一、人工智能概论
- 智力：大脑思维活动、知识积累、进化理论。
- 人工智能的定义:能力(机器实现智能)、模拟延伸和扩展人类智能。
- 图灵测试:30%的测试成功欺骗了人，通过了测试。
- 人工智能定义:人类行为、人类思维、理性思维、理性行动
- 专家系统：知识 逻辑推理，局限性：应用领域狭窄，交互问题。
- 功能模拟、结构模拟、行为模拟、集成模拟
- 符号注意:知识和概念的表达。主导地位，主流学校。专家系统
- 联系主义学派:模拟大脑神经网络。围棋、机器翻译、语音识别。智力弱，不适合逻辑思维。
- 智能城市、个人助理、智能安全、智能交通、智能医疗、电子商务变革、智能教育、智能金融。
二、机器学习算法
- 利用模型预测历史数据、训练模型。
- 从人工智能到机器学习再到深度学习。
- 回归问题：线性模型，确定参数训练过程，预测。
- 分类问题(逻辑回归):人脸、语音识别。
- 决策树：根据树节点得出结论
- K均值算法：K个集群。K个质，反复迭代。缺点K不确定。
- 支持向量机：间隔最大化。核函数：低纬度映射高维，非线性，转换线性。
- 相关分析：商场购物车商品的相关性。
- KNN（K临近算法):近朱者赤，近墨者黑，K个邻中归类
- 降维：可视化，改进其他算法
- 推荐算法：推荐项目内容、用户相似性、协同过滤算法
- 神经网络：工作状态：兴奋状态，抑制状态。单层神经网络：线性分类。
- 神经网络训练：输入值，正向传播，输出。标签。目的：权重调整。
- 神经网络实现简单，难点在于神经网络表示实际问题，调参。
- DNN(多层)，RNN(反馈环)，CNN(各级提取的特征意义明确)
- 卷积核（C边缘特征，特征映射层(下采样层，S层，特征压缩)
- 特点：局部连接、权值共享、多核卷积、池化。
三、人工智能应用
- 计算机视觉：从图像到模型（计算机处理的数据）
- 扭曲现象：三维变为二维，长度和角度信息丢失。
- 图像滤波：箱式滤波，锐化。
- 边缘检测:识别图像的突变信息(识别目标和恢复集合点)。塔的大小决定了尺度
- 特征识别：识别具体信息，人物，地点等等。
- 大规模图像搜索：根据图像特征进行搜索。
- 大数据驱动的计算机视觉：图像丢失数据填充：输入图像 图像集合(相关信息) 修补图像
- 图像补充算法：场景描述符、上下文匹配算法。
- 语音工程:语音识别有两个方面:计算机能理解(语音识别)，计算机能说人话(语音合成)。
- 语音核心技术：前端信号处理、声纹识别、情感识别、语音识别、人机对话、语音合成
- 语音识别：音频信息获取表示音频信息的文本数据。升级：语音解码器的精度
- 语音合成：将文本转换为语音输出。
- 自然语言处理：分词、词干处理
- 自然语言处理应用：舆论监控、文本挖掘、语法语义分析。
- 决策系统：根据历史信息处理数据的过程。树状处理信息可以判断效果。
- 大数据应用(样本数量大):4V特点。医疗大数据、金融大数据、教育、政府。
四、人工智能伦理与未来
- 伦理:道德规范和行为准则。不是规章制度，更不是法律要求。
- 人工智能奴役人类。
- 人工智能安全挑战：技术滥用、技术或管理缺陷、未来超级智能引发安全担忧。
- 基于人工智能的致命自主武器系统。
- 智能驾驶:责任归属、道德二难
- 偏见智能算法的偏见是系统的，一旦形成，就会产生广泛的影响。
- 威胁隐私：电子商务数据，用户肖像。人类的遗忘权。
- 婚姻家庭伦理：家庭机器人、情感计算（赋予计算机识别和理解人类情感的能力）、索菲亚人形机器人
- 就业挑战:2030年，发展中国家三分之二被机器人取代。加剧社会分化。
- 人工智能发展纲要：人工智能不能破坏人的利益，公众至上。
如需课件资料请留下邮箱或者私信。