人工智能導(dǎo)論-項目2- 人工智能基礎(chǔ)

人工智能導(dǎo)論項目二從零開始認(rèn)識人工智能01項目背景02思維導(dǎo)圖03思政聚焦04項目相關(guān)知識05目錄CONTENTS項目小結(jié)與展望01項目背景人工智能典型應(yīng)用場景–人臉識別人臉識別（FaceRecognition）是人工智能技術(shù)的典型應(yīng)用，已經(jīng)廣泛進(jìn)入了我們的生活與工作，使得人臉成為了隨身必攜的“移動身份證”，在我們?nèi)粘９ぷ骱蜕钪邪缪葜匾淖饔茫寒?dāng)我們拿起智能手機(jī)或者打開筆記本，人臉識別技術(shù)自動為我們解鎖；當(dāng)我們登錄網(wǎng)銀或者通過APP辦理各種證明時，人臉識別可以為我們省去輸入個人信息等繁瑣步驟；當(dāng)我們進(jìn)入校園、大樓、海關(guān)時，人工智能能夠準(zhǔn)確的識別我們的身份；當(dāng)我們拿起手機(jī)或者相機(jī)拍照，人臉定位等技術(shù)輔助我們拍攝出更美的圖像和視頻；當(dāng)我們保存了大量圖像和視頻，需要快速找到我們的照片時，還可以求助人臉識別為我們檢索圖像和視頻。人工智能的處理對象–數(shù)據(jù)在人臉識別技術(shù)中，人的臉部特征是人工智能技術(shù)工作的依據(jù)。人類除了臉部特征，人類還有聲音、指紋、視網(wǎng)膜、動作、姿態(tài)、腦波信號等生物特征，均可作為人工智能處理的對象。除了人類生物特征，各種動植物、物體也擁有各自獨(dú)特的特征，甚至各類大數(shù)據(jù)中也存在著一定的特征和模式，這些特征都可以作為人工智能的處理對象。人工智能的工作原理、數(shù)據(jù)的處理流程和處理目標(biāo)都極具有極高的相似性。02思維導(dǎo)圖項目二思維導(dǎo)圖03課程思政關(guān)于人工智能倫理問題的啟發(fā)通過對人工智能倫理問題的討論，同學(xué)們不難發(fā)現(xiàn)任何事物都具有兩面性，需要同學(xué)們發(fā)揮辯證思維對待每一個問題，從而能夠客觀、理性的看待問題和解決問題，在復(fù)雜的問題中找到科學(xué)的解決方案，保持發(fā)展人工智能技術(shù)的初心，讓人工智能成為人類改造世界的好幫手。關(guān)于創(chuàng)新思維人工智能是多學(xué)科交叉發(fā)展的產(chǎn)物，在其發(fā)展過程中充滿了人類創(chuàng)新的結(jié)晶。同學(xué)們在學(xué)習(xí)和工作過程中，可以不斷借鑒人工智能發(fā)展的經(jīng)驗(yàn)，采用創(chuàng)新的視角和人工智能的技術(shù)解決傳統(tǒng)產(chǎn)業(yè)升級中面臨的各種問題。關(guān)于工匠精神人工智能技術(shù)的特點(diǎn)是獲取大量數(shù)據(jù)對模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)模型參數(shù)調(diào)優(yōu)，最終獲得好的算法模型。同學(xué)們在學(xué)習(xí)過程和將來的工作過程中也應(yīng)該發(fā)揮這種工匠精神，對工作、對責(zé)任不畏困難、精益求精。04項目相關(guān)知識2.1.1AI的概念–人工智能是什么目前，認(rèn)可度較高的一種觀點(diǎn)認(rèn)為，人工智能是計算機(jī)科學(xué)的一個分支，是研究和開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門技術(shù)科學(xué)。人工智能涉及到計算機(jī)科學(xué)、數(shù)學(xué)、認(rèn)知科學(xué)、哲學(xué)、心理學(xué)、信息論、控制論、社會結(jié)構(gòu)學(xué)等的眾多學(xué)科內(nèi)容。人工智能學(xué)科的基本思想和基本內(nèi)容：人工智能研究的是人類智能活動的規(guī)律，研究如何讓計算機(jī)去完成以往需要人的智能才能勝任的工作，從而構(gòu)造具有一定智能的人工系統(tǒng)，也就是研究如何應(yīng)用計算機(jī)的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)。AI的概念–什么是智能智能是指個體對客觀事物進(jìn)行感知、分析、判斷以及有目的地行動和有效地處理周圍環(huán)境事宜的綜合能力。作為人類各項能力的模擬和擴(kuò)展，人工智能在“體力”、“感知能力”和“智力”三個領(lǐng)域發(fā)展迅速，在部分領(lǐng)域甚至已經(jīng)遠(yuǎn)超人類，這種趨勢在將來將會愈演愈烈。2.1.2AI的三種形態(tài)：智能分強(qiáng)弱人類智能水平2.1.3AI技術(shù)四要素：一個都不能少2.1.4AI技術(shù)體系：基礎(chǔ)很重要2.2AI的主要表現(xiàn)形式人工智能以知識為研究中心，涉及到知識的獲取、表示、處理、分析和使用五個主要環(huán)節(jié)。人工智能中的“智能”體現(xiàn)在上述每一個環(huán)節(jié)，要求AI具備五個方面的智能：知識表示、機(jī)器感知、機(jī)器思維、機(jī)器學(xué)習(xí)與機(jī)器行為。2.2.1知識表示知識經(jīng)過一定的表示，才能把知識存儲到計算機(jī)中，供求解問題使用。知識表示方法可分為兩大類：符號表示法和連接機(jī)制表示法。2.2.2機(jī)器感知：認(rèn)識和感知世界機(jī)器感知就是使計算機(jī)具有類似于人的感知能力，從而模擬、延伸和擴(kuò)展人從外界獲取信息的能力，如視覺、音頻（即聽覺）、語音、自然語言等。機(jī)器感知是機(jī)器獲取外部信息的基本途徑，是實(shí)現(xiàn)機(jī)器智能化不可或缺的組成部分。人工智能中已經(jīng)形成了兩個專門的機(jī)器感知研究領(lǐng)域：模式識別、自然語言理解。2.2.3機(jī)器思維：讓機(jī)器可以自動推理與搜索機(jī)器思維是指對通過感知得來的外部信息以及機(jī)器內(nèi)部生產(chǎn)的各種工作信息進(jìn)行有目的的處理，是人工智能研究中最重要也是最為關(guān)鍵的研究內(nèi)容。機(jī)器思維使得計算機(jī)能夠模擬人類的思維活動，既可以進(jìn)行邏輯思維，又可以進(jìn)行形象思維。2.2.4機(jī)器學(xué)習(xí)：自主學(xué)習(xí)、自我完善的能力機(jī)器學(xué)習(xí)是指在一定的知識表示框架下獲取新知識的過程，主要研究如何使計算機(jī)具有類似于人的學(xué)習(xí)能力，從而使AI能夠像人一樣通過學(xué)習(xí)自動地獲取知識，并在實(shí)踐中不斷地完善和提高自我。常見的機(jī)器學(xué)習(xí)方法有回歸分析、分類、推薦、計劃、優(yōu)化和模式識別2.2.5機(jī)器行為：影響世界的能力機(jī)器行為主要是指計算機(jī)的表達(dá)能力，包括說、寫、畫等能力。對于智能機(jī)器人來說，它還應(yīng)具有人的四肢功能，即能走路、能取物、能操作等。2.3AI的典型任務(wù)人工智能的應(yīng)用場景極其廣泛，小到智能燈、刷臉、空調(diào)溫度自動調(diào)控，大到無人駕駛、載人航天、馬斯克的火箭自動回收等。每個應(yīng)用場景都涉及到AI的三個基本問題：做什么、學(xué)什么以及怎么學(xué)。2.3.1回歸（Regression）回歸是一種針對數(shù)值型連續(xù)數(shù)據(jù)進(jìn)行預(yù)測和建模的有監(jiān)督學(xué)習(xí)算法?；貧w任務(wù)的特點(diǎn)是需要標(biāo)注的數(shù)據(jù)集，其任務(wù)輸入數(shù)據(jù)是連續(xù)性數(shù)據(jù)，并且任務(wù)目標(biāo)也是連續(xù)型數(shù)值。也就是說，每一個觀察樣本都有一個數(shù)值型的標(biāo)注真值。典型的回歸算法有線性回歸、多項式回歸、邏輯回歸、Ridge回歸、Lasso回歸等。2.3.2分類（Classification）分類就是給數(shù)據(jù)貼標(biāo)簽的過程，要求盡肯能為不同類別數(shù)據(jù)貼上正確的類別標(biāo)簽。人工智能的分類任務(wù)的目標(biāo)就是讓機(jī)器通過經(jīng)驗(yàn)學(xué)習(xí)從而具有正確貼標(biāo)簽的能力。從數(shù)學(xué)角度來看，分類是一種對離散型隨機(jī)變量建?；蜻M(jìn)行預(yù)測的一種有監(jiān)督學(xué)習(xí)算法。與回歸算法不同的是，分類算法通常適用于預(yù)測一個類別（或類別的概率）而不是連續(xù)的數(shù)值。2.3.3聚類（Clustering）聚類就是給相似的或相近的數(shù)據(jù)劃分到同一類別，把不相似或者不相近的數(shù)據(jù)劃分到不同類別，聚類一般不需要預(yù)先給數(shù)據(jù)打標(biāo)簽。從技術(shù)上來講，聚類是一種無監(jiān)督學(xué)習(xí)任務(wù)，該算法基于數(shù)據(jù)的內(nèi)部結(jié)構(gòu)尋找觀察樣本的自然族群（即集群）。聚類常被用作分類算法的數(shù)據(jù)預(yù)處理步驟，用于處理缺少標(biāo)簽的數(shù)據(jù)。通過聚類分析，可以獲得數(shù)據(jù)分布的基本概況，從而有助于提高分類算法的效率有效性。2.4AI基礎(chǔ)技術(shù)2.4.1機(jī)器學(xué)習(xí)（MachineLearning,ML）在實(shí)際應(yīng)用中，機(jī)器學(xué)習(xí)可以理解為一種數(shù)據(jù)科學(xué)技術(shù)，通過算法幫助計算機(jī)從現(xiàn)有的數(shù)據(jù)中學(xué)習(xí)、獲得規(guī)則，從而預(yù)測未來的行為、結(jié)果和趨勢（圖2-13）。機(jī)器學(xué)習(xí)的特點(diǎn)是只能解決存在過的能夠提供經(jīng)驗(yàn)數(shù)據(jù)的場景、而不能解決未遇見過的問題或場景，所以屬于弱人工智能范疇。機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)和實(shí)現(xiàn)手段。簡單來說，機(jī)器學(xué)習(xí)就是讓計算機(jī)具有學(xué)習(xí)的能力，從而使得計算機(jī)能夠模擬人的行為。2.機(jī)器學(xué)習(xí)的基本原理機(jī)器學(xué)習(xí)一般包括三個步驟：一是收集歷史數(shù)據(jù)，二是通過算法學(xué)習(xí)獲得分布模式，三是應(yīng)用模型處理新數(shù)據(jù)從而預(yù)測未來。其中，步驟二是機(jī)器學(xué)習(xí)研究的重點(diǎn)，學(xué)習(xí)的過程就是根據(jù)數(shù)據(jù)確定模型參數(shù)的過程。因此，機(jī)器“學(xué)習(xí)”的過程可以簡化為尋找一個函數(shù)的過程，學(xué)習(xí)的結(jié)果也就是一個確定了參數(shù)的數(shù)學(xué)函數(shù)。機(jī)器學(xué)習(xí)算法分類分類

算法任務(wù)目標(biāo)學(xué)習(xí)方式分類聚類回歸降維有監(jiān)督無監(jiān)督半監(jiān)督強(qiáng)化學(xué)習(xí)回歸算法√

√

√

K近鄰（KNN）√

√

k-Means

√

√

決策樹√

√

√

貝葉斯方法√

√

√

核方法:SVM/RBF/LDA√

√

√

期望最大化（EM）√

√

√√

神經(jīng)網(wǎng)絡(luò)√√

√√

深度學(xué)習(xí)√√

√√

主成份分析（PCA）

√

√

圖論推理算法√

√

√

拉普拉斯SVM√

√

√

Q-Learning√√√

√時間差學(xué)習(xí)√√√

√機(jī)器學(xué)習(xí)算法眾多，不同視角有不同的分類方式，這里主要介紹學(xué)習(xí)任務(wù)和學(xué)習(xí)方式兩種視角。根據(jù)學(xué)習(xí)任務(wù)的不同，可以把人工智能算法分為分類、聚類、回歸以及降維四種類別。降維是數(shù)據(jù)預(yù)處理的一種方法，其作用是降低計算量，服務(wù)于回歸、聚類和分類三種任務(wù)。根據(jù)學(xué)習(xí)方式的不同，機(jī)器學(xué)習(xí)算法可以分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。2.4.2人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeutralNetwork,ANN）人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的計算網(wǎng)絡(luò)，因而生物神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的技術(shù)原型。人類大腦皮層由大約140億個生物神經(jīng)元（簡稱神經(jīng)元）組成，每個神經(jīng)元又與大約103個其它神經(jīng)元相連接，形成一個高度復(fù)雜又高度靈活的不斷變化的動態(tài)網(wǎng)絡(luò)。生物神經(jīng)元神經(jīng)元以細(xì)胞核為中心，細(xì)胞核外有樹突與軸突，樹突接收其他神經(jīng)元的脈沖信號，而軸突將神經(jīng)元的輸出脈沖傳遞給其他神經(jīng)元，一個神經(jīng)元傳遞給不同神經(jīng)元的輸出是相同的。一個神經(jīng)元的狀態(tài)有兩種：非激活和激活，非激活狀態(tài)的神經(jīng)元不輸出電脈沖，而激活狀態(tài)的神經(jīng)元會輸出電脈沖。神經(jīng)元的激活與否由其接收的所有脈沖信號決定。一個神經(jīng)元可以描述為一個處理電脈沖信號的非線性單元，該單元能夠接受來自多個其他神經(jīng)元的電脈沖，對接收到的電信號進(jìn)行一定的處理，能夠決定是否發(fā)射電脈沖信號。人工神經(jīng)元1943年，神經(jīng)科學(xué)家麥卡洛克和數(shù)學(xué)家皮茲聯(lián)手，根據(jù)生物神經(jīng)元細(xì)胞的結(jié)構(gòu)和工作原理，構(gòu)造并提出了神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型MCP（McCulloch-Pitt：MCP），從而形成了“模擬大腦”、開啟了人工神經(jīng)網(wǎng)絡(luò)（一般簡稱神經(jīng)網(wǎng)絡(luò)）的大門。人工神經(jīng)元（又稱感知器）結(jié)構(gòu)如圖2-17所示，其工作過程分為三個數(shù)學(xué)過程：對輸入信號進(jìn)行線性加權(quán)，加權(quán)后求和，以及采用一定閾值實(shí)現(xiàn)輸出信號的激活。由于輸出信號采用了閾值激活函數(shù)，人工神經(jīng)元實(shí)現(xiàn)了非線性信號處理。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與學(xué)習(xí)過程典型的神經(jīng)網(wǎng)絡(luò)由一個輸入層、至少一個隱含層和一個輸出層組成（圖2-18），每層網(wǎng)絡(luò)由多個神經(jīng)元構(gòu)成，層與層之間一般采用全連接，神經(jīng)元之間的連接強(qiáng)度ω表示神經(jīng)元之間聯(lián)系的緊密程度。神經(jīng)網(wǎng)絡(luò)的模型眾多，不同模型具有不同的網(wǎng)絡(luò)結(jié)構(gòu)，形成了不同的神經(jīng)網(wǎng)絡(luò)算法。值得注意的是，深度學(xué)習(xí)網(wǎng)絡(luò)（如DBN、DCN、GAN、DRN等）也屬于神經(jīng)網(wǎng)絡(luò)。與非深度神經(jīng)網(wǎng)絡(luò)相比，深度學(xué)習(xí)網(wǎng)絡(luò)框架的層數(shù)往往較多、計算量巨大。神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展歷程深度學(xué)習(xí)（DeepLearning,DL）深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)中的一個研究分支，是神經(jīng)元層數(shù)較多的神經(jīng)網(wǎng)絡(luò)，因此深度學(xué)習(xí)網(wǎng)絡(luò)也被稱為深度神經(jīng)網(wǎng)絡(luò)。大家耳熟能詳?shù)纳疃葘W(xué)習(xí)網(wǎng)絡(luò)有很多，比如卷積神經(jīng)網(wǎng)絡(luò)（CNN），循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），生成對抗網(wǎng)絡(luò)（GAN），深度強(qiáng)化學(xué)習(xí)（DRL）等。一般來說，其隱藏層的層數(shù)依具體問題可以是幾層、幾十層、幾百層甚至數(shù)千層。2.4.4強(qiáng)化學(xué)習(xí)（ReinforcementLearning,RL）強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個分支，強(qiáng)調(diào)如何基于環(huán)境而行動，以取得最大化的預(yù)期利益。強(qiáng)化學(xué)習(xí)的學(xué)習(xí)方式是在獲得樣例過程中進(jìn)行探索性學(xué)習(xí)（圖2-21），在獲得樣例之后根據(jù)環(huán)境反饋的獎賞和狀態(tài)更新自己的模型，利用更新后的模型來指導(dǎo)下一步的行動，下一步的行動獲得獎賞反饋之后再更新模型，不斷迭代重復(fù)直到模型收斂?？梢哉J(rèn)為強(qiáng)化學(xué)習(xí)是一套通用的學(xué)習(xí)框架，可用來解決通用人工智能的問題。因此強(qiáng)化學(xué)習(xí)也被稱為通用人工智能的機(jī)器學(xué)習(xí)方法，在無人駕駛、工業(yè)自動化、金融貿(mào)易、自然語言處理、以及游戲等領(lǐng)域具有廣泛的應(yīng)用。強(qiáng)化學(xué)習(xí)的典型應(yīng)用有AlphaGoZero、基于RL的醫(yī)療保健動態(tài)治療方案（DTRs）、京東和阿里的產(chǎn)品推薦和廣告出價、新聞推薦等。2.5AI的應(yīng)用領(lǐng)域–產(chǎn)業(yè)鏈分布中國人工智能產(chǎn)業(yè)分布國際一流發(fā)展迅速有待加強(qiáng)2.5AI典型應(yīng)用領(lǐng)域

1.計算機(jī)視覺（ComputerVision，CV）：CV讓機(jī)器“看的見、看得懂”，是人工智能主要應(yīng)用領(lǐng)域之一。我國在機(jī)器視覺方面處于世界領(lǐng)先地位。2.智能語音：主要為機(jī)器人加上耳朵和嘴巴，讓機(jī)器人能夠“聽得懂”、并且“說得好聽”。3.自然語言處理（NaturalLanguageProcessing,NLP）：NLP被用于分析、理解和生成自然語言，以方便人和計算機(jī)設(shè)備進(jìn)行交流、以及人與人之間的交流。2.5AI的應(yīng)用領(lǐng)域

4.無人駕駛：通過自動駕駛系統(tǒng)，部分或完全的代替人類駕駛員，安全地駕駛車輛、船舶、飛機(jī)等各種運(yùn)輸設(shè)備。5.數(shù)據(jù)挖掘（DataMining），通過對海量數(shù)據(jù)的整理分析和歸納整合，分析并找出數(shù)據(jù)之間的潛在聯(lián)系，為做出理想決策或預(yù)測發(fā)展趨勢提供支撐性材料和建議，實(shí)現(xiàn)從海量數(shù)據(jù)中提取用于輔助決策的潛在的信息、知識、規(guī)律和模式。2.6人工智能倫理（EthicsofAI）“科學(xué)技術(shù)都是一把雙刃劍”。伴隨著人工智能技術(shù)的成熟和廣泛應(yīng)用，人與機(jī)器之間的矛盾凸顯，人工智能的倫理問題引起了社會和各行各業(yè)的日益關(guān)注。人類對待AI出現(xiàn)了不同的觀點(diǎn)，在科幻電影甚至傳統(tǒng)媒體中均有體現(xiàn)。AI在軍事上的應(yīng)用軍用智能機(jī)器的性能和殺傷力遠(yuǎn)超人類士兵，無疑引起了人類對未來的擔(dān)憂、以及對自主武器的爭論，目前爭論的核心是“自主武器該不該被使用”。2.6.2AI倫理問題的解決方法阿西莫夫三定律：（1）機(jī)器人不得傷害人類，或因不作為使人類受到傷害。（2）除非違背第一定律，機(jī)器人必須服從人類的命令。（3）除非違背第一及第二定律，機(jī)器人必須保護(hù)自己。阿西莫夫第零定律：（0）機(jī)器人不得傷害人類整體，或因不作為使人類整體受到傷害。盡管阿西莫夫三定律被廣為人知，但由于其可行性受到質(zhì)疑，在現(xiàn)實(shí)中無論是AI安全研究者還是機(jī)器倫理學(xué)家，都沒有真的使用它作為指導(dǎo)方案。2.6.2AI倫理問題的解決方法人工智能的倫理問題仍需人類的統(tǒng)一意