人工智能技术介绍PPTPPT文件格式下载.pptx
- 文档编号:13121693
- 上传时间:2022-10-05
- 格式:PPTX
- 页数:101
- 大小:55.34MB
人工智能技术介绍PPTPPT文件格式下载.pptx
《人工智能技术介绍PPTPPT文件格式下载.pptx》由会员分享,可在线阅读,更多相关《人工智能技术介绍PPTPPT文件格式下载.pptx(101页珍藏版)》请在冰豆网上搜索。
保安、保姆.,什么是人工智能(AI)?
全面实施战略性新兴产业发展规划,加快人工智能等技术的研发和转化,做大做强产业集群把发展智能制造作为主攻方向,推进国家智能制造示范区、制造业创新中心建设,人工智能:
国家战略(2017年政府工作报告),人工智能(ArtificialIntelligence),英文缩写为AI。
它是研究、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。
它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,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。
人工智能是对人的意识、思维的信息过程的模拟。
人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
什么是人工智能?
人工智能有那些类型?
弱人工智能,包含基础的、特定场景下角色型的任务,如Siri等聊天机器人和AlphaGo等下棋机器人;
通用人工智能,包含人类水平的任务,涉及机器的持续学习;
强人工智能,指比人类更聪明的机器;
1956,1974,1980,1987,1993,2006,AI的诞生1956达特矛斯会议,“人工智能”正式诞生,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经网络,搜索式推理聊天机器人乐观思潮,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,专家系统知识工程五代机神经网络重生,未达预期削减投入,摩尔定律统计机器学习AI广泛应用,大数据计算能力应用增多,深度学习,人工智能,2016,人工智能发展历程,人机交互主要运用到的技术包括机器人学和模式识别技术,机器人可以模拟人的行为,而模式识别则能使用计算机模拟人类器官对外界的各种感知。
知识和数据智能处理知识处理时通常使用专家,技术,它能运用特定领域中专家提供的专门知识和经验,通过智能推理求和,便可解决只有专家才能解决的问题。
数据挖掘与分析面临大数据深度挖掘与分析时,通常采用机器学习,是基于人工神经网络的深度学习。
可针对海量数据进行分析计算,并创建相应模型。
核心技术,01,02,03,人工智能核心技术,模式识别是在多层神经网络发展的深度学习和深度神经网络的基础上,被运用于虹膜识别、,步态识别、身份识别等方面。
搜索及人机交互等。
自然语言处理主要目标是让机器能够识别、操作人类语言,主要包括信息抽取、机器翻译、摘要、,教育、服务等领域被广泛应用,如农业方面的作物病虫预测专家系统等。
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。
专家系统图像识别在工业、农业、商务、科技、其两个核心问题是图像分类,四人、工人智能工应智用能领的域应用领域,手机中的AI,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涉及透明化身临其境体验的人本技术(如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口)是拉动另外两大趋势的前沿技术数字平台在曲线上处于快速上升期,其中的量子计算和区块链将在今后510年带来变革性的影响,AI处于什么阶段?
AIRoadmap,国人为什么要关注AI?
为什么人类能成为地球的主宰?
“符号语言”(口头语言和书面文字):
传递、保存、共享知识“集体知识”:
人类的大脑可以相互共享信息,交换知识,人类个体比其他动物没有多大优势,掌握了符号语言,人类社会的结构发生了突变,有了一个连接在一起的集体大脑。
这种物种之间相互关联、相互作用的方式,才是我们和其他物种的真正区别,脑容量:
历史上的“尼安德特人”和我们的祖先脑容量是一样的。
但后来尼安德特人就没留下来,只有我们这一支留下来了,时间地图:
大历史导论知识和创新是推动人类发展的动力基因:
人和大猩猩的基因,有98.4%都是完全一样的,只有1.6%有区别,AI学科结构,常识性推理演绎、问题求解,逻辑,心理学,知识的模型化和表示,认识论,心理学,AI系统和语言,系统程序设计,计算机语言,启发式搜索,现代控制理论,图论,运筹学,基本方法和技术,近期主要应用领域,近期主要应用领域,信息处理心理学,逻辑,控制理论,心理学,语言学,自然语言系统,机器视觉,光学,模式识别声学语音学,心理学图示学,机器人,工业自动化,控制理论,空间研究,自动程序设计,系统程序设计,算法分析,计算原理,自动定理证明,逻辑数学,逻辑学,教学、科学和工程辅助,博弈,管理科学,有关学科,符号操作,图示学,AI的几大门派,符号学派,联结学派行为学派,知识表示,神经网络机器人,模拟人的心智模拟脑的结构模拟人的行为,聪明的AI,有学识的AI,深度学习,知识图谱,感知,识别判断,思考语言推理,进化学派类推学派贝叶斯学派,人工智能产业生态的三层基本架构,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。
基础资源支撑,AI生态逐步形成:
基础资源+技术+应用,人工智能系统的技术架构,智能终端,智能云平台,人工智能的新革命,第一节,人工智能技术简述深度学习算法知识图谱,推理期,知识期,机器学习期,人工智能的三个研究阶段,1950s,1970s,1980s,基于符号知识表示通过演绎推理技术,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,神经网络第二个高潮NP(non-deterministicpolynomial-time)难题中获重大进展助力大量现实问题,神经网络第一个高潮期,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,2017,90s中期,统计学习登场并占据主流,支持向量机、核方法为代表性技术,提出支持向量、VC维等概念,统计学的研究成果经由机器学习研究,形成有效的学习算法,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,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,机器学习&
深度学习,从以“推理”为重点到以“知识”为重点,再到以“学习”为重点机器可以自动“学习”的算法,即从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。
目前,机器学习=“分类”人工智能机器学习深度学习,用数据优化计算机程序的模型参数,通过经验自动改进的计算机算法,深度学习算法简介:
机器学习,机器学习的基本定理模型的出错率推论:
模型复杂-大样本样本小-简化模型,xF(x),y,Classlabel,(Classification),Vector(Estimation)深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法深度学习是一种基于对数据进行表征学习的方法。
观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。
而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。
深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征,机器学习实施过程,特征提取,预处理,特征样本集,原始样本集样本数据样本数据样本数据,机器学习算法,训练,预测,输出,验证集,特征1特征1特征1,n目标n目标n目标,训练集特征1n目标特征1n目标特征1n目标,验证集特征1n目标特征1n目标特征1n目标,预测目标预测目标预测目标,评改价进,特征提取,特征提取,特征1,样本数据,样本数据,样本数据,原始样本集,目标,特征1,目标,特征1,特征样本集nnn,目标,统计分析,变换,特征运算,特征选取是成败的关键,低层信息,识别分类,人脑是通过分级的、多层网络模型来识别减少数据量,保留物体的有用信息对效果影响极大手动化特征工程非常耗时,预处理特征提取图像识别的一般流程,人脑识别图像的过程,第一个模型是一个线性模型,低度拟合,不能很好地适应训练集;
第三个模型是一个四次方的模型,过度拟合,虽然能非常好地适应我们的训练集,但在新输入变量进行预测时可能会效果不好;
中间的模型似乎最合适,经过算法预测的结果是一个连续的值,我们称这样的问题为回归问题。
算法能够学会如何将数据分类到不同的类里,我们称这样的问题为分类问题。
深度学习算法简介:
数学基础,当感知器用于两类模式的分类时,相当于在高维样本空间中,用一个超平面将两类样本分开神经网络的学习过程就是神经网络参数的设定过程一个神经元网络结构确定之后,需要对一系列参数(权重、阈值等)进行有效的设定。
这个过程叫做学习或训练过程,此时的方法叫学习算法,是一个由线性阈值元件组成的单层(或多层)神经元的神经网络当输入的加权和大于或等于阈值时,输出为1,否则为0模型假定神经元中间的耦合程度(即加权系数W)可变,这样,该模型可以学习,深度学习算法简介:
感知器,各种神经网络类型LogisticRBMAutoEncoderSparseCodingConvolutional(卷积),监督学习通过已有的训练样本(即已知数据以及其对应的输出)训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,从而也就具有了对未知数据进行分类的能力强化学习类似人类与环境交互的方式,智能系统从环境到行为映射的学习,以使奖励信号函数值最大。
环境对产生动作的好坏通过奖励信号作评价,而不是告诉强化学习系统如何去产生正确的动作。
强化学习不能立即得到标记,而只能得到一个反馈,因此可以说强化学习是一种具有“延迟标记信息”的监督学习,典型案例:
AlphaGo,深度学习的训练方法,2006年,GeoffreyHinton在科学上发表论文提出深度学习主要观点:
多隐层的人工神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻画,从而有利于可视化或分类深度神经网络在训练上的难度,可以通过“逐层初始化”(layer-wisepre-training)来有效克服,逐层初始化可通过无监督学习实现的在著名的ImageNet问题上将错误率从26降低到了15,并且输入没有用到其他任何人工特征,仅仅是图像的像素,迁移学习将从拥有大数据的源领域上学习到的东西应用到仅有小数据的目标领域上去
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 技术 介绍 PPT