《人工智能導(dǎo)論》(第2版)高職全套教學(xué)課件

人工智能概述人工智能導(dǎo)論第1章人工智能概述.pptx第2章2.1知識(shí)圖譜.pptx第2章2.2知識(shí)表示.pptx第3章機(jī)器學(xué)習(xí).pptx第4章人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí).pptx第5章智能識(shí)別.pptx第6章自然語言理解.pptx第7章專家系統(tǒng).pptx第8章智能體與智能機(jī)器人.pptx第9章9.1Python語言與人工智能.pptx第9章9.2Python語言基礎(chǔ)及人工智能.pptx全套可編輯PPT課件人工智能概述

人工智能正在快速地改變著人們的生活、學(xué)習(xí)和工作，把人類社會(huì)帶入一個(gè)全新的、智能化的、自動(dòng)化的時(shí)代。人們在享受人工智能帶來的便捷生活的同時(shí)，需要全面而深入地了解人工智能的基本知識(shí)與研究領(lǐng)域，以便更好地了解社會(huì)的發(fā)展趨勢，把握未來的民展機(jī)會(huì)。163人工智能概述第一部分第二部分第三部分第四部分人工智能概述人工智能的社會(huì)價(jià)值人工智能的應(yīng)用領(lǐng)域人工智能的未來與展望人工智能概述安徽首條自動(dòng)駕駛公交線路進(jìn)入常態(tài)化運(yùn)行阿爾法鷹眼，情緒識(shí)別的人工智能，讓謊言無處可藏AI“黑科技”照亮北京冬奧會(huì)人工智能時(shí)代即將來臨，你準(zhǔn)備好了嗎？案例引入查閱與思考【查閱與思考】（1）講述幾個(gè)你所看到的人工智能應(yīng)用實(shí)例。（2）查閱人工智能的應(yīng)用實(shí)例與同學(xué)交流。（3）觀看電影《人工智能》，同學(xué)們互相交流觀后感。什么是人工智能人工智能（ArtificialIntelligence，AI）是研究、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)的一門學(xué)科，其目標(biāo)是希望計(jì)算機(jī)擁有像人一樣的思維過程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等），使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作人工智能的研究領(lǐng)域人工智能的發(fā)展創(chuàng)始人物艾倫·圖靈與圖靈測試：艾倫·圖靈(AlanTuring)是英國著名的數(shù)學(xué)家、邏輯學(xué)家，被稱為“計(jì)算機(jī)科學(xué)之父”、“人工智能之父”。人工智能的誕生和蓬勃發(fā)展

1956年的夏天，在一個(gè)名叫達(dá)特茅斯的小鎮(zhèn)上，一群年輕的科學(xué)家在一起聚會(huì)，討論著用機(jī)器模擬智能的一系列有關(guān)問題。從此，一個(gè)嶄新的學(xué)科——人工智能誕生了，并以它獨(dú)具魅力的發(fā)展勢頭，開啟了傳奇曲折的漫漫征程。2016的春天,一場AIphaGo與世界頂級(jí)圍棋高手的人機(jī)對決,再次將人工智能推到了世界舞臺(tái)的聚光燈下人工智能的發(fā)展階段第一階段（1956年—1980年）：計(jì)算推理，奠定基礎(chǔ)第二階段（1980年—1993年）：知識(shí)表示，走出困境第三階段（1993年—2005年）：機(jī)器學(xué)習(xí)，迎來曙光第四階段（2006年至今）深度學(xué)習(xí)，蓬勃興起近年人工智能主要事件IBM的國際象棋機(jī)器人深藍(lán)戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫

1997年

Stanford開發(fā)的一臺(tái)機(jī)器人在一條沙漠小徑上成功地自動(dòng)行駛了131英里，贏得了DARPA挑戰(zhàn)大賽頭獎(jiǎng)

2005年

·GeoffreyHinton提出多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法；EricSchmidt在搜索引擎大會(huì)提出“云計(jì)算”概念2006年

Google發(fā)布個(gè)人助理GoogleNow2010年

近年人工智能主要事件IBMWaston參加智力游戲《危險(xiǎn)邊緣》，擊敗最高獎(jiǎng)金得主BradRutter和連勝紀(jì)錄保持者KenJennings；蘋果發(fā)布語音個(gè)人助手Siri2011年

微軟亞洲研究院發(fā)布人工智能小冰聊天機(jī)器人和語音助手Cortana百度發(fā)布DeepSpeech語音識(shí)別系統(tǒng)2014年

Facebook發(fā)布了一款基于文本的人工智能助理“M”2015年

深度學(xué)習(xí)算法在語音和視覺識(shí)別率獲得突破性進(jìn)展2013年

近年人工智能主要事件GoogleAlphaGo以比分4:1戰(zhàn)勝圍棋九段棋手李世石Google發(fā)布語音助手Assistant2016年

GoogleAlphaGo以比分3:0完勝世界第一圍棋九段棋手柯潔蘋果在WWDC上發(fā)布CoreML，ARKit等組件百度AI開發(fā)者大會(huì)正式發(fā)布Dueros語音系統(tǒng)，無人駕駛平臺(tái)Apollo1.0自動(dòng)駕駛平臺(tái)華為發(fā)布全球第一款A(yù)I移動(dòng)芯片麒麟970iPhoneX配備前置3D感應(yīng)攝像頭(TrueDepth)，臉部識(shí)別點(diǎn)達(dá)到3W個(gè)，具備人臉識(shí)別、解鎖和支付等功能2017年

近年人工智能主要事件施路平教授團(tuán)隊(duì)開發(fā)出面向通用人工智能的異構(gòu)天機(jī)芯片架構(gòu)2019年

·人工智能預(yù)測蛋白質(zhì)結(jié)構(gòu)2021年

ChatGPT走紅，掀起全球AI產(chǎn)業(yè)新浪潮2023年

人工智能可以翻譯大腦想法，將大腦信號(hào)轉(zhuǎn)化為文本數(shù)據(jù)2020年

人工智能的社會(huì)價(jià)值人工智能的社會(huì)價(jià)值

人工智能是引領(lǐng)未來的戰(zhàn)略性高科技，作為新一輪產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，催生新技術(shù)、新產(chǎn)品、新產(chǎn)業(yè)、新模式，引發(fā)經(jīng)濟(jì)結(jié)構(gòu)重大變革，深刻改變?nèi)祟惿a(chǎn)生活方式和思維模式，實(shí)現(xiàn)社會(huì)生產(chǎn)力的整體躍升?！盁o論是體力工作還是腦力工作，只需要單調(diào)工作的職業(yè)，不需要?jiǎng)?chuàng)造性和靈活性的職業(yè),都將被取代。因?yàn)檫@些職業(yè)的思維是AI最容易替代的?！薄度祟惡喪贰泛汀段磥砗喪贰返淖髡哂韧郀?赫拉利。1、人工智能的應(yīng)用價(jià)值

隨著人工智能理論和技術(shù)的日益成熟，應(yīng)用范圍不斷擴(kuò)大，既包括城市發(fā)展、生態(tài)保護(hù)、經(jīng)濟(jì)管理、金融風(fēng)險(xiǎn)等宏觀層面，也包括工業(yè)生產(chǎn)、醫(yī)療衛(wèi)生、交通出行、能源利用等具體領(lǐng)域。專門從事人工智能產(chǎn)品研發(fā)、生產(chǎn)及服務(wù)的企業(yè)迅速成長，真正意義上的人工智能產(chǎn)業(yè)正在逐步形成、不斷豐富，相應(yīng)的商業(yè)模式也在持續(xù)演進(jìn)和多元化。2、人工智能的社會(huì)價(jià)值⑴人工智能帶來產(chǎn)業(yè)模式的變革2、人工智能的社會(huì)價(jià)值⑵人工智能帶來智能化的生活人工智能的應(yīng)用領(lǐng)域人工智能的產(chǎn)業(yè)發(fā)展應(yīng)用AI+家居AI+醫(yī)療AI+零售AI+教育AI+金融AI+農(nóng)業(yè)人工智能的產(chǎn)業(yè)發(fā)展應(yīng)用AI+制造AI+安防智能駕駛AI+網(wǎng)絡(luò)安全智能機(jī)器人AI+人力資源學(xué)習(xí)思考（1）查閱相關(guān)文獻(xiàn)資料，定義“人工智能”。（2）查閱相關(guān)文獻(xiàn)資料，簡述人工智能的應(yīng)用價(jià)值。（3）說明人工智能的研究領(lǐng)域。（4）請結(jié)合查閱的相關(guān)資料，舉例說明人工智能的應(yīng)用領(lǐng)域。人工智能的未來與展望人工智能的未來與展望延伸閱讀2030年，AI將怎樣影響人們的生活？(一

)交通出行（二）醫(yī)療健康（三）家庭生活（四）公共安全（五）休閑娛樂查閱與思考（1）查閱相關(guān)文獻(xiàn)資料，設(shè)想一下未來五年內(nèi)人工智能的發(fā)展藍(lán)圖。（2）自己在哪一方面想得到人工智能的幫助？（3）編寫一個(gè)情景劇：2030年我們的美好生活。人工智能的未來與展望

人工智能的發(fā)展的終極目標(biāo)是類人腦思考。目前的人工智能已經(jīng)具備學(xué)習(xí)和儲(chǔ)存記憶的能力，人工智能最難突破的是人腦的創(chuàng)造能力。而創(chuàng)造力的產(chǎn)生需要以神經(jīng)元和突觸遞質(zhì)傳遞為基礎(chǔ)的一種化學(xué)環(huán)境。目前的人工智能是以芯片和算法框架為基礎(chǔ)。若在未來能再模擬出類似于大腦突觸傳遞的化學(xué)環(huán)境，計(jì)算機(jī)與化學(xué)結(jié)合后的人工智能，將很可能帶來另一番難以想象的未來世界。新一代AI布局圖人工智能的未來與展望1.從專用智能到通用智能2.從機(jī)器智能到人機(jī)混合智能3.從“人工+智能”到自主智能系統(tǒng)4.學(xué)科交叉將成為人工智能創(chuàng)新源泉5.人工智能產(chǎn)業(yè)將蓬勃發(fā)展6.人工智能的法律法規(guī)將更加健全7.人工智能將成為更多國家的戰(zhàn)略選擇8.人工智能教育將會(huì)全面普及THANKS人工智能導(dǎo)論知識(shí)表示和知識(shí)圖譜人工智能導(dǎo)論2.1知識(shí)表示

人類之所以有智能行為是因?yàn)樗麄儞碛兄R(shí)，智能活動(dòng)過程其實(shí)就是一個(gè)獲得并運(yùn)用知識(shí)的過程，要使機(jī)器系統(tǒng)具有人的智能能力（人工智能AI），則必須以人的知識(shí)為基礎(chǔ)，知識(shí)是人工智能的基石。但人類的知識(shí)要用適當(dāng)?shù)哪Ｊ奖硎境鰜?，才能夠存?chǔ)到計(jì)算機(jī)中并被識(shí)別運(yùn)用，本節(jié)將對人工智能中常用的幾種知識(shí)表示方法進(jìn)行介紹，為后續(xù)學(xué)習(xí)奠定基礎(chǔ)。知識(shí)表示第一部分第二部分第三部分第四部分知識(shí)知識(shí)表示產(chǎn)生式框架式狀態(tài)空間第五部分知識(shí)機(jī)器可以模仿人類的視覺、聽覺等感知能力，但這種感知能力不是人類的專屬，動(dòng)物也具備感知能力，甚至某些感知能力比人類更強(qiáng)，比如狗的嗅覺，機(jī)器一定程度也可以比人類更強(qiáng)。但認(rèn)知是人類的專屬能力，也是機(jī)器實(shí)現(xiàn)人工智能的核心所在，知識(shí)的價(jià)值就在于可以讓機(jī)器在感知能力的基礎(chǔ)上形成認(rèn)知能力。因此，什么是知識(shí)？這是人工智能首先要解決的問題。知識(shí)

知識(shí)是人類在實(shí)踐中認(rèn)識(shí)客觀世界(包括人類自身)的成果，它包括事實(shí)、信息的描述或在教育和實(shí)踐中獲得的技能

，知識(shí)是人類從各個(gè)途徑中獲得并經(jīng)過提升、總結(jié)與凝練的系統(tǒng)的認(rèn)識(shí)。人們把實(shí)踐中獲得的信息關(guān)聯(lián)在一起，形成的信息結(jié)構(gòu)就是知識(shí)。知識(shí)的分類在人工智能中，通常從知識(shí)的作用及表示來劃分，把問題求解所需的知識(shí)分為3種類型：（1）敘述型知識(shí)。有關(guān)系統(tǒng)狀態(tài)、環(huán)境和條件、問題的概念、定義和事實(shí)的知識(shí)。（2）過程型知識(shí)。有關(guān)系統(tǒng)狀態(tài)變化、問題求解過程的操作、演算和行動(dòng)的知識(shí)。（3）控制型知識(shí)。有關(guān)如何選擇相應(yīng)的操作、演算和行動(dòng)的比較、判斷、管理和決策的知識(shí)。知識(shí)表示知識(shí)表示知識(shí)表示（KnowledgeRepresentation）是對知識(shí)的描述，即用一組符號(hào)將知識(shí)表示成計(jì)算機(jī)可以接受的某種結(jié)構(gòu)。人工智能問題的求解是以知識(shí)表示為基礎(chǔ)的，如何將已獲得的知識(shí)以計(jì)算機(jī)內(nèi)部代碼形式加以合理的描述、存儲(chǔ)、有效的利用就是知識(shí)表示應(yīng)該解決的問題。知識(shí)表示目前已經(jīng)提出了許多種知識(shí)表示的方法，比較常見的有謂詞邏輯表示法、產(chǎn)生式表示法、狀態(tài)空間表示法、框架式表示法、語義網(wǎng)絡(luò)法等，具體選擇哪種知識(shí)表示方法，應(yīng)從以下幾個(gè)方面進(jìn)行考慮：

1.充分表示領(lǐng)域知識(shí)

2.有利于對知識(shí)的利用

3.便于對知識(shí)的組織、維護(hù)與管理

4.便于理解和實(shí)現(xiàn)狀態(tài)空間表示法產(chǎn)生式表示法框架表示法本書介紹三種常用的知識(shí)表示方法知識(shí)表示產(chǎn)生式表示法產(chǎn)生式的基本形式（1）事實(shí)型知識(shí)的產(chǎn)生式表示事實(shí)型知識(shí)可以使用三元組或四元組來表示。對于確定性事實(shí)用一個(gè)三元組表示：(對象，屬性，值)或者(關(guān)系，對象1，對象2)如果考慮事情的不確定性，可以再加一個(gè)置信度構(gòu)成四元組：(對象，屬性，值，置信度)或者(關(guān)系，對象1，對象2，置信度)產(chǎn)生式的基本形式（1）事實(shí)型知識(shí)的產(chǎn)生式表示

例如：“小田的職業(yè)是教師”可以表示為（Tian，job，teacher）；“小李和小王是夫妻”可以表示為（couple，Li，Wang）。

例如：“小田的職業(yè)不大可能是教師”可以表示為（Tian，job，teacher，0.1），置信度0.1表示可能性非常??；“小李和小王很可能是夫妻”可以表示為（couple，Li，Wang，0.9），0.9表示可能性很大。產(chǎn)生式的基本形式（2）規(guī)則型知識(shí)的產(chǎn)生式表示規(guī)則描述的是事物間的因果關(guān)系。含義是：如果…則…，規(guī)則型知識(shí)的產(chǎn)生式表示基本形式是：

P→Q

或者IF

P

THEN

Q其中，P是生產(chǎn)式的前提，用于指出該生產(chǎn)式是否可用的條件；Q是一組結(jié)論或操作，用于指出當(dāng)前提P所指示的條件被滿足時(shí)，應(yīng)該得出的結(jié)論或應(yīng)該執(zhí)行的操作。整個(gè)產(chǎn)生式的含義是：如果前提P被滿足，則可推出結(jié)論Q或執(zhí)行Q所規(guī)定的操作。產(chǎn)生式的基本形式（2）規(guī)則型知識(shí)的產(chǎn)生式表示

例如：r6:IF動(dòng)物有犬齒AND有爪AND眼盯前方THEN該動(dòng)物是食肉動(dòng)物。其中，r6是該產(chǎn)生式的編號(hào)；“動(dòng)物有犬齒AND有爪AND眼盯前方”是產(chǎn)生式的前提P；“該動(dòng)物是食肉動(dòng)物”是產(chǎn)生式的結(jié)論Q。產(chǎn)生式系統(tǒng)

把一組產(chǎn)生式放在一起，讓它們互相配合，協(xié)同作用，一個(gè)產(chǎn)生式生成的結(jié)論可以供另一個(gè)產(chǎn)生式作為已知事實(shí)使用，以求得問題的解決，這樣的系統(tǒng)稱為產(chǎn)生式系統(tǒng)。通常，一個(gè)產(chǎn)生式系統(tǒng)由綜合數(shù)據(jù)庫、規(guī)則庫、控制器3部分組成，如下圖所示。產(chǎn)生式系統(tǒng)規(guī)則集控制器綜合數(shù)據(jù)庫匹配檢索匹配排序沖突裁決產(chǎn)生式系統(tǒng)結(jié)構(gòu)與工作過程產(chǎn)生式系統(tǒng)【例2.1】建立一個(gè)動(dòng)物識(shí)別系統(tǒng)的規(guī)則庫，用以識(shí)別虎、豹、斑馬、長頸鹿、企鵝、鴕鳥、信天翁等7種動(dòng)物。框架表示法框架

我們無法把過去的經(jīng)驗(yàn)一一都存在腦子里，而只能以一個(gè)通用的數(shù)據(jù)結(jié)構(gòu)的形式存儲(chǔ)以往的經(jīng)驗(yàn)。這樣的數(shù)據(jù)結(jié)構(gòu)就是框架（frame），框架提供了一個(gè)結(jié)構(gòu)，一種組織。在這個(gè)結(jié)構(gòu)或組織中，新的資料可以用從過去的經(jīng)驗(yàn)中得到的概念來分析和解釋。實(shí)例框架：對于一個(gè)框架，當(dāng)人們把觀察或認(rèn)識(shí)到的具體細(xì)節(jié)填入后，就得到了該框架的一個(gè)具體實(shí)例，框架的這種具體實(shí)例被稱為實(shí)例框架?？蚣芟到y(tǒng)：在框架理論中，框架是知識(shí)的基本單位，把一組有關(guān)的框架連結(jié)起來便形成一個(gè)框架系統(tǒng)?？蚣艿臉?gòu)成

框架通常由描述事物的各個(gè)方面的槽（slot）組成，每個(gè)槽可以擁有若干個(gè)側(cè)面（facet），而每個(gè)側(cè)面又可以擁有若干個(gè)值(value)。這些內(nèi)容可以根據(jù)具體問題的具體需要來取舍，一個(gè)框架的一般結(jié)構(gòu)如下：框架的構(gòu)成<框架名>槽名1：側(cè)面名1：值11，值12，…，值1n

……

側(cè)面名m1：值m11，值m12，…，值m1n……槽名n：側(cè)面名1：值11，值12，…，值1n

……

側(cè)面名m1：值m11，值m12，…，值m1n約束：

約束條件1：constraint1

……

約束條件n：constraint

n框架表示法【例2.2】對于犯罪行為的新聞報(bào)道中都會(huì)提到犯罪意圖、犯罪結(jié)果、證人指控等信息，這些信息可以用一個(gè)犯罪框架來表示?！纠?.3】如圖2-5所示為一高校人員的框架網(wǎng)絡(luò)系統(tǒng)。師生員工框架教職工框架教師框架教師1教師2行政管理人員框架學(xué)生框架會(huì)計(jì)系學(xué)生框架金融系學(xué)生框架學(xué)生1學(xué)生2狀態(tài)空間表示法狀態(tài)空間表示

任何事物都會(huì)隨著時(shí)間和環(huán)境而變化，也就是處于不同的狀態(tài)。設(shè)想如果能有效列出事物在不同時(shí)期可能處于的所有狀態(tài)及它們之間的相互轉(zhuǎn)換關(guān)系，那么當(dāng)已知問題的初始狀態(tài)和目標(biāo)狀態(tài)時(shí)，就可以對初始狀態(tài)進(jìn)行變換，經(jīng)過一系列的中間狀態(tài)，最終到達(dá)目標(biāo)狀態(tài)，從而解決問題。因此，人工智能中引入狀態(tài)空間法進(jìn)行知識(shí)表示。所謂狀態(tài)空間（StateSpace）是利用狀態(tài)變量和操作符號(hào)表示系統(tǒng)或問題的有關(guān)知識(shí)的符號(hào)體系。狀態(tài)空間表示狀態(tài)空間可以用一個(gè)四元組表示：（S,O,S0,G）

其中，S是狀態(tài)集合，S中每一個(gè)元素表示一個(gè)狀態(tài)，狀態(tài)是某種結(jié)構(gòu)的符號(hào)或數(shù)據(jù)。O是操作算子的集合，利用算子可將一個(gè)狀態(tài)轉(zhuǎn)換為另一狀態(tài)。S0是問題的初始狀態(tài)集合，是S的一個(gè)非空子集，也就是S0S。G是問題的目標(biāo)狀態(tài)的集合，也是S的非空子集，即GS。G可以是若干具體的狀態(tài)，也可以是滿足某些性質(zhì)的路徑信息描述。從初始狀態(tài)S0到目標(biāo)狀態(tài)G的路徑稱為求解路徑。狀態(tài)空間表示

其中O1，O2，…,Ok即為狀態(tài)空間的一個(gè)解。注意，解并不是唯一的，只要是能將初始狀態(tài)S0轉(zhuǎn)換為G的路徑，都是狀態(tài)空間的解。狀態(tài)空間表示【例2.4】八碼數(shù)問題的狀態(tài)空間描述

八碼數(shù)問題也是重排九宮閣的問題，如左圖所示，在一個(gè)3×3的九宮格上，放置1到8八個(gè)數(shù)字，中間為一空格，四周數(shù)字可移到空格，求如何移動(dòng)可以使數(shù)字變?yōu)槿缬覉D所示的有序序列。2578

16431238

4765狀態(tài)空間的與/或圖描述

為使問題更直觀，狀態(tài)空間可以用與/或圖來描述，也稱與/或樹，一個(gè)與/或圖中包含：狀態(tài)節(jié)點(diǎn)，弧（表示狀態(tài)的轉(zhuǎn)移），起始狀態(tài)集合，目標(biāo)狀態(tài)集合。與/或圖實(shí)際是把初始問題分解成若干子問題和子子問題的集合；或者是把初始問題變換為若干容易解決的等價(jià)問題，而這些問題還可以再進(jìn)一步變換成若干更容易解決的等價(jià)問題，如下圖所示為一個(gè)問題的與/或圖描述。狀態(tài)空間的與/或圖描述圖中A為根節(jié)點(diǎn)，是初始狀態(tài)，問題A可以分解成B與C的求解，或變換為問題D的求解，也可以變換為問題E的求解，B問題可以進(jìn)一步分解為F、G與H三個(gè)問題，D又可以變換為較容易的I或J問題，E可以變換為K的求解。IABCDEHGKFJ狀態(tài)空間的與/或圖描述

【例2.5】如圖所示，猴子想要摘掛在屋頂?shù)南憬?。它的初始位置在a處，香蕉懸掛的位置在c，猴子站在地面上是夠不著香蕉的，它只能站在箱子上才能夠到。而箱子的初始位置在b，猴子只有把箱子推到c處，站到箱子上，才能摘到香蕉。acb學(xué)習(xí)思考（1）什么是知識(shí)？有哪幾種分類方法？（2）試著構(gòu)造一個(gè)描述學(xué)校圖書館的框架。（3）用產(chǎn)生式表示：如果一個(gè)人出現(xiàn)腹痛、腹瀉及嘔吐的癥狀，那么得腸胃炎的可能性有8成。THANKS人工智能導(dǎo)論知識(shí)表示和知識(shí)圖譜人工智能導(dǎo)論2.2知識(shí)圖譜

信息技術(shù)飛速發(fā)展，不斷推動(dòng)著互聯(lián)網(wǎng)技術(shù)的變革，互聯(lián)網(wǎng)的核心性技術(shù)Web經(jīng)歷了網(wǎng)頁鏈接到數(shù)據(jù)鏈接的變革后，正逐漸向大規(guī)模的語義網(wǎng)絡(luò)演變。語義網(wǎng)絡(luò)將知識(shí)采用網(wǎng)絡(luò)的形式表示，它將經(jīng)過加工和推理的知識(shí)以圖形的方式提供給用戶，而實(shí)現(xiàn)智能化語義檢索的基礎(chǔ)和橋梁就是知識(shí)圖譜。知識(shí)圖譜第一部分第二部分第三部分第四部分什么是知識(shí)圖譜知識(shí)圖譜的表示知識(shí)圖譜的應(yīng)用知識(shí)圖譜的總結(jié)與展望什么是知識(shí)圖譜“度秘”是另一種形式的百度搜索框IBM想讓機(jī)器人Watson和你一起開會(huì)“聆聽”科技冬奧的背后故事——手語播報(bào)數(shù)字人讓“無聲”世界感受冬奧魅力什么是知識(shí)圖譜？案例引入查閱與思考（1）查閱一個(gè)知識(shí)圖譜的應(yīng)用實(shí)例。（2）你能列舉一些應(yīng)用知識(shí)圖譜解決問題的領(lǐng)域嗎？什么是知識(shí)圖譜

知識(shí)圖譜的概念，由Google于2012年率先提出，其初衷是用以增強(qiáng)自家的搜索引擎的功能和提高搜索結(jié)果質(zhì)量，使得用戶無需通過點(diǎn)擊多個(gè)鏈接就可以獲取結(jié)構(gòu)化的搜索結(jié)果，并且提供一定的推理功能，創(chuàng)造出一種全新的信息檢索模式。本質(zhì)上，知識(shí)圖譜就是利用可視化的圖譜形象展示客觀世界中的概念、實(shí)體及其間的復(fù)雜關(guān)系。Google知識(shí)圖譜的宣傳語“Things,notstrings”給出了知識(shí)圖譜的精髓，即:不要無意義的字符串，而是獲取字符串背后隱含的對象或事物。搜索引擎中知識(shí)圖譜的應(yīng)用知識(shí)卡片：早期互聯(lián)網(wǎng)搜索僅僅是基于本文的鏈接，搜索時(shí)僅單純的給出包含搜索詞的網(wǎng)頁，讓用戶去網(wǎng)頁中尋找答案。2012年谷歌提出知識(shí)圖譜并且將其應(yīng)用于語義搜索，改進(jìn)搜索質(zhì)量，搜索算法會(huì)在網(wǎng)頁搜索時(shí)盡可能的鏈接與其相關(guān)的結(jié)構(gòu)化信息，這些信息會(huì)以知識(shí)卡片（KnowledgeCard）的形式返回給用戶，知識(shí)卡片就是知識(shí)圖譜在搜索引擎中最早的表現(xiàn)形式。知識(shí)卡片知識(shí)圖譜在搜索中的展現(xiàn)-知識(shí)卡片（圖片來源于搜狗）知識(shí)圖譜在搜索中的展現(xiàn)-知識(shí)卡片（圖片來源于百度）知識(shí)卡片關(guān)系搜索中的知識(shí)卡片展現(xiàn)（圖片來源于搜狗）關(guān)系搜索中的知識(shí)卡片展現(xiàn)（圖片來源于百度）知識(shí)圖譜的表示知識(shí)圖譜的表示

從實(shí)際應(yīng)用的角度出發(fā)其實(shí)可以簡單地把知識(shí)圖譜理解成多關(guān)系圖（Multi-relationalGraph）,就是把所有不同種類的信息連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)。如圖所示為一多關(guān)系圖，它包含多種類型的節(jié)點(diǎn)和多種類型的邊，不同形狀和顏色代表不同種類的節(jié)點(diǎn)和邊。知識(shí)圖譜的表示邊

邊

節(jié)點(diǎn)

節(jié)點(diǎn)

節(jié)點(diǎn)表示實(shí)體或概念，邊則構(gòu)成關(guān)系。實(shí)體指的是現(xiàn)實(shí)世界中的具體事物或具體的人，比如著名的物理學(xué)家愛因斯坦、偉大的思想家馬克思等；概念是指人們在認(rèn)識(shí)世界過程中形成的對客觀事物的概念化表示，如人、動(dòng)物、組織結(jié)構(gòu)等；關(guān)系則用來表達(dá)不同實(shí)體、概念之間的聯(lián)系，例如小王和小李是“同事”、李紅-“工作在”-上海等等。知識(shí)圖譜的表示知識(shí)圖譜可以方便的表示生活中的很多場景，比如一個(gè)人的社交網(wǎng)絡(luò)圖譜，如圖所示，以圖譜的形式清晰呈現(xiàn)出社交人脈。知識(shí)圖譜的表示社交關(guān)系圖譜中的實(shí)體既可以有“人”，也可以包含“公司”“學(xué)?！钡冉M織機(jī)構(gòu)實(shí)體。人與人之間可以是親人、朋友，同學(xué)、同事、鄰居等。人和學(xué)校之間可以是“在讀”或者“畢業(yè)”的關(guān)系，如圖所示。小剛蘇寧××大學(xué)百度小白小紅同學(xué)

同事

畢業(yè)于

畢業(yè)于

現(xiàn)任職于

現(xiàn)任職于

曾任職于

知識(shí)圖譜的表示實(shí)體和關(guān)系也會(huì)擁有各自的屬性，比如人可以有“年齡”和“身高”等屬性。當(dāng)我們把所有這些信息作為關(guān)系或者實(shí)體的屬性添加后，所得到的圖譜稱之為屬性圖（PropertyGraph）。如圖所示為一個(gè)簡單的屬性圖，小白年齡35歲，任職于百度，職位為區(qū)域經(jīng)理，百度公司成立于2000年1月。小剛蘇寧××大學(xué)百度小白小紅同學(xué)

同事

畢業(yè)于

畢業(yè)于

現(xiàn)任職于

現(xiàn)任職于

曾任職于

{‘年齡’：‘35’，‘職位’：‘區(qū)域經(jīng)理’}{‘成立時(shí)間’：‘2000年1月’}學(xué)習(xí)思考（1）查閱資料，思考一下傳統(tǒng)知識(shí)表示和知識(shí)圖譜的區(qū)別與聯(lián)系。（2）試著為自己繪制一個(gè)社交網(wǎng)絡(luò)的知識(shí)圖譜。知識(shí)圖譜的應(yīng)用知識(shí)圖譜的應(yīng)用延伸閱讀百度知識(shí)圖譜在生活中的應(yīng)用(一

)小度智能音箱（二）小度在家（三）三星Bixby語音智能助手（四）TCL智能電視（五）百度百家號(hào)智能寫作助手知識(shí)圖譜的應(yīng)用延伸閱讀百度知識(shí)圖譜在生活中的應(yīng)用查閱與思考（1）談?wù)勆钪心闼褂玫闹悄茉O(shè)備里，哪些涉及到了知識(shí)圖譜？（2）查閱相關(guān)文獻(xiàn)資料，了解知識(shí)圖譜在教育、醫(yī)療行業(yè)及農(nóng)業(yè)方面的應(yīng)用。（3）想一想未來的知識(shí)圖譜將會(huì)怎樣改變我們的生活？知識(shí)圖譜的應(yīng)用

知識(shí)圖譜為互聯(lián)網(wǎng)上海量、異構(gòu)、動(dòng)態(tài)的大數(shù)據(jù)表達(dá)、組織、管理以及利用提供了一種更為有效的方式，使得網(wǎng)絡(luò)的智能化水平更高，更加接近于人類的認(rèn)知思維。目前，除了我們前面提到的搜索引擎的應(yīng)用外，知識(shí)圖譜已在智能問答、智能推薦以及一些垂直行業(yè)中有所應(yīng)用，成為支撐這些應(yīng)用發(fā)展的動(dòng)力源泉。知識(shí)圖譜的應(yīng)用1.智能問答智能問答目前也是一個(gè)非常熱門的方向，它是信息檢索系統(tǒng)的一種高級(jí)形式，它降低了人機(jī)交互的門檻，非常適合成為互聯(lián)網(wǎng)的新入口。相較于傳統(tǒng)的用戶輸入問題，搜索引擎返回網(wǎng)頁的方式，智能問答系統(tǒng)可以直接通往答案。目前很多問答平臺(tái)引入了知識(shí)圖譜，典型的應(yīng)用有蘋果的Siri，下圖為蘋果Siri的問答展示。天津聚問網(wǎng)絡(luò)技術(shù)服務(wù)中心開發(fā)的大型在線問答系統(tǒng)OASK，就是專門為門戶、企業(yè)、媒體、教育等各類網(wǎng)站提供良好的交互式問答解決方案的。知識(shí)圖譜的應(yīng)用Siri的問答展示1Siri的問答展示2知識(shí)圖譜的應(yīng)用2.智能推薦

在智能推薦方面，可基于知識(shí)圖譜構(gòu)建場景，提供基于場景的推薦。例如在電商領(lǐng)域，通過整合商品間關(guān)聯(lián)的信息以及從互聯(lián)網(wǎng)抽取的相關(guān)信息，形成知識(shí)庫和產(chǎn)品庫，構(gòu)建企業(yè)自身的知識(shí)圖譜。當(dāng)用戶輸入關(guān)鍵詞查看商品時(shí)，知識(shí)圖譜會(huì)為用戶提供此次購物方面最相關(guān)的信息，并且還能通過用戶已購產(chǎn)品推斷其購物場景，向其推薦其他相關(guān)場景產(chǎn)品。

社交網(wǎng)絡(luò)Facebook于2013年推出的GraphSearch產(chǎn)品，其核心技術(shù)就是通過知識(shí)圖譜將人、地點(diǎn)、事情等聯(lián)系在一起，幫助用戶在龐大的社交網(wǎng)絡(luò)中找到與自己最具相關(guān)性的人，其主要功能就是智能推薦。知識(shí)圖譜的應(yīng)用

3.金融領(lǐng)域

金融領(lǐng)域的應(yīng)用主要包括風(fēng)險(xiǎn)控制和智能投顧等。

在風(fēng)險(xiǎn)控制方面，通過構(gòu)建工商知識(shí)圖譜，可以將人、公司的信息用可視化的方式清晰的展示出來。

在智能投顧方面，通過對金融數(shù)據(jù)進(jìn)行結(jié)構(gòu)化提取和智能化分析，根據(jù)客戶自身的理財(cái)需求，實(shí)現(xiàn)自動(dòng)理財(cái)顧問。當(dāng)在某個(gè)宏觀經(jīng)濟(jì)事件或者企業(yè)相關(guān)事件發(fā)生的時(shí)候，券商分析師、交易員、基金公司基金經(jīng)理等投資研究人員可以通過知識(shí)圖譜做更深層次的分析和更好的投資決策。知識(shí)圖譜的應(yīng)用教育醫(yī)療科研農(nóng)業(yè)旅游人力資源管理知識(shí)圖譜的總結(jié)與展望知識(shí)圖譜的總結(jié)與展望

知識(shí)圖譜的構(gòu)建是多學(xué)科的結(jié)合，需要知識(shí)庫、自然語言理解，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等多方面知識(shí)的融合，是相關(guān)領(lǐng)域研究的最新成果，在未來的幾年時(shí)間內(nèi)，知識(shí)圖譜毫無疑問將是人工智能的前沿研究問題，各行各業(yè)都在討論適合自己的知識(shí)圖譜。

雖然現(xiàn)在知識(shí)圖譜很多，但大部分還處于初級(jí)階段，只是側(cè)重于簡單事實(shí)，對于常識(shí)的覆蓋十分有限，依然面臨眾多挑戰(zhàn)和難題，如：知識(shí)庫的自動(dòng)擴(kuò)展、異構(gòu)知識(shí)處理、推理規(guī)則學(xué)習(xí)、跨語言檢索等。總體而言，知識(shí)圖譜技術(shù)的落地應(yīng)用前景是光明的，但是也需要充分意識(shí)到知識(shí)圖譜面臨的巨大挑戰(zhàn)。THANKS人工智能導(dǎo)論機(jī)器學(xué)習(xí)人工智能導(dǎo)論機(jī)器學(xué)習(xí)第一部分第二部分第三部分第四部分第五部分機(jī)器學(xué)習(xí)概述機(jī)器學(xué)習(xí)發(fā)展機(jī)器學(xué)習(xí)范疇機(jī)器學(xué)習(xí)方法機(jī)器學(xué)習(xí)工具第六部分機(jī)器學(xué)習(xí)挑戰(zhàn)3.1機(jī)器學(xué)習(xí)概述機(jī)器學(xué)習(xí)是用計(jì)算機(jī)程序模擬人的學(xué)習(xí)能力，從實(shí)際例子中學(xué)習(xí)得到知識(shí)和經(jīng)驗(yàn)，不斷改善性能，實(shí)現(xiàn)自我完善。機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是用計(jì)算機(jī)程序模擬人的學(xué)習(xí)能力，從實(shí)際例子中學(xué)習(xí)得到知識(shí)和經(jīng)驗(yàn)，不斷改善性能，實(shí)現(xiàn)自我完善。它從樣本數(shù)據(jù)中學(xué)習(xí)得到知識(shí)和規(guī)律，然后用于實(shí)際的推斷和決策。它和普通程序的一個(gè)顯著區(qū)別是需要樣本數(shù)據(jù)，是一種數(shù)據(jù)驅(qū)動(dòng)的方法。機(jī)器學(xué)習(xí)VS人類學(xué)習(xí)機(jī)器學(xué)習(xí)致力于研究如何通過計(jì)算機(jī)的手段，利用經(jīng)驗(yàn)改善系統(tǒng)自身的性能，其根本任務(wù)是數(shù)據(jù)的智能分析與建模，進(jìn)而從數(shù)據(jù)里面挖掘出有用的價(jià)值。3.2機(jī)器學(xué)習(xí)發(fā)展機(jī)器學(xué)習(xí)屬于人工智能中一個(gè)較為年輕的分支，可以大致分為以下三個(gè)發(fā)展歷程：萌芽時(shí)期、發(fā)展時(shí)期、繁榮時(shí)期?？▋?nèi)基梅隆大學(xué)的教授TomMitchell在機(jī)器學(xué)習(xí)的過程中起到了不可估量的作用，他是機(jī)器學(xué)習(xí)的早期建立者和守護(hù)者。

機(jī)器學(xué)習(xí)發(fā)展萌芽時(shí)期發(fā)展時(shí)期繁榮時(shí)期卡內(nèi)基梅隆大學(xué)的教授TomMitchell在機(jī)器學(xué)習(xí)的過程中起到了不可估量的作用，他是機(jī)器學(xué)習(xí)的早期建立者和守護(hù)者。機(jī)器學(xué)習(xí)發(fā)展的另一個(gè)重要的里程碑之一是統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)的融合萌芽時(shí)期

20世紀(jì)50年代中期―60年代中期，這一時(shí)期處于萌芽時(shí)期。人們試圖通過軟件編程來操控計(jì)算機(jī)完成一系列的邏輯推理功能，進(jìn)而使計(jì)算機(jī)具有一定程度上類似人類一樣的智能思考能力。然而這時(shí)期計(jì)算機(jī)所推理的結(jié)果遠(yuǎn)遠(yuǎn)沒有達(dá)到人們對機(jī)器學(xué)習(xí)的期望。通過進(jìn)一步研究發(fā)現(xiàn)，只具有邏輯推理能力并不能使得機(jī)器智能。研究者們認(rèn)為，使得機(jī)器擁有人工智能的前提還必須是擁有大量的先驗(yàn)知識(shí)。發(fā)展時(shí)期

20世紀(jì)60年代中期―80年代中期，這一時(shí)期處于發(fā)展時(shí)期。人們試圖利用自身思維提取出來的規(guī)則來教會(huì)計(jì)算機(jī)執(zhí)行決策行為，主流便是各式各樣的“專家系統(tǒng)”，然而這些系統(tǒng)總會(huì)面臨“知識(shí)稀疏”的問題，即面對無窮無盡的知識(shí)與信息，人們無法總結(jié)出萬無一失的規(guī)律。因此，讓機(jī)器自主學(xué)習(xí)的設(shè)想自然地浮出水面?；?0世紀(jì)50年代對于神經(jīng)網(wǎng)絡(luò)的研究，人們開始研究如何讓機(jī)器自主學(xué)習(xí)。

繁榮時(shí)期

20世紀(jì)80年代至今，機(jī)器學(xué)習(xí)達(dá)到了一個(gè)繁榮時(shí)期。由于這一時(shí)期互聯(lián)網(wǎng)大數(shù)據(jù)以及硬件GPU的出現(xiàn)，使得機(jī)器學(xué)習(xí)脫離了瓶頸期。機(jī)器學(xué)習(xí)開始爆炸式發(fā)展，開始成為了一門獨(dú)立熱門學(xué)科并且被應(yīng)用到各個(gè)領(lǐng)域。各種機(jī)器學(xué)習(xí)算法不斷涌現(xiàn)，而利用深層次神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)也得到進(jìn)一步發(fā)展。同時(shí)，機(jī)器學(xué)習(xí)的蓬勃發(fā)展還促進(jìn)了其他分支的出現(xiàn)，例如模式識(shí)別，數(shù)據(jù)挖掘，生物信息學(xué)和自動(dòng)駕駛等等。

3.3機(jī)器學(xué)習(xí)范圍從范圍上來說，機(jī)器學(xué)習(xí)跟模式識(shí)別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘是類似的，同時(shí)，機(jī)器學(xué)習(xí)與其他領(lǐng)域的處理技術(shù)的結(jié)合，形成了計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理等交叉學(xué)科。機(jī)器學(xué)習(xí)范圍機(jī)器學(xué)習(xí)技術(shù)的發(fā)展促使了很多智能領(lǐng)域的進(jìn)步，改善著我們的生活。3.4機(jī)器學(xué)習(xí)方法機(jī)器學(xué)習(xí)可以分為監(jiān)督學(xué)習(xí)（supervisedlearning）、無監(jiān)督學(xué)習(xí)(unsupervisedlearning)、強(qiáng)化學(xué)習(xí)(reinforcementlearning)，同時(shí)隨著人工智能越來越被人們重視，深度學(xué)習(xí)（Deeplearning）也成為機(jī)器學(xué)習(xí)的一個(gè)新的領(lǐng)域。機(jī)器學(xué)習(xí)方法深度學(xué)習(xí)也成為機(jī)器學(xué)習(xí)的新領(lǐng)域。機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)是建立在數(shù)據(jù)建?；A(chǔ)上的，因此，數(shù)據(jù)是進(jìn)行機(jī)器學(xué)習(xí)的基礎(chǔ)?？梢园阉袛?shù)據(jù)的集合稱為數(shù)據(jù)集（dataset），其中每條記錄稱為一個(gè)“樣本”，在面對一個(gè)新樣本時(shí)，可以根據(jù)樣本的不同屬性對樣本進(jìn)行相應(yīng)的分類。為了學(xué)習(xí)到這一模型，相關(guān)研究者提出了不同的策略，這些不同的策略就構(gòu)成了機(jī)器學(xué)習(xí)的方法，常見的有監(jiān)督學(xué)習(xí)，非監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)以及最近興起的深度學(xué)習(xí)。3.5監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)就是在已知的輸入和輸出情況下訓(xùn)練出一個(gè)模型，將輸入映射到輸出。簡單地說，監(jiān)督學(xué)習(xí)就是在訓(xùn)練之前已經(jīng)知道了輸入和輸出，而任務(wù)的建立就是為了組建一個(gè)輸入準(zhǔn)確映射到輸出的模型，當(dāng)模型輸入新的值時(shí)就能預(yù)測出對應(yīng)的輸出。監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)就是在已知的輸入和輸出情況下訓(xùn)練出一個(gè)模型，將輸入映射到輸出。簡單地說，監(jiān)督學(xué)習(xí)就是在訓(xùn)練之前已經(jīng)知道了輸入和輸出，而任務(wù)的建立就是為了組建一個(gè)輸入準(zhǔn)確映射到輸出的模型，當(dāng)模型輸入新的值時(shí)就能預(yù)測出對應(yīng)的輸出。3.5.1K-近鄰算法

K-近鄰算法（K-nearestneighbors，KNN）核心思想就是“站隊(duì)”：給定訓(xùn)練集，對于待分類的樣本點(diǎn)，計(jì)算帶預(yù)測樣本和訓(xùn)練集所有數(shù)據(jù)點(diǎn)的距離，將距離從小到大取前K個(gè)樣本，則哪個(gè)類別在前K個(gè)數(shù)據(jù)點(diǎn)中的數(shù)據(jù)量最多，就認(rèn)為待預(yù)測的樣本屬于該類別?？梢允褂靡痪渲V語來說明：“近朱者赤，近墨者黑?！盞-近鄰算法過程1）計(jì)算測試數(shù)據(jù)與各個(gè)訓(xùn)練數(shù)據(jù)之間的距離；2）按照距離的遞增關(guān)系進(jìn)行排序；3）選取距離最小的K個(gè)點(diǎn)；4）確定前K個(gè)點(diǎn)所在類別的出現(xiàn)頻率；5）返回前K個(gè)點(diǎn)中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預(yù)測分類。K-近鄰算法缺點(diǎn)對參數(shù)的選擇很敏感。當(dāng)選取不同的K值的時(shí)候我們會(huì)得到完全不同的結(jié)果。計(jì)算量特別大，每次分類都需要計(jì)算位置數(shù)據(jù)和所有訓(xùn)練樣本之間的距離，尤其在遇到訓(xùn)練集非常大的情況。3.5.2決策樹決策樹（decisiontree）是基于樹形結(jié)構(gòu)來進(jìn)行決策的，這恰是人類在面臨決策問題時(shí)一種很自然的處理機(jī)制。一棵決策樹一般包含一個(gè)根節(jié)點(diǎn)，讓俺個(gè)內(nèi)部節(jié)點(diǎn)和若干個(gè)葉子結(jié)點(diǎn)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測試，每個(gè)分支代表一個(gè)測試輸出，每個(gè)葉子結(jié)點(diǎn)代表一種類別。決策樹

決策樹學(xué)習(xí)的關(guān)鍵是如何選擇最優(yōu)劃分屬性。一般而言，隨著劃分過程不斷進(jìn)行，我們希望決策樹的分支節(jié)點(diǎn)所包含的樣本盡可能屬于同一類別，即節(jié)點(diǎn)的“純度”越來越高。但經(jīng)典決策樹在存在噪音的情況下，其性能會(huì)出現(xiàn)明顯的下降，這在使用過程中要極為注意。3.5.3支持向量機(jī)支持向量機(jī)（supportvectormachine,SVM）模型是將實(shí)例表示為空間中的點(diǎn)，這樣映射就能使得單獨(dú)類別的實(shí)例被盡可能大地分割開來。然后，將新的實(shí)例映射到同一空間，并基于它們落在間隔的哪一側(cè)來預(yù)測所屬類別，通俗來講，他是一種二類分類模型，支持向量機(jī)支持向量機(jī)支持向量機(jī)支持向量機(jī)

在現(xiàn)實(shí)生活中，我們把這些球叫做data，把線條叫做classifier,找到最大間隙的trick叫做optimization，將球拋向空中叫做kernelling,而那張紙叫做hyperplane。3.6無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)就是不受監(jiān)督的學(xué)習(xí)。無監(jiān)督學(xué)習(xí)不需要人類進(jìn)行數(shù)據(jù)標(biāo)注，而是通過模型不斷地自我認(rèn)知，自我鞏固，最后進(jìn)行自我歸納來實(shí)現(xiàn)其學(xué)習(xí)的過程。雖然目前無監(jiān)督學(xué)習(xí)的使用不如監(jiān)督學(xué)習(xí)廣泛，但這種獨(dú)特的方法論為機(jī)器學(xué)習(xí)的未來發(fā)展方向給出了很多啟發(fā)和可能性，正在引起越來越多的關(guān)注。無監(jiān)督學(xué)習(xí)顧名思義，無監(jiān)督學(xué)習(xí)就是不受監(jiān)督的學(xué)習(xí)。同監(jiān)督學(xué)習(xí)建立在人類標(biāo)注數(shù)據(jù)的基礎(chǔ)上不同，無監(jiān)督學(xué)習(xí)不需要人類進(jìn)行數(shù)據(jù)標(biāo)注，而是通過模型不斷地自我認(rèn)知，自我鞏固，最后進(jìn)行自我歸納來實(shí)現(xiàn)其學(xué)習(xí)的過程。無監(jiān)督學(xué)習(xí)更接近于人類的學(xué)習(xí)方式，常見的無監(jiān)督學(xué)習(xí)方法主要有聚類和降維。3.6.1聚類

俗話說：“物以類聚，人以群分”，在聚類算法中，訓(xùn)練樣本的標(biāo)記信息是未知的，給定一個(gè)由樣本點(diǎn)組成的數(shù)據(jù)及，數(shù)據(jù)聚類的目標(biāo)是通過對無標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律，將樣本點(diǎn)劃分成若干類，使得屬于同一類的樣本點(diǎn)非常相似，而屬于不同類的樣本點(diǎn)不相似。K-均值算法K-均值算法K-均值算法K-均值算法K-均值算法K-均值算法K-均值算法K-均值算法小練習(xí)：從16張撲克牌從隨機(jī)抽取3張作為基數(shù)，然后使用聚類算法對這16張撲克牌進(jìn)行分類，然后換3張作為基數(shù)從新分類，最后再選取5張作為基數(shù)進(jìn)行分類，觀察分類結(jié)果的不同。3.6.2降維

降維（dimensionalityreduction）是將數(shù)據(jù)的維度降低，目的是為了在盡可能保存相關(guān)的結(jié)構(gòu)的同時(shí)降低數(shù)據(jù)的復(fù)雜度。用少數(shù)幾個(gè)新的變量代替原有數(shù)目龐大的變量，把重復(fù)的信息合并起來，既可以降低現(xiàn)有變量的維度，又不會(huì)丟失重要信息的思想，就稱它為“降維”。降維學(xué)生ID數(shù)學(xué)物理化學(xué)語文歷史英語總分1800182869194818151518002517277906767424180036769517168653911800471779389896348218005867880866279471180066997557167784371800768719561100544491800884987865517545118009769692938389529180105892877672974821801157926792589345918012657555617187414180137096549098744823.6.2降維

通常的做法是計(jì)算所有成績的總分來衡量學(xué)生成績的好壞，但是總會(huì)存在一些特殊的學(xué)生，比如表中總分為482的三位學(xué)生，總分相同，各科成績差別很大，那如何去區(qū)分評(píng)價(jià)總分相同的學(xué)生的學(xué)習(xí)表現(xiàn)呢？這時(shí)可以引入方差的概念，即計(jì)算每一個(gè)學(xué)生成績的方差，方差的大小可以表明學(xué)生各科成績的波動(dòng)。因此可以使用一個(gè)二維數(shù)據(jù)（總分，方差）來替代原來的六維數(shù)據(jù)（數(shù)學(xué)，物理，化學(xué)，語文，歷史，英語）來衡量一個(gè)學(xué)生的學(xué)習(xí)表現(xiàn)。3.7強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，是多學(xué)科多領(lǐng)域交叉的一個(gè)產(chǎn)物，它的本質(zhì)是解決decisionmaking問題，即自動(dòng)進(jìn)行決策，并且可以做連續(xù)決策。強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，是多學(xué)科多領(lǐng)域交叉的一個(gè)產(chǎn)物，它的本質(zhì)是解決decisionmaking問題，即自動(dòng)進(jìn)行決策，并且可以做連續(xù)決策。它主要包含四個(gè)元素，agent，環(huán)境狀態(tài)，行動(dòng)，獎(jiǎng)勵(lì),強(qiáng)化學(xué)習(xí)的目標(biāo)就是獲得最多的累計(jì)獎(jiǎng)勵(lì)。著名學(xué)者DavidSilver（AlphaGo的發(fā)明者之一）認(rèn)為，強(qiáng)化學(xué)習(xí)是解決通用人工智能的關(guān)鍵路徑。強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)通常有兩種不同的策略：一種是探索，也就是嘗試不同的事情，看他們是否會(huì)獲得比之前更好的回報(bào)；二是利用，也就是嘗試過去經(jīng)驗(yàn)當(dāng)中最有效的行為?？梢酝ㄟ^旅行商的案例來說明這兩種策略的不同，如圖3-22所示的旅行商行走的路線圖。途中A、B等圓形節(jié)點(diǎn)代表城市；兩個(gè)節(jié)點(diǎn)之間的連線代表兩個(gè)城市之間有路可以行走；線條上的數(shù)字代表行走這條線路所產(chǎn)生的消耗。如果旅行商要從A到F，如何選擇路徑可以是成本消耗最小？強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)如果采用利用策略，從A點(diǎn)出發(fā)可以走的有{B、C、D、E}，按照以往的經(jīng)驗(yàn)，應(yīng)該走D消耗最少，到達(dá)D后可以走的有{B、C、F}，則應(yīng)該選擇消耗最少的F。由于每次都想獲得最少的消耗，所以路線總歸會(huì)是A->D->F，永遠(yuǎn)也不會(huì)知道會(huì)不會(huì)有比這個(gè)消耗更低的路線。如果采用探索策略，則會(huì)在A點(diǎn)不斷的嘗試，看是否會(huì)有消耗更低的路線,最后找到最優(yōu)路線A->C->F,這里第一步A->C就不是第一步消耗最少的線路。這就是探索和利用之間的矛盾，也是強(qiáng)化學(xué)習(xí)要解決的一個(gè)難點(diǎn)問題。3.8機(jī)器學(xué)習(xí)工具常言道“工欲善其事，必先利其器”，在業(yè)務(wù)實(shí)踐中光有理論是不夠的，還需要有合適的工具。由于機(jī)器學(xué)習(xí)算法不同于傳統(tǒng)的數(shù)據(jù)處理，涉及很多復(fù)雜的計(jì)算邏輯并且解決的數(shù)據(jù)量級(jí)通常比較大，所以如何選用合適的機(jī)器學(xué)習(xí)工具也是業(yè)務(wù)解決方案中非常關(guān)鍵的一個(gè)步驟。

機(jī)器學(xué)習(xí)工具3.9機(jī)器學(xué)習(xí)挑戰(zhàn)人工智能（AI）的未來令人充滿期待，但目前卻存在著一些問題，而且往往和道德倫理相關(guān)。機(jī)器學(xué)習(xí)在哪些方面讓人們感到震驚？人類能騙過一臺(tái)機(jī)器嗎？如果能，難度有多大？《終結(jié)者》里的Skynet（天網(wǎng)）和機(jī)器人會(huì)真的出現(xiàn)在現(xiàn)實(shí)生活中嗎？強(qiáng)人工智能VS弱人工智能

強(qiáng)人工智能是一種有思考能力、有自我意識(shí)的假想機(jī)器，不僅能處理有針對性的任務(wù)，還可以學(xué)習(xí)新事物。弱人工智能目前已經(jīng)存在，具體應(yīng)用于解決特定問題，如圖像識(shí)別、汽車駕駛、下圍棋等。弱人工智能有時(shí)候也狹義的稱之為“機(jī)器學(xué)習(xí)”。目前我們還不知道是否能發(fā)明出強(qiáng)人工智能。目前還不清楚什么時(shí)候才能開發(fā)出強(qiáng)人工智能，但弱人工智能已經(jīng)出現(xiàn)，并在許多領(lǐng)域進(jìn)行應(yīng)用。機(jī)器學(xué)習(xí)挑戰(zhàn)我們?nèi)绻虝?huì)一支無人機(jī)部隊(duì)使用機(jī)器學(xué)習(xí)來殺人，這符合道德嗎？不良企圖醫(yī)療機(jī)器人選擇最貴的治療方案而不是最優(yōu)的。忽略道德倫理請?jiān)谕扑]系統(tǒng)的影響下，人類已經(jīng)慢慢的失去了自己選擇的主動(dòng)權(quán)和選擇的意識(shí)。機(jī)器學(xué)習(xí)改變?nèi)祟惤虝?huì)了機(jī)器人說臟話和發(fā)誓；病毒文件欺騙殺毒軟件。污染毒化數(shù)據(jù)THANKS人工智能導(dǎo)論人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)人工智能導(dǎo)論作為機(jī)器學(xué)習(xí)的一種重要技術(shù)，人工神經(jīng)網(wǎng)絡(luò)是一個(gè)形式上非常簡單，但分類功能非常強(qiáng)大的機(jī)器學(xué)習(xí)工具。無論是在計(jì)算機(jī)科學(xué)、通信、生物統(tǒng)計(jì)和醫(yī)學(xué)，還是在金融和經(jīng)濟(jì)學(xué)（包括股市預(yù)測）中，大多數(shù)與“智能”有點(diǎn)關(guān)系的問題，都可以歸結(jié)為一個(gè)在多維空間進(jìn)行模式分類的問題，而這些正是人工神經(jīng)網(wǎng)絡(luò)所擅長的模式分類。隨著計(jì)算機(jī)計(jì)算能力的提高和大數(shù)據(jù)時(shí)代的來臨，對人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了一個(gè)嶄新的時(shí)代，深度學(xué)習(xí)大概念被提出。深度學(xué)習(xí)的核心理念是通過增加網(wǎng)絡(luò)的層數(shù)來讓機(jī)器自動(dòng)地從數(shù)據(jù)中進(jìn)行學(xué)習(xí)，可以憑借無標(biāo)簽的數(shù)據(jù)進(jìn)行學(xué)習(xí)，而不需要依賴于監(jiān)督信息的支撐。目前，深度學(xué)習(xí)的研究和應(yīng)用如火如荼，其成果也成為AI領(lǐng)域關(guān)注的的焦點(diǎn)。本章內(nèi)容4.14.24.34.4神經(jīng)網(wǎng)絡(luò)發(fā)展概況神經(jīng)元人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)發(fā)展概況眾所周知，人腦是由幾十多億個(gè)高度互聯(lián)的神經(jīng)元組成的復(fù)雜生物網(wǎng)絡(luò)，也是人類分析、聯(lián)想、記憶和邏輯推理等能力的來源。模擬人腦中信息存儲(chǔ)和處理的基本單元——神經(jīng)元而組成的人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)與自組織等智能行為，能夠使機(jī)器具有一定程度上的智能水平。借助現(xiàn)代計(jì)算機(jī)計(jì)算能力的提升,卷積神經(jīng)網(wǎng)絡(luò)CNN將神經(jīng)網(wǎng)絡(luò)推向第三次發(fā)展高潮21世紀(jì)初Hopfield神經(jīng)網(wǎng)絡(luò)、Kohonen神經(jīng)網(wǎng)絡(luò)等的出現(xiàn),特別是BP網(wǎng)絡(luò)及算法的提出,將神經(jīng)網(wǎng)絡(luò)推向第二次發(fā)展高潮20世紀(jì)80年代由于各種預(yù)言的失敗,研究經(jīng)費(fèi)被大量削減甚至取消,人工智能進(jìn)入被稱為“AIWinter”的人工智能之冬20世紀(jì)60年代這里添加標(biāo)題人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況M-P神經(jīng)元和Hebb學(xué)習(xí)規(guī)則20世紀(jì)40年代Hodykin-Huxley方程感知器模型與自適應(yīng)濾波器20世紀(jì)50年代自組織映射網(wǎng)絡(luò)、神經(jīng)認(rèn)知機(jī)、自適應(yīng)共振網(wǎng)絡(luò)20世紀(jì)60年代人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況目前模擬人腦復(fù)雜的層次化認(rèn)知特點(diǎn)的深度學(xué)習(xí)已經(jīng)成為類腦智能中的一個(gè)重要研究方向。通過增加網(wǎng)絡(luò)層數(shù)所構(gòu)造的“深層神經(jīng)網(wǎng)絡(luò)”使機(jī)器能夠獲得“抽象概念”能力，在諸多領(lǐng)域都取得了巨大的成功，又掀起了神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用的一個(gè)新高潮。神經(jīng)元神經(jīng)元生物神經(jīng)元結(jié)構(gòu)神經(jīng)元人工神經(jīng)元神經(jīng)元感知機(jī)1958年，Rosenblatt等人以M-P模型為基礎(chǔ)，成功研制出了名為MarkI的感知機(jī)（Perceptron），這是歷史上首個(gè)將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能用于模式識(shí)別的裝置，標(biāo)志著神經(jīng)網(wǎng)絡(luò)進(jìn)入了新的發(fā)展階段。簡單來說，感知機(jī)就是最早的神經(jīng)元模型。感知機(jī)是一個(gè)二分類的線性分類模型，是最早的監(jiān)督式訓(xùn)練算法，也是神經(jīng)網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)。感知機(jī)一定能將線性可分的數(shù)據(jù)集分開，所謂線性可分是：在二維平面上，線性可分意味著能用一條線將正負(fù)樣本分開；在三維空間中，線性可分意味著能用一個(gè)平面將正負(fù)樣本分開。因此，通過感知器就可以對新的實(shí)例實(shí)現(xiàn)準(zhǔn)確預(yù)測。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（Artificialneuralnetwork，簡稱ANN）是一個(gè)用大量簡單處理單元經(jīng)廣泛連接而組成的人工網(wǎng)絡(luò)，用以進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)特點(diǎn)高度的并行性高度的非線性全局作用良好的自適應(yīng)、自學(xué)習(xí)功能人工神經(jīng)網(wǎng)絡(luò)有很多同樣的簡單處理單元并聯(lián)組合而成，盡管每一個(gè)神經(jīng)元的功能簡單，但大量簡單神經(jīng)元并行處理能力和效果，卻十分驚人。人工神經(jīng)網(wǎng)絡(luò)每一個(gè)神經(jīng)元接受大量其它神經(jīng)元的輸入，并通過并行網(wǎng)絡(luò)產(chǎn)生輸出，影響其它神經(jīng)元，網(wǎng)絡(luò)之間的這樣的互相制約和互相影響，實(shí)現(xiàn)了從輸入狀態(tài)到輸出狀態(tài)空間的非線性映射，從全局的觀點(diǎn)來看，網(wǎng)絡(luò)總體性能不是網(wǎng)絡(luò)局部性能的疊加，而表現(xiàn)出某種集體性的行為。人工神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)訓(xùn)練獲得網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)，呈現(xiàn)出非常強(qiáng)的自學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力。這種自適應(yīng)性依據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入和輸出之間的內(nèi)在關(guān)系，從而求取問題的解，而不是依據(jù)對問題的經(jīng)驗(yàn)知識(shí)和規(guī)則。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)所有結(jié)點(diǎn)都是分層的，每一層結(jié)點(diǎn)都可以通過有向弧指向下一層結(jié)點(diǎn)，但是同一層結(jié)點(diǎn)之間沒有弧互相連接，而且每一個(gè)結(jié)點(diǎn)不能越過下一層連接到下下層的結(jié)點(diǎn)上。每一條弧上有一個(gè)值，稱為權(quán)重或者權(quán)值。根據(jù)這些值，可以用一個(gè)非常簡單的公式算出它們所指向結(jié)點(diǎn)的值，比如結(jié)點(diǎn)Y1的值取決于X1和X2的值，以及相應(yīng)有向弧上的權(quán)值W11和W21。雖然這里只畫了三層結(jié)點(diǎn)，但是在理論上，人工神經(jīng)網(wǎng)絡(luò)的層數(shù)可以是任意的。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)（1）監(jiān)督式學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)利用一套輸入-輸出對進(jìn)行訓(xùn)練。其目的是教會(huì)網(wǎng)絡(luò)從給定的信息輸入中識(shí)別出目標(biāo)輸出。針對訓(xùn)練集合中每一個(gè)樣例數(shù)據(jù)，網(wǎng)絡(luò)接收一個(gè)輸入，產(chǎn)生一個(gè)實(shí)際輸出。每一次訓(xùn)練后，網(wǎng)絡(luò)比對實(shí)際輸出和目標(biāo)輸出，通過微調(diào)相關(guān)權(quán)重值來糾正輸出差異，直到實(shí)際輸出結(jié)果與目標(biāo)結(jié)果足夠相近，或者網(wǎng)絡(luò)已經(jīng)無法再改進(jìn)其輸出結(jié)果。（2）無監(jiān)督式學(xué)習(xí)有別于監(jiān)督式學(xué)習(xí)，無監(jiān)督式學(xué)習(xí)在學(xué)習(xí)時(shí)并不了解其分類結(jié)果是否正確，也就是說，沒有受到監(jiān)督式增強(qiáng)。對無監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)提供輸入數(shù)據(jù)，網(wǎng)絡(luò)自動(dòng)從輸入數(shù)據(jù)中識(shí)別出潛在模式、規(guī)則。當(dāng)學(xué)習(xí)完畢并經(jīng)過測試后，這些模式規(guī)則可以應(yīng)用到新的應(yīng)用案例上。在人工神經(jīng)網(wǎng)絡(luò)中，生成對抗網(wǎng)絡(luò)（GAN）、自組織映射（SOM）和適應(yīng)性共振理論（ART）是最常用的無監(jiān)督式學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，根據(jù)Kolmogorov（柯爾莫哥洛夫）定理，一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)就可以逼近一個(gè)任意給定的連續(xù)函數(shù)f。但對多層BP神經(jīng)網(wǎng)絡(luò)，如何合理地選取BP網(wǎng)絡(luò)的隱層數(shù)及隱層的節(jié)點(diǎn)數(shù)，目前尚無有效的理論和方法。人工神經(jīng)網(wǎng)絡(luò)BP算法人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)應(yīng)用圖像和物體識(shí)別電子游戲語音生成和識(shí)別藝術(shù)和風(fēng)格的模仿預(yù)測網(wǎng)站設(shè)計(jì)修改深度學(xué)習(xí)隨著人工神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用的深入，網(wǎng)絡(luò)的層數(shù)也在不斷地增多，從而形成有多個(gè)隱層的深度神經(jīng)網(wǎng)絡(luò)，依賴深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)被稱為深度學(xué)習(xí)。深度學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)人人工智能到深度學(xué)習(xí)的完整聯(lián)系圖人工智能到深度學(xué)習(xí)的完整聯(lián)系圖深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNN)在圖像處理方面表現(xiàn)十分出色。CNN基本包括輸入層、卷積層、池化層(也稱為取樣層)、全連接層及輸出層。卷積層和池化層一般會(huì)有若干個(gè)，并交替設(shè)置，即一個(gè)卷積層連接一個(gè)池化層，池化層后再連接一個(gè)卷積層。深度學(xué)習(xí)CNN工作過程（1）問題假設(shè)給定一張圖（可能是字母X或者字母O），通過CNN即可識(shí)別出是X還是O深度學(xué)習(xí)CNN工作過程（2）圖像輸入每個(gè)神經(jīng)元其實(shí)沒有必要對全局圖像進(jìn)行感知，只需要對局部進(jìn)行感知，然后在更高層將局部的信息綜合起來就得到了全局的信息。這種模式就是卷積神經(jīng)網(wǎng)絡(luò)中降低參數(shù)數(shù)目的重要神器：局部感受野深度學(xué)習(xí)CNN工作過程（3）特征提取如果字母X、字母O是固定不變的，那么最簡單的方式就是圖像之間的像素一一比對就行，但在現(xiàn)實(shí)生活中，字體都有著各個(gè)形態(tài)上的變化（例如手寫文字識(shí)別），例如平移、縮放、旋轉(zhuǎn)、微變形等等深度學(xué)習(xí)CNN工作過程（4）卷積當(dāng)給定一張新圖時(shí)，CNN并不能準(zhǔn)確地知道這些特征到底要匹配原圖的哪些部分，所以它會(huì)在原圖中把每一個(gè)可能的位置都進(jìn)行嘗試，相當(dāng)于把這個(gè)feature（特征）變成了一個(gè)過濾器。這個(gè)用來匹配的過程就被稱為卷積操作，這也是卷積神經(jīng)網(wǎng)絡(luò)名字的由來。深度學(xué)習(xí)CNN工作過程（5）池化為了有效地減少計(jì)算量，CNN使用的另一個(gè)有效的工具被稱為“池化(Pooling)”。池化就是將輸入圖像進(jìn)行縮小，減少像素信息，只保留重要信息。深度學(xué)習(xí)CNN工作過程（6）激活函數(shù)常用的激活函數(shù)有sigmoid、tanh、relu等等，前兩者sigmoid/tanh比較常見于全連接層，后者ReLU常見于卷積層。深度學(xué)習(xí)CNN工作過程（7）深度神經(jīng)網(wǎng)絡(luò)通過將上面所提到的卷積、激活函數(shù)、池化組合在一起，然后再加大網(wǎng)絡(luò)的深度，增加更多的層，就得到了深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)CNN工作過程（8）全連接層全連接層在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中起到“分類器”的作用，即通過卷積、激活函數(shù)、池化等深度網(wǎng)絡(luò)后，再經(jīng)過全連接層對結(jié)果進(jìn)行識(shí)別分類。深度學(xué)習(xí)深度學(xué)習(xí)應(yīng)用根據(jù)輸入和輸出的不同,可以把深度學(xué)習(xí)的應(yīng)用分為四種情況THANKS人工智能導(dǎo)論智能識(shí)別人工智能導(dǎo)論5.1計(jì)算機(jī)視覺人類理解世界，最重要的感官之一是視覺，通過眼睛觀察事物和捕捉信息，人類從外界獲得的信息約有75％來自視覺系統(tǒng)。同樣，計(jì)算機(jī)視覺也是一雙“眼睛”，通過它，計(jì)算機(jī)可以識(shí)別物體、運(yùn)動(dòng)分析、姿態(tài)估計(jì)等。圖像視頻識(shí)別第一部分第二部分第三部分計(jì)算機(jī)視覺技術(shù)簡介計(jì)算機(jī)視覺技術(shù)的工作原理計(jì)算機(jī)視覺的相關(guān)學(xué)科計(jì)算機(jī)視覺計(jì)算機(jī)視覺技術(shù)簡介計(jì)算機(jī)視覺系統(tǒng)計(jì)算機(jī)視覺(ComputerVision,CV)是一門研究計(jì)算機(jī)如何用“眼”的科學(xué)，即對人類視覺的模擬。具體來說，讓計(jì)算機(jī)具有對周圍世界的空間物體進(jìn)行傳感、抽象、判斷的能力，從而達(dá)到識(shí)別、理解的目的。一般的計(jì)算機(jī)視覺系統(tǒng)具體實(shí)現(xiàn)分為３個(gè)階段。計(jì)算機(jī)視覺系統(tǒng)計(jì)算機(jī)視覺系統(tǒng)實(shí)現(xiàn)過程計(jì)算機(jī)視覺應(yīng)用領(lǐng)域計(jì)算機(jī)視覺是一門綜合性的學(xué)科，已經(jīng)應(yīng)用在制造業(yè)、工業(yè)檢驗(yàn)、文檔分析、醫(yī)療診斷、軍事目標(biāo)跟蹤、自主導(dǎo)航等系統(tǒng)當(dāng)中。計(jì)算機(jī)視覺技術(shù)的應(yīng)用領(lǐng)域

計(jì)算機(jī)視覺技術(shù)的工作原理計(jì)算機(jī)視覺主要目標(biāo)計(jì)算機(jī)視覺的主要目標(biāo)就是用計(jì)算機(jī)模擬實(shí)現(xiàn)人類的視覺功能，使計(jì)算機(jī)能像人類一樣觀察并理解世界，具備自主適應(yīng)環(huán)境的能力。但是要達(dá)到這個(gè)目標(biāo)，還需要很長的時(shí)間去努力。比如，計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用領(lǐng)域就是自主車輛的視覺導(dǎo)航，還沒有條件實(shí)現(xiàn)像人那樣能識(shí)別和理解任何環(huán)境，完成自主導(dǎo)航的系統(tǒng)，所以實(shí)現(xiàn)在高速公路上具有道路跟蹤能力，可避免與前方車輛碰撞的視覺輔助駕駛系統(tǒng)成為中期研究目標(biāo)。計(jì)算機(jī)視覺工作原理計(jì)算機(jī)視覺的工作原理就是對事物進(jìn)行圖片或者視頻采集、預(yù)處理和高級(jí)處理的過程，即借助攝影機(jī)和計(jì)算機(jī)的識(shí)別、追蹤、測量、感知等方法來捕捉目標(biāo)對象，在此基礎(chǔ)上進(jìn)行圖像信息處理，使計(jì)算機(jī)處理后的圖像更加適合人眼觀察或者傳輸給儀器進(jìn)行檢測等高級(jí)處理。計(jì)算機(jī)視覺工作原理計(jì)算機(jī)視覺技術(shù)的工作原理計(jì)算機(jī)視覺的相關(guān)學(xué)科圖像處理圖像處理通常是把一幅圖像變換成另外一幅圖像，也就是說，圖像處理系統(tǒng)的輸入是圖像，輸出仍然是圖像，信息恢復(fù)任務(wù)則留給人來完成，與計(jì)算機(jī)視覺有相同的目標(biāo)。計(jì)算機(jī)圖形學(xué)通過幾何基元，如線、圓和自由曲面，來生成圖像，它在可視化（Visualization）和虛擬現(xiàn)實(shí)(VirtualReality）中起著很重要的作用。計(jì)算機(jī)視覺正好是解決相反的問題，即從圖像中估計(jì)幾何基元和其它特征。因此，計(jì)算機(jī)圖形學(xué)屬于圖像綜合，計(jì)算機(jī)視覺屬于圖像分析。模式識(shí)別模式一般指一類事物區(qū)別于其它事物所具有的共同特征，圖像就是模式的一種。人工智能（AI）涉及到智能系統(tǒng)的設(shè)計(jì)和智能計(jì)算的研究，在經(jīng)過圖像處理和圖像特征提取過程后，接下來要用人工智能方法對場景特征進(jìn)行表示，并分析和理解場景。視覺功能就是人類智能的體現(xiàn)。神經(jīng)生理學(xué)與認(rèn)知科學(xué)將人類視覺作為主要的研究對象，計(jì)算機(jī)視覺中已有的許多方法與人類視覺極為相似，許多計(jì)算機(jī)視覺研究者對研究人類視覺計(jì)算模型比研究計(jì)算機(jī)視覺系統(tǒng)更感興趣，希望計(jì)算機(jī)視覺更加自然化，更加接近生物視覺。5.2圖像視頻識(shí)別在日常生活中，圖像視頻對人類來說并不陌生，它是對客觀存在的物體對象進(jìn)行生動(dòng)的描述。圖像視頻識(shí)別技術(shù)是在20世紀(jì)50年代后期開始現(xiàn)代的研究，經(jīng)過半個(gè)世紀(jì)的發(fā)展，已成為人工智能的一個(gè)重要領(lǐng)域。計(jì)算機(jī)視覺第一部分第二部分第三部分圖像的分類圖像的表示與描述圖像處理的方法第四部分圖像視頻識(shí)別的應(yīng)用領(lǐng)域圖像視頻識(shí)別圖像的分類按圖像亮度等級(jí)分類（1）二值圖像：圖像上的像素只有黑、白兩種灰度等級(jí)。（2）灰度圖像：從黑到白一般有256種灰度等級(jí)的圖像。二值圖像灰度圖像按圖像色彩特征分類（1）黑白圖像：只有黑色與白色兩種顏色的圖像。（2）彩色圖像：每個(gè)像素通常是由紅（R）、綠（G）、藍(lán)（B）三個(gè)分量來構(gòu)成現(xiàn)實(shí)中的彩色信息，分量介于（0，255）。黑白圖像彩色圖像按圖像時(shí)間變換分類（1）活動(dòng)圖像：隨著時(shí)間變化的動(dòng)態(tài)圖像。（2）靜止圖像：不隨時(shí)間變化的靜止圖片?；顒?dòng)圖像靜止圖像按圖像空間關(guān)系分類（1）二維圖像：平面圖像。（2）三維圖像：立體圖像。二維圖像三維圖像圖像的表示與描述圖像的表示與描述圖像的表示與描述方法種類繁多，人眼所看到的圖像是由于光線照射在圖像上并經(jīng)過漫反射作用映入眼睛中成像，可以數(shù)字化公式描述為I=f(x,y,z,λ,t)，其中，x、y、z是描述空間的位置，λ為波長，t為時(shí)間。若圖像是靜止的灰度圖，就可以描述為I=f(x,y)。圖像描述方法圖像處理的方法圖像的增強(qiáng)圖像增強(qiáng)是通過調(diào)整對比度改善圖像的質(zhì)量和突出顯示的視覺效果。處理前的效果處理后的效果圖像的光滑圖像光滑是通過對圖像去噪聲處理，即去除實(shí)際成像過程中因成像設(shè)備和環(huán)境所造成的圖像失真，提取有用信息。處理前的效果處理后的效果圖像的數(shù)據(jù)編碼和傳輸圖像數(shù)據(jù)編碼使通過改變圖像的表示域和表示數(shù)據(jù)進(jìn)行編碼，簡化處理問題、利于特征提取、加強(qiáng)圖像信息理解、便于傳輸。處理前的效果處理后的效果邊緣銳化圖像邊緣銳化主要是加強(qiáng)圖像中的輪廓邊緣和細(xì)節(jié)，形成完整的物體邊界。處理前的效果處理后的效果圖像的分割圖像分割是通過將圖像中有意義的特征部分提取出來，包括圖像的邊緣、區(qū)域等。處理前的效果處理后的效果圖像的理解與分析圖像分析是利用數(shù)學(xué)模型對圖像中感興趣的目標(biāo)特征進(jìn)行檢測和測量，以獲得客觀智能性信息，從而建立對圖像的描述。而圖像理解是對圖像的語義理解，屬于高層操作，是在圖像分析的基礎(chǔ)上，進(jìn)一步研究圖像中各目標(biāo)的性質(zhì)及其之間的相互聯(lián)系，并得出對圖像內(nèi)容含義的理解以及對原來客觀場景的解釋，進(jìn)而指導(dǎo)和規(guī)劃行動(dòng)。圖像視頻識(shí)別的應(yīng)用領(lǐng)域圖像視頻識(shí)別的應(yīng)用領(lǐng)域隨著人類活動(dòng)范圍的不斷擴(kuò)大，圖像視頻識(shí)別的應(yīng)用領(lǐng)域涉及人類生活和工作的方方面面，也隨之不斷擴(kuò)大。圖像視頻識(shí)別應(yīng)用領(lǐng)域5.3模式識(shí)別在日常生活中，人們對植物、動(dòng)物及各種食物的區(qū)分過程就是在進(jìn)行“模式識(shí)別”，隨著計(jì)算機(jī)的出現(xiàn)及人工智能的興起，人們希望能用計(jì)算機(jī)來擴(kuò)展或代替人類的部分腦力勞動(dòng)，用機(jī)器實(shí)現(xiàn)模式識(shí)別的過程于20世紀(jì)20年代誕生，于60年代初迅速發(fā)展成人工智能領(lǐng)域的一個(gè)重要分支。計(jì)算機(jī)視覺第一部分第二部分第三部分模式識(shí)別基本概念模式識(shí)別的發(fā)展歷程模式識(shí)別的主要方法第四部分模式識(shí)別的典型應(yīng)用圖像視頻識(shí)別模式識(shí)別基本概念模式人類能觀察到的事物都具有一些屬性特征，而事物間的差異也就表現(xiàn)在這些特征的差異上。廣義地說，若可以區(qū)別存在于時(shí)間和空間中的對象是否相同或相似，就可以稱之為模式；狹義地說，模式是通過對具體事物進(jìn)行觀察所得到的時(shí)間和空間分布的特征信息，并且這些信息能夠表征或者刻畫被識(shí)別事物的類屬特征。模式類模式類，顧名思義，具有相似特征的模式的集合就稱之為模式類。不同的模式類之間應(yīng)該有明確的界線，但在實(shí)際的樣本中，往往不能對它們進(jìn)行確切的劃分。比如，在癌癥初期，癌細(xì)胞與正常細(xì)胞的界線是含糊的。模式識(shí)別識(shí)別就是對事物或現(xiàn)象進(jìn)行分析、描述和判斷。模式識(shí)別是指根據(jù)對象的表征特性，通過一定的量度或者觀測，把待識(shí)別的對象劃分到自己的模式類中。人們所具有的認(rèn)識(shí)事物的功能就是模式識(shí)別，比如，人們見到木屋和別墅，會(huì)分辨出類名——房子。模式識(shí)別系統(tǒng)模式識(shí)別的主要目的是如何利用計(jì)算機(jī)對樣本進(jìn)行分類，一個(gè)典型的模式識(shí)別系統(tǒng)包括數(shù)據(jù)獲取、預(yù)處理、特征提取和選擇、分類器設(shè)計(jì)及分類決策。模式識(shí)別系統(tǒng)組成模式識(shí)別的發(fā)展歷程模式識(shí)別的發(fā)展歷程Tauschek在1929年發(fā)明的閱讀機(jī)能夠閱讀0-9數(shù)字，標(biāo)志著模式識(shí)別技術(shù)的誕生。這些年來，模式識(shí)別研究主要集中在兩個(gè)方面：一是認(rèn)識(shí)科學(xué)的范疇——研究生物體如何感知對象；二是在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。模式識(shí)別的發(fā)展歷程模式識(shí)別發(fā)展經(jīng)歷模式識(shí)別的主要方法統(tǒng)計(jì)決策法統(tǒng)計(jì)統(tǒng)計(jì)決策理論是模式分類問題的基本理論之一，是決策者按統(tǒng)計(jì)規(guī)律掌握決策結(jié)果概率的一種方法，而貝葉斯決策理論是統(tǒng)計(jì)決策理論中的一個(gè)基本方法。模式識(shí)別的目標(biāo)是把樣本分到哪一類最合理，采用不同的標(biāo)準(zhǔn)會(huì)得到不同意義下的“最優(yōu)”的決策，貝葉斯決策就是在不完全情報(bào)下，對部分未知的狀態(tài)采用主觀概率估計(jì)，用貝葉斯公式對發(fā)生概率進(jìn)行修正，最后再利用期望值和修正概率做出最優(yōu)決策。結(jié)構(gòu)模式識(shí)別結(jié)構(gòu)模式識(shí)別又稱句法模式識(shí)別，它采用一些比較簡單的子模式組成多級(jí)結(jié)構(gòu)來描述一個(gè)復(fù)雜模式，先將模式分為子模式，子模式又分為更簡單的子模式，依次分解，直至在某個(gè)研究水平上不再需要細(xì)分。最后一級(jí)最簡單的子模式稱為模式基元，識(shí)別模式基元比識(shí)別原模式要簡單得多。結(jié)構(gòu)模式識(shí)別主要突出模式的結(jié)構(gòu)信息，常用于以結(jié)構(gòu)特征為主的目標(biāo)識(shí)別中，比如指紋、染色體和漢字識(shí)別等。模糊模式識(shí)別在實(shí)際生活中，由于客觀事物本身的模糊性，加上人們對客觀事物的反映過程也會(huì)產(chǎn)生模糊性，使經(jīng)典的識(shí)別方法已不適應(yīng)客觀實(shí)際的要求，所以，模式識(shí)別與模糊數(shù)學(xué)關(guān)系很緊密。比如，學(xué)生的百分制成績鑒定為優(yōu)、良、中、差，利用模糊模式識(shí)別中的直接方法——最大隸屬原則就可以完成分類。人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別可以看作是對原始特征空間進(jìn)行非線性變換，產(chǎn)生一個(gè)新的樣本空間，使得變換后的特征線性可分，與傳統(tǒng)統(tǒng)計(jì)方法相比，其分類器是與概率分布無關(guān)的。人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別的基本方法是：首先用已知樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使之對不同類別的已知樣本給出所希望的不同輸出，然后用該網(wǎng)絡(luò)識(shí)別未知的樣本，根據(jù)各樣本所對應(yīng)的網(wǎng)絡(luò)輸出情況來劃分未知樣本的類別。模式識(shí)別的典型應(yīng)用模式識(shí)別的發(fā)展歷程模式識(shí)別技術(shù)從20世紀(jì)20年代發(fā)展至今，已經(jīng)廣泛應(yīng)用于人工智能、計(jì)算機(jī)工程、機(jī)器學(xué)、神經(jīng)生物學(xué)、醫(yī)學(xué)、偵探學(xué)等重要領(lǐng)域。模式識(shí)別的典型應(yīng)用5.4語音識(shí)別語音是人類之間最有效、最方便的通信方式，而與機(jī)器交流，讓機(jī)器明白人們在說什么，是人類長期以來夢寐以求的事情。語音識(shí)別技術(shù)，也被稱為自動(dòng)語音識(shí)別（AutomaticSpeechRecognition，ASR）技術(shù)，是從20世紀(jì)50年代才興起的一門計(jì)算機(jī)智能技術(shù)，主要研究目的是讓計(jì)算機(jī)“聽懂”人類語言，實(shí)現(xiàn)人機(jī)自然語言交流的和諧環(huán)境。計(jì)算機(jī)視覺第一部分第二部分第三部分語音識(shí)別技術(shù)簡介語音識(shí)別的基本原理語音識(shí)別的技術(shù)分類第四部分語音識(shí)別的典型應(yīng)用語音識(shí)別語音識(shí)別技術(shù)簡介語音識(shí)別涉及學(xué)科領(lǐng)域語音識(shí)別涉及學(xué)科語音識(shí)別系統(tǒng)計(jì)算機(jī)語音識(shí)別過程與人對語音識(shí)別處理過程基本一致，目前主流的語音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式識(shí)別的基本理論，一個(gè)完整的語音識(shí)別系統(tǒng)大致分為3個(gè)部分。語音識(shí)別系統(tǒng)語音識(shí)別的基本原理語音識(shí)別的基本原理語音識(shí)別技術(shù)就是將人講話發(fā)出的語音通信聲波轉(zhuǎn)換成一種能夠表達(dá)通信消息的符號(hào)序列，這些符號(hào)可以是識(shí)別系統(tǒng)的詞匯本身，也可以是識(shí)別系統(tǒng)詞匯的組成單元。語音識(shí)別原理框圖語音識(shí)別的技術(shù)分類語音識(shí)別的技術(shù)分類語音識(shí)別按照不同的角度有不同的分類方法。語音識(shí)別技術(shù)分類語音識(shí)別的典型應(yīng)用語音識(shí)別的典型應(yīng)用語音識(shí)別技術(shù)的優(yōu)點(diǎn)是系統(tǒng)的成本低廉，且說話是很自然的一件事，所以，語音識(shí)別是使用者很容易接受的自然手段，語音識(shí)別技術(shù)應(yīng)用領(lǐng)域也很廣泛。語音識(shí)別應(yīng)用領(lǐng)域5.5生物特征識(shí)別隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展，在現(xiàn)代社會(huì)活動(dòng)中，信息安全、金融交易、城市安防等領(lǐng)域?qū)€(gè)人身份識(shí)別和驗(yàn)證要求越來越重視。傳統(tǒng)的身份認(rèn)證已經(jīng)越來越難以滿足現(xiàn)代安防需求，生物特征識(shí)別技術(shù)采用人體生理特征以及行為特征進(jìn)行身份確認(rèn)，是目前最為方便與安全的識(shí)別技術(shù)。計(jì)算機(jī)視覺第一部分第二部分第三部分生物特征識(shí)別技術(shù)簡介基于生理特征的識(shí)別基于行為特征的識(shí)別第四部分多模態(tài)生物特征識(shí)別生物特征識(shí)別生物特征識(shí)別技術(shù)簡介生物特征識(shí)別技術(shù)生物特征識(shí)別技術(shù)，就是通過人類固有的生理特征以及行為特征來進(jìn)行身份認(rèn)證與鑒別的一種技術(shù)。一般用于生物特征識(shí)別的生理特征或行為特征具有普遍性、唯一性、穩(wěn)定性、可采集性等特點(diǎn)，目前比較成熟的方式主要有指紋識(shí)別、掌紋識(shí)別、虹膜識(shí)別、人臉識(shí)別、聲紋識(shí)別等。生物特征識(shí)別基本原理生物特征識(shí)別技術(shù)主要是獲取生物特征后將其轉(zhuǎn)換為數(shù)字信息存儲(chǔ)于計(jì)算機(jī)中，再用匹配算法來完成身份認(rèn)證與鑒別的過程。生物特征識(shí)別技術(shù)的原理基于生理特征的識(shí)別指紋識(shí)別在古代，指紋就被用來簽字畫押，因?yàn)橥蝗说氖钢讣y及不同人之間的指紋都具有明顯的區(qū)別，并且指紋具有終身不變的特性，所以指紋可用于鑒別個(gè)體，證明身份。指紋識(shí)別在出入境控制、考勤、門禁、家居等方面已廣泛應(yīng)用。掌紋識(shí)別人的手掌在一定年齡之后就不再發(fā)生顯著變化，并且每個(gè)人手掌的形狀、表面的紋理或紋線都不同，當(dāng)用戶的手放在手形讀取器上時(shí)，掌紋就會(huì)被捕捉，利用高效的掌紋表示和匹配方法進(jìn)行識(shí)別。目前掌紋識(shí)別在各種生物特征識(shí)別應(yīng)用份額中占很小的部分。虹膜識(shí)別虹膜是位于人眼表面白色鞏膜和黑色瞳孔之間的圓環(huán)狀區(qū)域，約占總面積的65%，在紅外光下呈現(xiàn)豐富的紋理信息。每個(gè)人都有虹膜，并且虹膜是遺傳基因決定形成的，每個(gè)人的虹膜都是獨(dú)一無二的，所以在身份標(biāo)識(shí)方面應(yīng)用廣泛。目前主要應(yīng)用于金融交易、銀行保險(xiǎn)、家庭門禁、單位考勤等領(lǐng)域。視網(wǎng)膜識(shí)別視網(wǎng)膜是位于眼球后部的血液細(xì)胞層，周圍分布的血管形態(tài)因人而異，由于視網(wǎng)膜在眼睛的內(nèi)部，具有很好的保密性和防偽造性能，并且不易磨損、老化，非常穩(wěn)定，所以可以用于個(gè)體鑒別。目前視網(wǎng)膜識(shí)別由于采集設(shè)備價(jià)格高昂，并且獲取圖像時(shí)需要受檢測人員的高度配合，所以在普遍推廣上具有一定的難度。人臉識(shí)別人臉識(shí)別是通過采集到的面部特征來進(jìn)行身份鑒別的過程，最直觀的人臉識(shí)別問題可以描述為比較兩張人臉圖像，通過一些核心點(diǎn)來判定它們是否屬于同一個(gè)人。人臉識(shí)別技術(shù)的吸引力在于它能夠人機(jī)交互，可以使用非接觸式傳感器在遠(yuǎn)距離情況下采集。目前人臉識(shí)別在刑偵、監(jiān)控、娛樂、金融、安防等領(lǐng)域有廣泛的應(yīng)用。DNA識(shí)別DNA是人體內(nèi)的遺傳物質(zhì)，在整個(gè)人類范圍內(nèi)具有惟一性和永久性。DNA識(shí)別是根據(jù)人體細(xì)胞中的DNA分子結(jié)構(gòu)來進(jìn)行個(gè)體鑒別的過程，但DNA的獲取需要受檢測人員的主動(dòng)配合，并且不能實(shí)時(shí)進(jìn)行鑒別，所以目前尚不能普遍應(yīng)用?；谛袨樘卣鞯淖R(shí)別步態(tài)識(shí)別步態(tài)識(shí)別是一種較新的生物特征識(shí)別技術(shù)，它是通過人的走路方式來識(shí)別人的身份的方法。步態(tài)是一種復(fù)雜的行為特征，指人們行走時(shí)的方式。罪犯或許會(huì)給自己化裝，不讓自己身上的哪怕一根毛發(fā)掉在作案現(xiàn)場，但他們很難控制自己走路的姿勢。由于步態(tài)識(shí)別的輸入是一段行走的視頻圖像序列，序列圖像的數(shù)據(jù)量較大，并且計(jì)算復(fù)雜性比較高，處理起來比較困難，所以到目前為止，還沒有商業(yè)化的基于步態(tài)的身份鑒別系統(tǒng)。聲紋識(shí)別聲紋識(shí)別俗稱說話人識(shí)別，是通過把聲音信號(hào)轉(zhuǎn)換為電信號(hào)，再通過計(jì)算機(jī)進(jìn)行識(shí)別的過程。