处理符号，并通过符号表征来实现人工智能。联结主义方法：核心方法是以模仿人脑神经网络结构形成的人工神经网络。行为主义方法：主张智能在与环境的交互作用与适应过程中不断进化，即不用考虑大脑内部的机制，而是直接通过行为模拟实现智能，可以称之为“无脑”智能。三大流派代表了人工智能领域不同的思想和方法，它们在解决问题时有着各自的优势和局限性，而在实际应用中也常常会结合多种方法来取得更好的效果。按研究内容分类1、机器智能

2、混合智能

3、群体智能

4、类脑智能弱人工智能语言智能机器智能群体智能混合智能模仿对象产生机制仿生智能仿人智能机器人机器动物认知智能人工智能内生智能类人智能机器创造智能模拟感知智能行为智能强人工智能类脑智能类脑计算机人工大脑结构通用机器智能=强人工智能专用机器智能=弱人工智能大数据机器学习机器智能人工神经网络基础资源符号主义行为主义联结主义计算智能感知智能行为智能认知智能混合智能类脑智能图像处理图像识别语音识别机器视觉模式识别机器人传感器控制技术问题求解知识表示逻辑推理自然语言处理知识图谱脑机接口可穿戴外骨骼人机交互数据平台数据存储数据挖掘自然计算类脑计算类脑芯片人工大脑机器情感机器伦理人工智能方法与技术人工智能应用智能行业智能制造智能农业智能医疗智能教育智能家居智能金融智能营销智能军事人工智能伦理与法律光敏传感器——视觉声敏传感器——听觉气敏传感器——嗅觉化学传感器——味觉压敏、温敏、流体传感器——触觉人工智能主要研究内容食品饮料印刷包装零配件装配电子汽车冶金制药制造质量检测机器视觉研究对象描述和分类方法的科学。分析模式可以是信号、图像或者是普通数据。应用范围：文字识别、字符识别、情绪识别、手势识别、物体识别以及指纹识别、掌纹识别、虹膜识别、行为识别、动作识别还有医疗影像识别等。模式识别动作识别小结按智能程度分类按能力分类按实现方式分类按研究内容分类云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能的应用1.1.6智能制造人工智能在智能制造方面的应用广泛且深入，涵盖了产品设计、生产计划、生产过程控制、质量检测、设备维护、物流管理等多个环节。在工业制造领域，可通过人工智能、先进检测技术和机器人技术实现自动化流水线生产、柔性生产和产品装配、产品质量自动检测、维护需求预测、最优化的配送货物和仓库管理等。智能医疗医学影像分析药物设计与研发个性化治疗患者监护远程医疗智能医疗设备智能交通智能交通系统是信息技术与交通领域集合应用的产物。智能交通系统通过人、车、路的和谐紧密配合提高交通运输效率，缓解交通阻塞，减少交通事故，降低能源消耗等。智能交通系统涉及的范围很广，随着人工智能的发展，道路交通控制、公共交通指挥调度、高速公路监控管理、车辆监控管理、自动驾驶与辅助驾驶、自动导航等都在快速发展，人工智能在这些场景中都有广泛应用，包括采用图像识别技术实现的车牌和车型信息的自动识别，对车辆闯红灯、超限超载超速等违规行为进行检测，智慧城市的交通出行监控、调度和管理，车辆的自动驾驶和辅助驾驶等，特别是自动驾驶逐渐成为人们重点关注的领域。智能交通自动收费票务管理运输信息管理道路交通控制车辆监控管理自动驾驶与辅助驾驶智能安防智能安防是指运用人脸识别、视频分析、云计算、云存储等先进技术，将各行业的业务管理、报警、数据传输、视频等进行集成，并能够对数据进行存储、调用以及智能分析，从而快速进行判断，为重要场所提供入侵报警服务的综合性系统。智能安防系统包含多摄像头联网、应急自动响应、人流监测、风险预警、网络报警、联动控制等功能，是智慧城市建设的重要组成部分。智能生活智能生活是指利用人工智能技术和物联网技术，使日常生活更加便捷、智能化的生活方式。它将电子科技融入到日常的工作、生活、学习及娱乐中，通过智能家居、智能穿戴、智能办公、智能购物等多种智能设备和系统，实现信息的智能感知、自动化控制和个性化定制，为用户提供更加便捷、高效、舒适和安全的生活体验，提升生活质量和效率。人工智能在智能生活方面的应用非常广泛，涵盖了智能家居、智能健康以及智能零售等多个领域，例如：智能家居系统可以通过连接家中的各种设备和传感器，实现远程控制、自动化操作和智能化管理。具体来说，智能家居可以通过语音助手控制灯光、温度、安防系统等，实现智能化的家居环境。智能教育利用人工智能、大数据、虚拟现实等技术，提供更加个性化、高效和智能化的教学和学习体验的教育方式。根据学生的学习特点和需求，提供定制化的教学内容和方法，以促进学生的全面发展和提高教学效果。小结智能制造智能医疗智能交通智能安防智能生活智能教育云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能基础设施1.1.7人工智能基础设施（也称AI基础设施）是支持人工智能技术发展和应用的重要基础架构，涉及数据、算法和算力三个方面。数据‌：作为“生产原料”，是训练AI模型的基础，涵盖结构化、非结构化及半结构化数据‌。数据质量直接影响模型性能，需通过清洗、标注提升有效性‌。算法‌：“生产工艺”，决定数据处理逻辑与智能决策能力，如深度学习、自然语言处理等算法推动应用创新‌。算力‌：作为“生产设备”，支撑算法高效运行，依赖芯片性能与计算架构优化‌。根据任务类型不同，算力可分为通用算力、超算算力和人工智能算力三种。人工智能的挑战和发展趋势奇点新一代人工智能融合经济、生活、人类文明...影响人工智能

+奇点到来了吗？奇点理论是由美国未来学家雷蒙德·库兹韦尔提出的理论，AI奇点是指人工智能超越人类智能的假设事件。在奇点之后，人工智能将能够自我改进，并以指数级的速度发展，最终超越人类的智力、能力和控制范围。人工智能的挑战机器是否可能具有类人智能和思维？技术层面

计算能力与成本

应用层面

隐私保护

社会伦理

——强人工智能

——芯片、电力、人力

——归责问题

——用户数据

——自律准则发展趋势人工智能未来或将呈现多模态融合与自主决策的技术突破，大模型演进至同时处理文本、图像、视频等多种数据格式，结合量子计算与轻量化算法显著降低算力成本。具身智能机器人通过实时感知环境完成精细操作，边缘计算优化实时决策能力，工业场景中预测性维护大幅减少停机时间。产业应用深度渗透制造业、医疗及城市治理，智能生产线故障率显著降低，同时“城市大脑”等案例有效缓解交通拥堵并提升能源利用率。社会层面，就业结构面临重构，人机协同催生新职业，无代码开发降低技术门槛，教育体系转向创造力培养，而绿色计算技术助力碳中和目标。未来，技术普惠与伦理治理同步推进，推动智能经济迈向人机协同、跨界融合的新阶段。发展趋势一、技术方面（1）深度学习与强化学习的融合（2）多模态模型的发展（3）量子人工智能的崛起（4）生物计算等新兴技术的融合（5）人工智能与物联网深度结合（6）自主学习或成为人工智能的终极目标三、社会影响与伦理挑战（1）人机协作的深化（2）伦理与道德问题的关注（3）政策法规的完善（4）劳动力与就业影响二、应用方面（1）智能教育的普及（2）智慧医疗的推进（3）自动驾驶汽车的商业化（4）智能家居的普及（5）智慧城市的建设小结人工智能基础设施人工智能的挑战和发展趋势云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-1：初识人工智能）CONTENTS目录人工智能伦理1.1.8人工智能伦理基础人工智能伦理，简而言之，就是在研究、开发、部署和应用人工智能技术时，需要遵循的一系列道德准则、社会价值观和法律法规，以确保人工智能的发展和应用不会对人类和社会造成负面影响，并促进技术的健康发展和社会福祉的提升。这既是对技术发展的内在要求，也是对社会和谐的必要保障。2018年5月26日，百度创始人李彦宏在贵阳大数据博览会上发表《为了一个更美好的AI时代》主题演讲，首次提出人工智能伦理

四原则：第一，人工智能的最高原则是安全可控。第二，人工智能的创新愿景是促进人类更平等地获取技术和能力。第三，人工智能存在的价值是教人学习，让人成长，而非超越人、替代人。第四，人工智能的终极理想是为人类带来更多的自由与可能。主要问题技术层面

——算法及系统的安全、可解释性、算法歧视、算法决策等数据层面

——采集、存储、流通、利用等应用层面

——算法及数据的滥用和误用等人工智能正逐渐渗透到人类社会和公民生活的各个方面。在这个过程中，涌现出了许多新的伦理问题。人工智能的发展对现行法律法规的挑战也愈发明显，特别是在民事主体、侵权责任、个人隐私等方面，亟须法律制度的补充完善。总体来说，人工智能技术存在的主要伦理问题包括隐私泄露、偏见歧视、技术滥用、权责归属等。Facebook用户在观看一段以黑人为主角的视频时，会看到一个自动生成的提示，询问他们是否愿意“继续观看灵长类动物的视频”。视频的内容是几个黑人和警察发生了争执。偏见、种族主义和谎言：直面人工智能的负面后果2015年，黑人兄弟JackyAlciné震惊地发现，他们被谷歌图像识别算法歧视了：GooglePhotos竟然把他的黑人朋友分类成了“大猩猩”Gorillas，这位黑人兄弟立马向谷歌发起了抗议。谷歌对此深表歉意，并立刻着手处理这一漏洞。但他们的工程师惊奇地发现，无论怎么修改编程，都无法解决AI智能区分黑人和黑猩猩照片的技术难题。即使是最好的算法，也不具备常识，不理解抽象概念，结果就是，机器学习工程师将自己的算法用在现实世界中之时，必须考虑训练数据中遇不到的极端情况。偏见、种族主义和谎言：直面人工智能的负面后果偏见、种族主义和谎言：直面人工智能的负面后果“去马赛克AI”洗白？“去马赛克AI”洗白？偏见、种族主义和谎言：直面人工智能的负面后果AI聊天机器人“杀死”14岁男孩，家人悲怒之下将公司告上法庭CharacterAI聊天机器人引悲剧AI诈骗AI实时换脸、AI实时聊天、AI实时模仿人声唱歌等充斥于网络之上，而在此基础上出现的数字人，也已经越来越趋向于“真实”，人类的眼睛与耳朵及内在的判断力，已经越来越无法分辨网络上这些信息的真假。在百度的搜索热榜上，AI诈骗呈现出已经成爆发式增长趋势。（1）技术应对。人工智能的许多伦理

风险可以通过技术的改进予以解决，例如，算法可解释性和透明性是人工智能伦理的重要命题之一，涉及人类的知情利益和主体地位，而算法可解释性和“算法黑箱”问题就可以在一定程度上通过技术手段逐渐得到解决，即借助于技术使得机器理解层次降维到人类理解层次，使人类在更大程度上能看懂、能理解有关算法。另外，也要逐步形成算法开发者和使用者信息披露的技术惯例，对算法进行监管，接受公众的审查和质询。治理措施（2）道德规范。我国《新一代人工智能发展规划》强调，未来要重点开展人工智能行为科学和伦理等问题研究，探索伦理道德多层次判断结构及人机协作的伦理框架。在相关法律法规尚未成型或生效之前，需要通过教育和社会舆论适当地引导，倡导正确的价值观，推动人工智能伦理共识的形成，有效地避免一些违背伦理道德却未违反现行法律的恶性事件发生。另外，还要推动科研机构和企业对人工智能伦理风险的认知和实践，通过发布伦理风险分析报告等形式，讨论人工智能伦理风险的应对措施。治理措施（3）政策指引。由于人工智能技术的前景和潜力尚有不确定性，通过国家政策指引相比立法有更大的灵活性，也更体现差异化和顺应创新趋势。根据技术发展程度，在某些领域尝试确立一些应用模式作为典型，逐步推进人工智能标准化进程，进而推动人工智能应用领域的不断拓展。另外，还要推动人工智能企业建立伦理委员会，明确扮演人工智能技术落地执行者角色的企业的伦理意识和社会责任，并将对伦理的考量贯穿始终。治理措施（4）法律规则。在人工智能这一新兴领域的法律规制中，需要在促进发展与风险控制之间探求最佳平衡点，尤其需要把握公权力干预和产业自治之间的平衡。一个可行的路径是，在实践相对成熟、已有一定普遍共识的部分，可尝试进行立法规制；而在实践不足以立法规制的领域，则通过行业自律、政策引导等方式进行伦理风险控制。治理措施1．什么是智能？什么是人工智能？2．为什么人工智能需要多学科交叉研究？各学科对人工智能的发展有什么影响？3．人工智能发展历程是怎样的？你从中能够获得什么样的

启示？4．人工智能根据不同划分依据主要可以划分成哪些类别？

它们分别对应的内容有哪些？5．人工智能技术对社会发展产生了哪些影响？有哪些应用

领域？6．什么是奇点理论？7．人工智能未来发展可能面临哪些问题？人工智能未来的

发展趋势是怎样的？8．人工智能伦理的主要研究内容有哪些？思考小结人工智能伦理云计算技术应用省级专业教学资源库谢谢观看Thankyouforwatching云计算技术应用省级专业教学资源库项目一：人工智能新时代人工智能基础与应用（任务1-2：了解机器学习与深度学习）CONTENTS目录了解机器学习与深度学习1.2.1在不需要确定性编程的情况下，给予计算机学习能力的领域。从数据中找到信息，从而学习一些规律，也就是“利用经验来改善系统自身的性能”。机器学习机器学习（MachineLearning，ML）是计算机科学的一个学科分支。作为人工智能的核心组成部分，其核心目标在于使系统无须显式编程即可发现数据中的模式和规律。具体而言，机器学习通过让计算机从经验中自动优化性能，实现其对复杂任务的处理。这种方法的关键在于利用数据驱动的方式逐步提升计算机系统的泛化能力和适应性，而无须依赖人工干预。机器学习的含义机器是怎样学习的呢？我们先来看一下人的学习过程：上课：学习理论知识，进行知识输入总结复习：通过复习，强化理解梳理知识框架：整理知识，形成体系课后作业：通过练习，进一步加深理解每周测验：检查掌握情况查漏补缺：改善学习方法期末考试：检查最终学习成果机器学习的含义机器的学习过程也是类似的，包括以下7个步骤：（1）数据获取：收集相关的数据（2）数据处理：对数据进行转换，统一数据格式（3）模型选择：选择适合的算法（4）模型训练：使用数据训练模型，优化算法（5）模型评估：根据预测结果评估模型性能（6）模型调整：调整模型参数，优化模型性能（7）模型预测：对未知结果数据进行预测机器学习的含义1．与数据相关的概念（1）数据（Data）：是用以描述事物的符号记录，能够体现客观事物的性质、状态和相互关系等。在计算机系统中，数据涵盖文字、字母、数字符号的组合，以及图形、图像、视频、音频等多种形式。经过加工处理后，数据转化为信息。（2）数据集（DataSet）：是指一组数据的有序集合。其中每一条单独的数据均对应于一个事件或对象的描述，称为一个“样本”或“示例”。一个对象包含多个属性值，从数学角度来看，一个数据集可以构成一个二维矩阵的形式。（3）特征（Feature）：是指数据的基本属性或变量，用于反映事件或对象在某些方面的表现或性质，也称“属性”（Attribute）。在机器学习中，特征是指从原始数据中挑选和提取的信息单元，能够使模型有效地学习和识别数据中的模式与规律。机器学习基本概念（4）特征向量（FeatureVector）：是指每个样本所有特征值组成的向量形式，主要作用是将样本在多维特征空间中的位置进行量化表示，使得样本可以通过这些数值化的特征在高维空间中被定位和区分。（5）维数（Dimensionality）：是指特征向量所具有的维度数目，即构成特征向量的独立特征值的个数。在数学与数据科学领域，这一概念用于量化描述数据在特征空间中的表达维度，是衡量数据复杂度和信息丰富度的重要指标之一。（6）标签（Label）：在监督学习中，标签是指与数据样本相对应的已知目标值或分类标志。模型通过比较自身的预测结果与真实标签间的距离来学习和优化，从而做出更好的预测。（7）模型（Model）：是指经由特定算法生成的数学函数或结构体系。其核心功能在于依据输入的特征数据进行预测或决策操作。模型精准地刻画了特征与标签之间的映射关系，通过学习数据中的内在规律，实现对未知数据的有效推断和分类。机器学习基本概念2．训练、验证与测试相关概念（1）训练集（TrainingSet）：是数据集中专门选取出来，用于模型训练的数据子集。模型通过优化算法学习训练集中的数据来调整其参数和内部结构。（2）验证集（ValidationSet）：用于评估模型性能，通过早期停止等方案及时调整模型的超参数，以选择最佳的模型配置。（3）测试集（TestSet）：用于评估已经训练好的模型的精确度，即指模型的泛化能力。测试集不参与模型的训练过程。（4）训练（Training）或学习（Learning）：执行算法进行学习归纳的过程，即利用训练集数据训练模型，使模型能够学习到数据中的模式和规律，从而对新的、未见过的数据做出准确的预测或分类。机器学习基本概念3．机器学习方法相关概念（1）监督学习（SupervisedLearning）：训练过程基于带有明确标签的训练数据集，即模型在训练时已知每个样本的类别或输出值。（2）无监督学习（UnsupervisedLearning）：训练集无标签的学习过程。模型在训练过程中不知道每个样本的标签，需要自主探索数据内在结构和规律，如降维、聚类等任务。（3）半监督学习（Semi-SupervisedLearning）：介于有监督学习和无监督学习之间的一种学习方式，训练集部分有标签，部分无标签。（4）强化学习（ReinforcementLearning）：涉及一个智能体（agent）通过与环境的交互以实现学习的过程，通过尝试不同的动作并根据获得的奖励或惩罚来调整其行为，如AlphaGo等。机器学习基本概念（5）回归（Regression）：目标标记为连续性数值（ContinuousNumericValue）的学习任务，即预测一个连续的数值输出。（6）分类（Classification）：目标标记为离散型数值或类别型数据（CategoricalData）的学习任务，即将样本分到预定义的类别中。（7）降维（DimensionalityReduction）：减少特征矩阵中的特征数量。其目的在于提升算法效率，优化模型效果以及便于数据可视化。（8）聚类（Clustering）：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。聚类生成的簇（Cluster）是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其他簇中的对象相异。机器学习基本概念4．模型训练相关术语（1）损失函数（LossFunction）：用于量化模型预测与真实值之间的差异。在训练过程中，目标是最小化损失函数，以优化模型的性能。（2）泛化能力（GeneralizationAbility）：模型在训练过程中对于未出现过的数据进行准确预测的能力。（3）欠拟合（Underfitting）：模型没有能够很好地学习到训练数据中的特征，不能很好地拟合数据，表现为预测值与真实值之间存在较大的误差。（4）过拟合（Over-fitting）：通常可以理解为模型过于复杂，其学习能力超出了实际问题的需求。这种情况下，模型不仅捕捉了数据的整体特征，还过度拟合了训练集中的噪声或特定样本，表现为在训练集上表现出极高的拟合能力，但在测试集上的泛化性能显著下降，即模型的泛化能力严重不足。机器学习基本概念机器学习基本概念造成欠拟合的主要原因包括模型的复杂度过低或数据特征不足，这会导致模型无法有效捕捉数据集的内在模式。如图所示，最佳模型是在测试数据上精度最高的模型（图b），而模型表现不好的能力一般表现为欠拟合（图a）和过拟合（图c）。通常导致过拟合的原因包括：机器学习模型过于复杂，同时由于训练数据量不足，模型可能过度拟合了训练集中的随机噪声。通过机器学习构建的模型，若具备优良的泛化能力（即在训练集、测试集甚至更大的数据集上均能表现良好），则可认为该模型为理想的训练模型。但由于训练集质量的限制，通常难以得到理想的训练模型。小结机器学习的含义机器学习