《北京交通大学人工智能课件》

北京交通大学人工智能课件欢迎来到北京交通大学人工智能课件本课件旨在系统地介绍人工智能领域的核心概念、技术和应用，涵盖机器学习、深度学习、自然语言处理、计算机视觉等多个方面通过本课件的学习，您将能够掌握人工智能的基本原理，了解其发展历程和未来趋势，并具备解决实际问题的能力什么是人工智能？定义目标类型人工智能（）是指通过计算机模拟人类人工智能的目标是使计算机能够执行通常人工智能可以分为弱人工智能（AI Narrow的智能，使其能够像人一样思考、学习、需要人类智能才能完成的任务，例如语音）和强人工智能（）弱人AI GeneralAI解决问题它涉及多个学科，包括计算机识别、图像识别、自然语言理解等工智能只能执行特定任务，而强人工智能科学、数学、心理学等则具有通用智能，能够像人一样适应各种环境和任务人工智能的历史发展早期探索1950s-1970s1人工智能的概念在世纪年代被提出，早期的研究主要集中在符号推理和2050专家系统代表人物包括艾伦图灵和约翰麦卡锡··专家系统时代1980s2专家系统在特定领域取得了成功，但由于知识获取和维护困难，发展受到限制例如，系统用于诊断细菌感染MYCIN机器学习兴起1990s-2000s3机器学习算法，如支持向量机和决策树，开始广泛应用，解决了许多实际问题数据挖掘和模式识别成为研究热点深度学习爆发至今2010s4深度学习在图像识别、语音识别和自然语言处理等领域取得了突破性进展，推动人工智能进入新的发展阶段人工智能的基本概念智能体环境Agent Environment智能体是指能够感知环境并采取行动以实现目标的实体可以是机环境是智能体所处的外部世界，智能体通过传感器感知环境，并通器人、软件程序等过执行器影响环境学习推理Learning Reasoning学习是指智能体通过经验改进自身性能的过程机器学习是实现学推理是指智能体根据已有知识和信息推导出结论的过程逻辑推理习的重要方法是重要的推理方法人工智能的应用领域医疗健康金融服务智能交通疾病诊断、药物研发、风险评估、欺诈检测、自动驾驶、交通流量优个性化治疗、智能健康智能投资顾问、客户服化、智能导航、车联网管理等务等等教育领域个性化学习、智能辅导、自动化批改、教育资源推荐等机器学习的基础数据收集收集用于训练模型的数据，数据质量直接影响模型性能特征工程从原始数据中提取有用的特征，用于模型训练特征工程是提高模型性能的关键步骤模型选择选择合适的机器学习模型，例如线性回归、决策树、支持向量机等模型训练使用训练数据训练模型，调整模型参数以最小化预测误差监督学习算法线性回归1用于预测连续型变量，例如房价预测、销售额预测等逻辑回归2用于分类问题，例如垃圾邮件分类、用户点击预测等支持向量机SVM3用于分类和回归问题，具有良好的泛化能力适用于高维数据决策树4基于树结构的分类和回归算法，易于理解和解释例如，、、ID3C

4.5CART无监督学习算法降维减少数据的维度，同时保留数据的重要信2息例如，主成分分析、聚类PCA t-SNE将数据划分为不同的簇，使得同一簇内1的数据相似度高，不同簇之间的数据相似度低例如，、层次聚类K-Means关联规则发现数据之间的关联关系，例如购物篮分3析例如，算法Apriori强化学习算法Q-Learning SARSADeep Q-Network DQN基于值的强化学习算法，通过学习值的强化学习算法，与结合深度学习的算法，使用Q QOn-policy Q-Q-Learning函数来选择最优动作适用于离散状态空不同，更新的是当前策深度神经网络逼近值函数适用于高维Learning SARSAQ间略下的值状态空间Q深度学习简介定义优势深度学习是一种基于神经网络的能够自动学习特征，无需人工特机器学习方法，通过多层神经网征工程在图像识别、语音识别络提取数据的深层特征和自然语言处理等领域取得了突破性进展应用广泛应用于图像识别、语音识别、自然语言处理、推荐系统等领域深度学习的基本网络架构Transformer12RNN3CNN4MLP深度学习中的主要网络结构包括多层感知机（）、卷积神经网络（）、循环神经网络（）和每种网络结构MLP CNNRNN Transformer都有其独特的优势和适用场景适合处理结构化数据；擅长处理图像数据；适用于处理序列数据；而则在自然语言处理领域表现出色MLP CNNRNN Transformer卷积神经网络卷积层池化层12通过卷积核提取图像的局部特降低特征图的维度，减少计算征例如，边缘、角点等量例如，最大池化、平均池化全连接层3将卷积和池化层提取的特征进行组合，用于分类或回归循环神经网络循环结构通过循环结构处理序列数据，能够捕捉序列中的时序信息例如，文本、语音、视频等长短期记忆网络LSTM解决中的梯度消失问题，能够处理长序列数据包含RNN LSTM输入门、输出门、遗忘门和细胞状态门控循环单元GRU简化结构，减少参数数量，提高训练效率LSTM自编码器解码器Decoder2将编码还原成原始数据编码器Encoder1将输入数据压缩成低维度的编码应用数据降维、特征提取、异常检测、图像去3噪等生成对抗网络生成器判别器对抗训练Generator Discriminator生成尽可能逼真的数据，例如图像、文本判断生成器生成的数据是真实的还是假的通过生成器和判别器的对抗训练，提高生等成器生成数据的质量自然语言处理概述定义任务应用自然语言处理（）是计算机科学与包括文本分类、文本生成、机器翻译、广泛应用于搜索引擎、智能客服、机器NLP语言学交叉的学科，旨在使计算机能够问答系统、语音识别等翻译、情感分析等领域理解、处理和生成人类语言文本分类情感分析主题分类12判断文本的情感倾向，例如正将文本划分到不同的主题类别面、负面或中性中例如，新闻分类、论文分类等垃圾邮件检测3判断邮件是否为垃圾邮件文本生成机器翻译将一种语言的文本翻译成另一种语言文本摘要从长文本中提取关键信息，生成简短的摘要对话生成生成与用户进行对话的文本问答系统信息检索2从知识库或互联网中检索相关信息问题理解1理解用户提出的问题，提取问题的关键信息答案生成根据检索到的信息生成答案3语音识别声学模型语言模型应用将语音信号转换成音素序列根据音素序列预测文本序列语音助手、语音搜索、语音输入等机器翻译编码器解码器将源语言文本编码成向量表示将向量表示解码成目标语言文本注意力机制在解码过程中，关注与当前词相关的源语言词计算机视觉概述应用1任务2图像处理3计算机视觉是一门研究如何使机器看的科学，更精确地说，就是用摄像机和计算机代替人眼，使计算机拥有类似于人类的对目标进行检“”测、识别、跟踪、判别决策等能力图像处理是基础，任务有图像分类、目标检测、语义分割、人脸识别等应用领域广泛，如自动驾驶、医疗影像分析、安防监控等图像分类数据集模型

12、、、、ImageNet CIFAR-10ResNet VGGInception等等MNIST应用3图像搜索、图像识别、图像标注等目标检测单阶段目标检测、等，速度快，但精度相对较低YOLO SSD两阶段目标检测、等，精度高，但速度相对较慢Faster R-CNN MaskR-CNN应用自动驾驶、智能监控、机器人视觉等语义分割U-Net2结合编码器和解码器结构，用于医学图像分割全卷积网络FCN1将卷积神经网络的全连接层替换为卷积层，实现像素级别的分类应用自动驾驶、医学图像分析、遥感图像分析3等人脸识别人脸检测人脸对齐人脸特征提取检测图像中是否存在人脸，并定位人脸的将人脸图像对齐到标准姿态提取人脸图像的特征向量位置自动驾驶技术感知决策通过传感器（摄像头、激光雷达、根据感知到的环境信息进行决策，毫米波雷达等）感知周围环境例如路径规划、速度控制等控制控制车辆的运动，例如加速、减速、转向等智能决策系统优化1推理2数据3智能决策系统利用人工智能技术辅助人类进行决策，尤其是在复杂和不确定的环境中其核心在于能够从大量数据中提取有价值的信息，并运用推理和优化算法，为决策者提供科学依据智能决策系统广泛应用于金融、医疗、交通等领域，例如风险评估、疾病诊断、交通流量优化等通过智能决策系统，决策者能够做出更明智、更高效的决策强化学习在游戏中的应用游戏1AlphaGo2Atari使用强化学习算法击败围棋世使用强化学习算法玩游戏，Atari界冠军达到甚至超过人类水平游戏AI3使用强化学习算法训练游戏，提高游戏的趣味性和挑战性AI强化学习在机器人中的应用机器人控制使用强化学习算法控制机器人的运动，例如行走、抓取等机器人导航使用强化学习算法训练机器人进行导航，避开障碍物，到达目标地点机器人协作使用强化学习算法训练多个机器人进行协作，完成复杂的任务人工智能的伦理与隐私算法公平性2如何保证算法的公平性，避免歧视和偏见数据隐私1如何保护用户的数据隐私，防止数据泄露和滥用责任归属当人工智能系统出现错误时，如何确定责3任归属人工智能的安全风险对抗攻击模型后门数据中毒通过对输入数据进行微小的修改，欺骗人在人工智能模型中植入后门，使其在特定向训练数据中注入恶意数据，影响人工智工智能系统条件下执行恶意操作能系统的性能人工智能的未来发展趋势通用人工智能人机协作可解释人工智能研究具有通用智能的人工智能系统，能研究如何使人和人工智能系统更好地协研究如何使人工智能系统的决策过程更够像人一样适应各种环境和任务作，发挥各自的优势加透明和可解释总结与展望人工智能的快速发展人工智能在各个领域取得了显著进展，改变了人们的生活和工作方式面临的挑战人工智能面临着伦理、安全和技术等方面的挑战未来的机遇人工智能具有巨大的发展潜力，将为社会带来更多的机遇和福祉。