高中人工智能讲课第一讲
人工智能教学PPT课件
应用场景
跨语言交流、智能问答、智能家 居控制等。
05
计算机视觉技术与应用
图像识别与分类技术
01
图像特征提取
介绍常见的图像特征提取方法，如SIFT、HOG等，以及深度学习中的
卷积神经网络（CNN）特征提取技术。
02 03
图像分类算法
阐述基于传统机器学习的图像分类算法，如支持向量机（SVM）、随 机森林（Random Forest）等，以及基于深度学习的图像分类算法， 如卷积神经网络（CNN）、循环神经网络（RNN）等。
应用
二分类问题，如垃圾邮件识别、疾病 预测等。
监督学习算法
原理
寻找一个超平面，使得正负样本间隔最大化。
应用
分类和回归问题，如图像识别、文本分类等。
非监督学习算法
原理
将数据划分为K个簇，使得簇内距离最小，簇间距离最大。
应用
客户细分、图像压缩等。
非监督学习算法
原理
通过计算数据点之间的距离，将数据逐层进行聚合。
。
产业生态
包括科研机构、高校、企业等 组成的产业生态，共同推动人 工智能技术的发展和应用。
02
机器学习原理及算法
监督学习算法
原理
通过最小化预测值与真实值之间 的均方误差，求解最优参数。
应用
预测连续型数值，如房价、销售 额等。
监督学习算法
原理
通过Sigmoid函数将线性回归结果映 射到[0,1]区间，表示概率。
原理
直接对策略进行建模和优化，通过梯 度上升方法更新策略参数。
应用
自然语言处理、推荐系统等。
强化学习算法
原理
结合深度学习和强化学习，使用神经网 络来逼近Q值函数或策略函数。
4.1 认识人工智能 课件 高中信息技术
神经网络 第一个高潮期
联结学派对大脑进行逆向分析 灵感来自于神经科学和物理学 产生的是“黑箱”模型 神经
网络可归置此类
基于符号知识表示 通过演绎推理技术
符号学派将学习看作逆向演绎 并从哲 学、心理学、逻辑学中寻求洞见 代表
包括决策树和基于逻辑的学习
基于符号知识表示 通过 获取和利用领域知识 建
立专家系统
AI生态逐步形成：基础资源+技术+应用
人工智能产业生态的三层基本架构
基础资 源支撑
基础资源层：主要是计算平台和 数据中心，属于计算智能；
技术层：通过机器学习建模，开 发面向不同领域的算法和技术，包 含感知智能和认知智能；
应用层：主要实现人工智能在不 同场景下的应用。
智能交互
人机交互技术主要研究人与计算机之间的信息交互。包括人到计算机和计算机到人的信 息交换两部分。 语音交互功能探究与思考
神经网络第二个高潮 NP(non-deterministic polynomial-time)难题 中获重大进展 助力大
量现实问题
神经网络以深度学 习之名再次崛起
大幅提升感知智能 准确率
人工智能的三个研究阶段 1950s
推理期
1970s
知识期
机器学习期
1980s
90s中期
2017
给以下场景中的机器学习方式分分类：
【原理探究】 1. 语音采集 完成音频的获取、采样、编码 2. 语音识别 语音信息转换为机器可识别的文本信息 3. 语意理解 根据识别转换成的文本或命令完成相应的操作 4. 语音合成 完成文本信息到语音信息的转换
【应用实践】 智能电器、智能导航、智能家居（如：智能音箱、手机智实践】语音控制、siri、小娜、小爱音箱
第一讲(人工智能导论)
– Turning试图精确地刻画哪些函数是能够被计 算的但，计算或有效过程的概念是无法给出形 式化定义的。
– 图灵说明了一些函数没有对应的图灵机，没有 通用的图灵机可以判定一个给定的程序，对于 给定的输入能否返回答案或者永远运行下去。
2
深蓝
• 1997年5月11日北京时间早晨4时50分，一台名叫 “深蓝”的超级电脑在棋盘C4处落下最后一颗棋 子，全世界都听到了震撼世纪的叫杀声──“将 车”！这场举世瞩目的“人机大战”，终于以机 器获胜的结局降下了帏幕。
• “深蓝”是一台智能电脑，是人工智能的杰作。 新闻媒体以挑衅性的标题不断地发问：电脑战胜 是一个人，还是整个人类的智能？连棋王都认了 输，下一次人类还将输掉什么？智慧输掉了，人 类还剩些什么？于是，人工智能又一次成为万众 关注的焦点，成为电脑科学界引以自豪的学科。
• John Watson领导的行为主义认为，内省不能提供 可靠的证据，拒绝任何涉及精神过程的理论，只研 究动物的感知及其反应
• 认知心理学的主要特征是，把大脑当做信息处理装 置，Frederic Bartlett领导的剑桥大学应用心理小组 使得认知模型得以繁荣
• 心理学家普遍认为，认知理论就应该像计算机程序 • 结论：人类思考和活动应该是一个信息处理过程
计算机工程：如何制造能干的计算机？
• 结论：知识来源于实践
• 知识是如何导致行动的？
– Aristotle:行动是通过目标与关于行动结果的知识之间 的逻辑联系来判定的。
– 他进一步指出，要深思的不是结局而是手段，假设了 结局并考虑如何以及通过什么手段得到结局，结局是 否容易是否最好，手段在分析顺序中是最后一个，在 生成顺序中是第一个
什么是人工智能(一)
第一讲：、什么是人工智能（AI） (一）人工智能的定义 人工智能是由机器或软件呈现出来的智能行为。在学术领域，认为能展现出智能行为的计算机或软件就是人工智能。 计算机视觉（CV） 语音识别 自然语宫处理（NLP） 机器人技术（ Robotics） 博弈计论（ Game theory）
（一）人工智能的定义 人工能系统看上去很智能，但实际上井非如比。人工智能系统并不能真正理解它正在做的事情。虽然非常成热了，但还没有到达扎实和改变世界的地步。 人工智能，革命远未到来。 机器学习之父 Michael Jordan （一）人工智能的定义 今天大数所“AI＂，指的是过去的几十年中被称作（机器学习ML）的东西。 机器学习是一个法范畴，它将来自统计学、计算机和科学和其他学科的想法融合在一起，设计算机来处理数据，做出预测并帮助做出决定。 过去15年人工智能取得的成功，主要是因为机器学习。
计算机、机器人、智能车等机器，通过获得经验或历史数据不断改进提高作某项任务的表现。 （二）人工智能的历史 第一次神经网络的兴起 50年前，人工智能之父们说服了每一个人：“逻辑智能的钥匙。”我们不得不以某种方式让计算机来作逻辑推理（符号主文）。当时认为很问天疯狂的另一种方法是忘掉逻辑，而试图理解人脑细胞所组成的网络是如何学习事情的。 奇怪的是，有两位大人物对基于逻辑的AI方法嗤之以鼻、不以为然。他们是图灵和冯.诺依曼。如果他们两入中任何一位还健在，我想事情发展的结果肯定不一样 今天，神经网络无处不在，曾经疯狂的想法（联结主义）胜利了。
AI RL DL 人工智能 强化学习 深度学习
新的人工智能 ——机器学习 、深度学习 、强化学习 一大类机器学习算法，用于学习数据的多级表达或缺抽象。 无法解决异或XOR问题 缺陷—感知机—新思路 引入非线性变换
Al ML＝新AI？ 特别是：Deep learning 技术的兴起 导致第一次人工神经网线研究的衰退 引入多层神经网络 1986年，Hinton等人提出反向传播算法； 1997年，Hochreiter&Schmidhuber提出长短期记忆模型（LSTM） 困难：A由于梯度衰减或爆炸，不能训练多层神经网络。 B存在多个局部极小值，研究者转向凸优化问题