人工智能导论 课件 PPT -第4章 人工神经网络与深度学习
《人工智能导论》教学大纲(2024版)
人工智能导论课程教学大纲一、课程基本信息课程编号：课程中文名称：人工智能导论课程性质：学院基础课程、专业核心课程开课学期：3课内学时：32学时，其中授课32学时课外学时：32学时学分：2学分主要面向专业：自动化、测控、电气、机器人工程二、先修课程高等数学、概率论、线性代数、生命科学导论三、课程目标人工智能导论是面向理工科专业的重要基础课程。
课程以学科基础、技术基础、重点方向与领域、行业应用、伦理与法律五维知识体系为主要内容，经典与现代人工智能知识结构模块化，具有广阔的思想和技术背景。
通过课程学习，使学生系统性掌握人工智能基本概念、方法、技术，把握人工智能重点方向及领域；掌握机器学习、深度神经网络等基本方法；初步具备利用人工智能技术解决问题的基本能力；初步理解人工智能伦理及其对人工智能技术发展的重要意义。
为进一步学习相关的专业基础课程和专业课程打下必要的理论和实践基础。
（1）从大历史观角度使学生理解人工智能发展的历史和思想脉络，使学生认识到人工智能的本质和内涵，思考人之为人的价值和意义,勇于承担社会发展责任。
（2）充分发挥人工智能多学科、多领域理论、知识交叉的特点和优势，培养学生多学科知识交叉思维和创新意识。
（3）激发学生学习人工智能的热情和人机协同创新思维，为后续人工智能+X专业学习、创新创业、竞赛、就业等奠定基础。
（4）系统理解机器智能实现技术和方法，认识到机器智能对人类智能补充与增强作用，学会利用人机协同技术和方法及解决各类问题。
(5)使学生充分理解人工智能对未来人类社会经济、科技和文明发展的重要作用，具备未来能社会发展需要的人工智能人才素质。
四、教学内容与教学方法五、考核方式六、参考教材及学习资源（一）参考教材：[1]莫宏伟，徐立芳.人工智能导论.第2版.[2]莫宏伟，徐立芳.人工智能伦理导论.。
人工智能导论-第四课自然语言处理
研究表示，在大脑皮层中局部回路的基本连接 可以通过一系列的互联规则所捕获，而且这些 规则在大脑皮层中处于不断循环之中。
模拟人脑利用历史信息来做决策
两种不同神经网络的缩写。
时间递归神经网络（recurrent neural network） 结构递归神经网络（recursive neural network）
无法对词向量做比较，任意两个词之间都是孤立的
34
自然语言处理
词向量
使用上下文来表示单词
使用共现矩阵(Cooccurrence matrix) 一个基于窗口的共现矩阵例子
窗口长度是1（一般是5-10） 语料样例
▪ I like deep learning. ▪ I like NLP. ▪ I enjoy flying
7
卷积神经网络 卷积网络训练过程
反向传播过程
从高层到底层，逐层进行分析
光栅化层 ▪ 从上一层传过来的残差为
▪ 重新整理成为一系列矩阵即可，若上一层 Q 有 q 个 池化核，则传播到池化层的残差为
8
卷积神经网络 卷积网络训练过程
反向传播过程
从高层到底层，逐层进行分析
池化层 ▪ 应池化过程中常用的两种池化方案，反传残差的时 候也有两种上采样方案 ▪ 最大池化：将1个点的残差直接拷贝到4个点。 ▪ 均值池化：将1个点的残差平均到4个点。 ▪ 传播到卷积层的残差为
9
卷积神经网络 卷积网络训练过程
反向传播过程
从高层到底层，逐层进行分析
卷积层 ▪ 卷积层有参数，所以卷积层的反传过程需要更新权 值，并反传残差。 ▪ 先考虑权值更新，考虑卷积层某个“神经中枢”中 的第一个神经元 ▪ 多层感知器的梯度公式
《人工智能导论课件》
人工智能在金融领域的应用
投资决策
在市场预测、风险控制和交易 方面，人工智能已成为创新性 的投资解决方案之一。
自动化
人工智能技术可用于开发智能 柜员机和自助银行，改进金融 服务的效率，并实现全天候服 务。
区块链技术
人工智能和区块链技术可以使 风险收益的平衡更有效，同时 降低运营成本。
人工智能在智能制造领域的应用
深度学习基础
1 定义
深度学习是一种机器学 习方法，它通过构建人 工神经网络来对数据进 行建模和分析。
2 应用
深度学习被广泛应用于 图像和语音识别、自然 语言处理等领域。
3 算法
深度学习的常见算法包 括卷积神经网络和循环 神经网络。
自然语言处理技术
文本分类
降噪、归一化，快速提取文本 特征，广泛应用于垃圾邮件分 类等方面。
我们可以期待更多出色表现的人工智能技 术，未来的发展前景十分广阔。
人工智能的分类
弱人工智能
又称为狭义人工智能，仅在一种或少数 领域内拥有智能，如语音识别或图像识 别。
强人工智能
是指能够在几乎所有情况下都弥补人类 智能的智能，目前仍然是一个远期目标。
对立人工智能
这指的是一种会有意识地与人类对立的人工智能，目前仍然是我们不愿意看到的一种情况。
1
生产线自动化
人工智能可以实现设备和数据的互联，提高制造效率和质量。
2
智能制造质量管理
整合传感器数据、物联网和人工智能算法，以提供更好的质量控制和预测。
3
智能制造网络安全
人工智能技术是实现革命性制造企业安全的关键，能够检测潜在的网络安全漏洞。
保障
为了减轻对隐私和安全的 担忧，必须确保人工智能 是安全且受保护的。
《神经网络与深度学习》课程标准
《神经网络与深度学习》课程标准【课程名称】神经网络与深度学习【适用专业】高等职业教育智能产品开发专业一、课程定位1．课程性质本课程为智能产品开发专业职业技能核心课程。
2．课程任务通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow的变量、矩阵和各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。
3．课程衔接本课程的前序课程为《Python程序设计》、《人工智能导论》，后续课程为《顶岗实习》。
二、课程目标通过本课程学习，理解智能产品开发过程中涉及到的诸多AI技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。
养成良好的沟通能力与团队协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。
具体应具备以下能力：1．理解人工智能产品结构设计与生产过程的基本概念；2．理解人工智能产品的基本算法、机器学习概念；3．理解深度学习概念，了解其应用领域；4．TensorFlow的变量、矩阵和各种数据源等基本概念5．理解线性回归概念；6．支持向量机；7．聚类分析；8．神经网络和自然语言处理等算法；9．人工智能产品控制程序编写与调试；10．智能产品使用说明书的编写。
【教学内容】学习情境 职业能力目标 学习子情境 教学内容 课时分配一、安装TensorFlow 1、安装前的环境准备2、能够使用Linux系统和Python语言3、能够独立安装Anaconda4、能够安装CUDA和cuDNN5、掌握TensorFlow测试方法（一）安装CUDA和cuDNN1、CUDA的安装2、cuDNN的安装3、Protocol Buffer4、Bazel5、从源代码编译并安装4（二）安装和测试TensorFlow1、安装TensorFlow2、运行向量相加的例子3、加载过程存在的一些问题4二、TensorFlow 编程策略 1、掌握计算图与张量2、熟练使用TensorFlow的运行模型3、正确创建变量并管理变量空间4、掌握variable_scope()与name_scope()及其使用方法（一）TensorFlow的数据模型1、分析并演示分析TensorFlow的数据模型2、会使用计算图描述TensorFlow计算模型3、张量的使用6（二）TensorFlow的运行模型1、TensorFlow系统结构概述2、简单使用会话3、使用with/as环境上下文管理器4、Session的参数配置5、placeholder机制6三、深度前馈神经网络 1、掌握网络的前馈方式2、全连接的概念3、神经元与全连接结构4、前向传播算法5、线性模型的局限性6、激活函数（一）网络的前馈方式及全连接的概念1、前馈网络2、全连接的概念3、神经元与全连接结构4（二）激活函数 1、常用激活函数2、激活函数实现去线性化3、激活函数调用栈的查看6（三）多层网络解决异或运算1、损失函数2、经典损失函数3、自定义损失函数4四、优化网络的方法 1、基于梯度的优化2、反向传播3、学习率的独立设置4、拟合（一）基于梯度的优化1、梯度下降算法的概念2、随机梯度下降4（二）反向传播 1、简要解释反向传播算法2、自适应学习率算法3、TensorFlow提供的优化器6（三）学习率的独立设置 1、指数衰减的学习率2、其他优化学习率的方法6合 计 50 三、考核与评价本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。
人工智能导论-各章习题答案
习题
答案：神经网络是一种模仿人脑神经元之间相互连接和传递信息的网络模型。神经网络通常由输入层、隐藏层和输出层组成，每一层都包含多个神经元，通过不同层之间的连接和权重，实现信息的传递和处理。
习题
答案：深度学习是一种基于神经网络的机器学习方法，通过多层次的网络结构和大量的数据进行训练，从而实现高效的模式识别和特征提取。深度学习在计算机视觉、自然语言处理等领域取得了许多重要的成果。
第二章习题答案
习题
答案：符号推理是一种基于逻辑和推理规则的方法，通过对符号和符号之间的关系进行操作和推理，从而实现问题的求解。符号推理通常涉及到语义、句法和语法的处理，需要对问题进行符号化表示。
习题
答案：决策树是一种常用的机器学习算法，用于解决分类问题。它基于树形结构，通过一系列的判断节点将数据进行分类。决策树的构建过程是一个递归的过程，每次选择一个最优的判断节点，并将数据分割为不同的子集，直到达到终止条件。
习题
答案：人工智能的应用非常广泛，涉及到各个领域。例如，在医疗领域，人工智能可以用于辅助医生进行诊断和治疗决策；在金融领域，人工智能可以用于风险评估和投资建议；在交通领域，人工智能可以用于智能交通管理和无人驾驶等。
习题
答案：人工智能的发展面临着一些挑战和问题。首先，人工智能的算法和模型需要不断优化和改进，以提高其性能和准确度。其次，人工智能系统需要大量的数据进行训练，但数据的获取和处理也面临一些困难。另外，还需要解决人工智能系统的安全和隐私问题，以保护用户的信息和权益。
以上是《人工智Байду номын сангаас导论》各章习题的答案。希望对学习人工智能的同学们有所帮助！
参考资料
1.Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson.
人工智能技术介绍PPT完整版(人工智能概述、围棋、象棋、人工智能3.0等)
乐观思潮
人工智能
孕育期
电子计算机 机
器翻译与NLP 图灵测试 计算 机下棋 早期神
1956
1974
1980
1987
1993
2006
2016
所有的AI程序 都只是“玩具” 运算能力 计算复杂性 常识与推理
未达预期
大数据 计算能力
削减投入
应用增多
经网络
人工智能核心技术
知识和数据智能处理
知识处理时通常使用专家
来悄
临悄
• 交通工具（即无人机、无人驾驶等） • VR（虚拟现实）
终正
结在
工业1.0 创造了机器工厂的 “蒸汽时代”
工业2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 气时代”
工业3.0 应用电子信息技术， 进一步提高生产自 动化水平
工业4.0 开始应用信息物理 融合系统（CPS）
复 杂 度
有关学科 教学、科学和 工程辅助
图论
博弈
AI的几大门派
模拟人的心智 模拟脑的结构 模拟人的行为
进化学派 类推学派 贝叶斯学派 符号学派 联结学派 行为学派
感知
知识表示 神经网络 机器人
深度学习
聪明的AI
有学识的AI
识别 判断
思考 语言 推理
知识图谱
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
信息物联系统 蒸汽机
电力广泛应用
自动化、信息化
18世纪末
20世纪初
1970年代初
今天
时间
AI将催生“无用阶层”吗？
• 人工/脑力劳动：翻译、记者...
• 人工/体力劳动：保安、保姆...
人工智能技术介绍PPT
乐观思潮
人工智能
孕育期
电子计算机 机
器翻译与NLP 图灵测试 计算 机下棋 早期神
1956
1974
1980
1987
1993
2006
2016
所有的AI程序 都只是“玩具” 运算能力 计算复杂性 常识与推理
未达预期
大数据 计算能力
削减投入
应用增多
经网络
人工智能核心技术
知识和数据智能处理
知识处理时通常使用专家
图像识别
和物体检测。在围绕图像内 容的信息检索、广告投放、 用户分析、商品推荐等互联 网应用在应用广泛。
主要目标是让机器能够识别、 在工业、农业、商务、科技、 其两个核心问题是图像分类
步态识别、身份识别等方面。 搜索及人机交互等。
手机中的AI
AI处于什么阶段？
• 人工智能相关技术刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的 主要动力
有关学科 教学、科学和 工程辅助
图论
博弈
AI的几大门派
模拟人的心智 模拟脑的结构 模拟人的行为
进化学派 类推学派 贝叶斯学派 符号学派 联结学派 行为学派
来悄
临悄
• 交通工具（即无人机、无人驾驶等） • VR（虚拟现实）
终正
结在
工业1.0 创造了机器工厂的 “蒸汽时代”
工业2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 气时代”
工业3.0 应用电子信息技术， 进一步提高生产自 动化水平
工业4.0 开始应用信息物理 融合系统（CPS）
复 杂 度
该领域的研究包括机器人、语言识别、
图像识别、自然语言处理和专家系统等。
目录 content
人工智能导论全书课件完整版ppt全套教学教程最全电子教案教学设计最新
人工智能是研究使计算机模拟人类的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
人工智能的特点
人工智能经历了六十多年的发展，现在已进入AI 2.0阶段
人工智能的分类
斯图尔特·罗素
斯图尔特·罗素（Stuart Russell），世界经济论坛（WEF）人工智能委员会副主席、加州大学伯克利分校人工智能中心创始人。
斯蒂芬·威廉·霍金
斯蒂芬·威廉·霍金（Stephen William Hawking），著名物理学家，被誉为继爱因斯坦之后最杰出的理论物理学家。他曾经指出：强大的人工智能的崛起，要么是人类历史上最好的事，要么是最糟的。
自1956年诞生以来，人工智能研究已经取得了许多令人兴奋的成果，并在多个领域得到了广泛的应用，极大地改变了人们的社会生活。本节将对人工智能的概念作简单的介绍。
人工智能（Artificial Intelligence，AI）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。
2017年8月3日，腾讯公司正式发布了人工智能医学影像产品——腾讯觅影。同时，还宣布成立人工智能医学影像联合实验室。
2017年10月11日，阿里巴巴首席技术官张建锋宣布成立全球研究院——达摩院。达摩院的成立，代表着阿里巴巴正式迈入全球人工智能等前沿科技的研发行列。
从细分的研究领域来看，最受国际人工智能人才青睐的领域为机器学习、数据挖掘和模式识别，中国人工智能人才则倾向于投入遗传算法、神经网络和故障诊断方面。
1950年，一位名叫马文·明斯基（Marvin Lee Minsky，后被称为“人工智能之父”）的大四学生与他的同学邓恩·埃德蒙（Dean Edmunds）一起，建造了世界上第一台神经网络计算机，被看作是人工智能的一个起点。
人工智能导论 课件 PPT -《人工智能导论》课程标准
人工智能
《人工智能应用基础》课程标准
一、课程定位
“人工智能”是21世纪计算机科学发展的主流，为了培养国家建设跨世纪的有用人才，开设《人工智能应用基础》课程是十分必要的。
《人工智能应用基础》作为一门必修课程，其中涉及的理论、原理、方法和技术有助于学生进一步学习其他专业课程。
开设本课程的目的是培养学生的“智能”观念；了解人工智能的基本理论、基本方法和基本技术；提高智能产品的使用能力，为今后的工作中的智能设备使用打下坚实的基础。
先修课程：《计算机应用基础》
二、课程目标
（一）知识目标
1.了解人工智能产业的发展现状与市场需求；
2.了解人工智能对现代生活的改变和影响；
3.了解人工智能定义、研究领域、发展、社会价值和应用领域、未
来与展望；
4.了解知识表示、知识图谱、机器学习、人工神经网络与深度学习、
智能识别、自然语言理解、专家系统及智能体与智能机器人的相关概念及应用。
（二）能力目标
1、培养人工智能的应用能力，开拓学生的科技视野；
2、能够熟练使用生活中常用的人工智能产品；
3、熟悉人工智能对工业、医疗、安防、社交、机器人、无人驾驶、。
人工智能导论全套课件
计算机视觉技术的挑战与未来发展
挑战
计算机视觉技术面临的挑战包括光照变 化、噪声干扰、遮挡问题、运动模糊等 。
VS
未来发展
随着深度学习技术的不断发展，计算机视 觉技术将更加成熟和高效。未来，计算机 视觉技术将更加注重实时性、鲁棒性和自 适应性，同时将更加广泛地应用于各个领 域。
06
人工智能伦理、法律与社会影响
01
各国政府正在制定相关法律和监管政策，以确保人工智能技术
的合法、合规和安全使用。
知识产权保护
02
对于人工智能技术和应用，知识产权保护是一个重要问题，需
要建立相应的法律制度。
跨国合作与国际法规
03
随着人工智能技术的全球化发展，跨国合作和国际对社会的影响与未来趋势
1 2
应用场景
如图像识别、语音识别、自然语言处理、推 荐系统等。
深度学习原理与框架介绍
神经网络模型
通过模拟人脑神经元之间的连接 方式，构建多层神经网络模型。
反向传播算法
通过计算输出层与目标值之间的误 差，反向调整每个神经元的权重， 使整个网络的输出结果更加准确。
深度学习框架
如TensorFlow、PyTorch等，提供 了丰富的深度学习算法和工具，方 便用户进行模型训练和部署。
深度学习
神经网络结构、反向传播 算法、卷积神经网络等。
03
机器学习与深度学习
机器学习算法与应用场景
监督学习算法
如线性回归、逻辑回归、支持向量机等，用 于根据输入特征预测输出结果。
非监督学习算法
如聚类分析、关联规则挖掘等，用于发现数 据中的模式和结构。
强化学习算法
通过与环境的交互来学习策略，适用于机器 人控制、游戏等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工神经网络与深度学习
作为机器学习的一种重要技术，人工神经网络是一个形式上非常简单，但分类功能非 常强大的机器学习工具。无论是在计算机科学、通信、生物统计和医学，还是在金融 和经济学（包括股市预测）中，大多数与“智能”有点关系的问题，都可以归结为一 个在多维空间进行模式分类的问题，而这些正是人工神经网络所擅长的模式分类。随 着计算机计算能力的提高和大数据时代的来临，对人工神经网络的研究进入了一个崭 新的时代，深度学习大概念被提出。深度学习的核心理念是通过增加网络的层数来让 机器自动地从数据中进行学习，可以凭借无标签的数据进行学习，而不需要依赖于监 督信息的支撑。目前，深度学习的研究和应用如火如荼，其成果也成为AI领域关注的 的焦点。
人工神经网络
人工神经网络结构
所有结点都是分层的，每一层结点都可以通过有向弧指向下一层结点，但是同一层结点之间没有弧 互相连接，而且每一个结点不能越过下一层连接到下下层的结点上。每一条弧上有一个值，称为权 重或者权值。根据这些值，可以用一个非常简单的公式算出它们所指向结点的值，比如结点Y1的值 取决于X1 和X2的值，以及相应有向弧上的权值W11和W21。虽然这里只画了三层结点，但是在理论 上，人工神经网络的层数可以是任意的。
人工神经网络发展概况
这里添加标题
20世纪80年代
Hopfield神经网络、Kohonen神经网络 等的出现,特别是BP网络及算法的提出, 将神经网络推向第二次发展高潮
20世纪60年代
由于各种预言的失败,研究经费被 大量削减甚至取消,人工智能进入 被称为“AI Winter”的人工智能之 冬
21世纪初
感知机是一个二分类的线性分类模型，是最早的监督式训练算法，也是神经网络构建的基础。感知 机一定能将线性可分的数据集分开，所谓线性可分是：在二维平面上，线性可分意味着能用一条线 将正负样本分开；在三维空间中，线性可分意味着能用一个平面将正负样本分开。因此，通过感知 器就可以对新的实例实现准确预测。
人工神经网络
借助现代计算机计算能 力的提升,卷积神经网络 CNN 将神经网络推向第 三次发展高潮
20世纪40年代
M-P神经元和Hebb学习规则
20世纪50年代
Hodykin-Huxley 方 程 感 知 器 模 型与自适应滤波器
20世纪60年代
自组经网络发展概况
目前模拟人脑复杂的层次化认知特点的深度学习已经成 为类脑智能中的一个重要研究方向。通过增加网络层数 所构造的“深层神经网络”使机器能够获得“抽象概念” 能力，在诸多领域都取得了巨大的成功，又掀起了神经 网络研究和应用的一个新高潮。
神经元
神经元
生物神经元结构
神经元
人工神经元
神经元
感知机
1958年，Rosenblatt等人以M-P 模型为基础，成功研制出了名为Mark I的感知机（Perceptron），这 是历史上首个将神经网络的学习功能用于模式识别的装置，标志着神经网络进入了新的发展阶段。 简单来说，感知机就是最早的神经元模型。
（2）无监督式学习 有别于监督式学习，无监督式学习在学习时并不了解其分类结果是否正确，也就是说，没有受到监 督式增强。对无监督式学习网络提供输入数据，网络自动从输入数据中识别出潜在模式、规则。当 学习完毕并经过测试后，这些模式规则可以应用到新的应用案例上。在人工神经网络中，生成对抗 网络（GAN）、自组织映射（SOM）和适应性共振理论（ART）是最常用的无监督式学习。
图像和物体识别
电子游戏
语音生成和识别
艺术和风格的模仿
预测
网站设计修改
深度学习
随着人工神经网络研究和应用的深入，网络的层数也在 不断地增多，从而形成有多个隐层的深度神经网络，依 赖深度神经网络的机器学习被称为深度学习。
高度的非线性全局作用
人工神经网络每一个神经元接受大量其它神经元的输入，并通过并行网络产生输出，影响其它神经元， 网络之间的这样的互相制约和互相影响，实现了从输入状态到输出状态空间的非线性映射，从全局的 观点来看，网络总体性能不是网络局部性能的叠加，而表现出某种集体性的行为。
良好的自适应、自学习功能
人工神经网络通过学习训练获得网络的权值与结构，呈现出非常强的自学习能力和对环境的自适应能 力。这种自适应性依据所提供的数据，通过学习和训练，找出输入和输出之间的内在关系，从而求取 问题的解，而不是依据对问题的经验知识和规则。
人工神经网络
BP神经网络
BP神经网络具有很强的学习能力，根据Kolmogorov（柯尔莫哥洛夫）定理，一个三层的BP神 经网络就可以逼近一个任意给定的连续函数f。但对多层BP神经网络，如何合理地选取BP网络 的隐层数及隐层的节点数，目前尚无有效的理论和方法。
人工神经网络
BP算法
人工神经网络
人工神经网络应用
本章内容
4.1 神经网络发展
概况
4.2 神经元
4.3 人工神经网络
4.4 深度学习
神经网络发展概况
众所周知，人脑是由几十多亿个高度互联的神经元组成 的复杂生物网络，也是人类分析、联想、记忆和逻辑推 理等能力的来源。模拟人脑中信息存储和处理的基本单 元——神经元而组成的人工神经网络模型具有自学习与 自组织等智能行为，能够使机器具有一定程度上的智能 水平。
人工神经网络
人工神经网络的学习
（1）监督式学习 神经网络利用一套输入-输出对进行训练。其目的是教会网络从给定的信息输入中识别出目标输出。 针对训练集合中每一个样例数据，网络接收一个输入，产生一个实际输出。每一次训练后，网络比 对实际输出和目标输出，通过微调相关权重值来纠正输出差异，直到实际输出结果与目标结果足够 相近，或者网络已经无法再改进其输出结果。
人工神经网络（Artificial neural network，简称ANN） 是一个用大量简单处理单元经广泛连接而组成的人工网 络，用以进行分布式并行信息处理的算法数学模型，在 工程与学术界也常直接简称为神经网络或类神经网络。
人工神经网络
人工神经网络特点
高度的并行性
人工神经网络有很多同样的简单处理单元并联组合而成，尽管每一个神经元的功能简单，但大量简单 神经元并行处理能力和效果，却十分惊人。