搜索
人工智能基础工业互联网学院2018年6月集团师级工业互联网培训课程之（高中版）课程目标1.系统了解人工智能发展简史，掌握人工智能的基本思想和理念2.系统了解人工智能在各行各业具体应用的场景和功能，掌握人工智能基本概念和基础知识3.系统掌握人工智能方法和技术的具体应用，能正确理解机器学习和强化学习的方法课时安排：4H课程对象：集团全体师级干部课程安排基础篇：人工智能发展简史01应用篇：构建人工智能系统02进阶篇：人工智能与机器学习0301基础篇：人工智能发展简史“智能+”的未来人工智能的出现及发展人工智能概述人工智能发展简史在现代社会便利与舒适的生活背后，是一场正在深刻地改变人们生活与社会的的科技浪潮----人工智能。十年前仍是科幻小说里的场景，今天已经成为我们真实的生活经历。在人工智能浪潮的驱动下，十年之后我们会生活在什么样的世界里面呢？前言“智能+”的未来跨越时空：铭铭的一天场景1场景2场景3场景4场景5思考：在这些未来的生活场景中，人工智能的应用有哪些？“智能+”的未来智能+未来家庭城市汽车…….什么是智能?帮你算数学?帮你洗衣服?帮你…人工智能学家or数学家、物理学家、科学家跟我们想的是一样的吗?知识的表达与推理智慧是一种计算过程?“智能+”的未来什么是人工智能？其实，广义的人工智能，或是人工智能，是很复杂的Ex:知识定义、知识表达、知识推理人工智能的出现及发展人工智能的横空出世1950年，艾伦・图灵（AlanTuring）在他的论文中提出了著名的“图灵测试”（TuringTest）被广泛认为是测试机器智能的重要标准。图灵测试：一位人类测试员会通过文字与密室里的一台机器和一个人对话。如果测试员无法分辨与之对话的两个实体谁是人谁是机器，参与对话的机器就被认为通过图灵测试。图灵测试人工智能的出现及发展人工智能的横空出世1951年，研究生马文・闵斯基（MarvinMinsky）建立了世界上第一个神经网路机器SNARC（StochasticNeuralAnalogReinforcementCalculator）。人们第一次模拟了神经信号的传递，为人工智能奠定了深远的基础。马文・闵斯基人工智能的出现及发展人工智能的横空出世1955年，艾伦・纽厄尔（AlanNewell）、赫伯特・西蒙（HerbertSimon）和克里夫・肖（CliffShaw）建立了“逻辑理论家”计算机程序来模拟人类解决问题的技能，此项工作开创了一种日后被广泛应用的方法：搜索推理（reasoning）。艾伦・纽厄尔赫伯特・西蒙人工智能的出现及发展人工智能的横空出世1956年，闵斯基、约翰・麦卡锡（JohnMcCarthy）、克劳的・香农（ClaudeShannon）和纳撒尼尔・罗切斯特（NathanRochester）在美国达特茅斯学院组织了一次会议，此会议宣告了“人工智能”作为一门新学科的诞生。2006年，会议五十年后，当事人重聚达特茅斯。左起：摩尔，麦卡锡，明斯基，赛弗里奇，所罗门诺夫达特茅斯楼人工智能的出现及发展人工智能的第一次浪潮（1956-1974）1963年，美国高等研究计划局投入两百万美元给麻省理工学院，培养了早期的计算机科学和人工智能人才。1964-1966年，约瑟夫・维森鲍姆（JosephWeizenbaum）教授建立了世界上第一个自然语言对话程序ELIZA，可以通过简单的模式匹配和对话规则与人聊天。70年代中期，人工智能还是难以满足社会对这个领域不切实际的期待，因此进入了第一个冬天。人工智能的出现及发展人工智能的第二次浪潮（1980-1987）80年代，由于专家系统和人工神经网络的新进展，人工智能浪潮再度兴起。1980年，卡耐基梅隆大学为迪吉多公司开发了一套名为XCON的专家系统，这套系统当时每年可为迪吉多公司节省4000万美元。XCON的巨大价值激发了工业界对人工智能尤其专家系统的热情。1982年，约翰・霍普菲尔德提出了一种新型的网络形式，即霍普菲尔德神经网络，其中引入了相关存储（associativememory）的机制。1986年，《通过误差反向传播学习表示》论文的发表，使反向传播算法被广泛用于人工神经网络的训练。80年代后期，由于专家系统开发与维护的成本高昂，而商业价值有限，人工智能的发展再度步入冬天。爱德华・费根鲍姆“专家系统之父”人工智能的出现及发展人工智能的第三次浪潮（2011-现在）21世纪，人类迈入了“大数据”时代，此时电脑芯片的计算能力高速增长，人工智能算法也因此取得重大突破。研究人工智能的学者开始引入不同学科的数学工具，为人工智能打造更坚实的数学基础。在数学的驱动下，一大批新的数学模型和算法被发展起来，逐步被应用于解决实际问题，让科学家看到了人工智能再度兴起的曙光。2012年全球的图像识别算法竞赛ILSVRC（或称ImageNet挑战赛）中，多伦多大学开发的多层神经网络AlexNet取得了冠军，且大幅超越传统算法的亚军，引起了人工智能学界的震动。从此，多层神经网络为基础的深度学习被推广到多个应用领域。2016年谷歌通过深度学习训练的阿尔法狗（AlphaGo）程序战胜围棋世界冠军李世石。人工智能的出现及发展西洋棋机器人工智能概述人工智能的定义人工智能是通过机器来模拟人类认知能力的技术。人工智能的核心能力：根据给定的输入作出判断或预测人脸识别：根据输入的照片，判断照片的人是谁。语音识别：根据人说话的音频信号，判断说话内容。医疗诊断：根据输入的医疗影像，判断疾病的成因和性质。电子商务：根据用户的购买记录，预测他对什么商品感兴趣，而作出相应推荐。金融应用：根据一支股票过去的价格和交易信息，判断它未来的价格走势。人工智能概述人工智能的应用安防智能视频分析技术可以代替民警做很多事情1.实时从视频中检测出人和车辆2.自动找到视频中异常的行为，并及时发出带有具体地点方位信息的警报3.自动判断人群的密度和人流的方向，提前发现过密人群带来的潜在危险，帮助工作人员引导和管理人流。人工智能概述人工智能的应用医疗为解决“看病难”的问题提供了新的思路。1.对医学影像进行自动分析技术的研究和应用，可以为医生诊断提供参考信息，有效的减少误诊和漏诊。2.有些新技术还能通过多张医疗影像建出人体器官的三维模型，确保医生手术更加精准。人工智能概述人工智能的应用智能客服随着互联网和电子商务的发展，我们和商家的交流变得越来越多元，为了因应这种挑战，很多企业开始引入人工智能技术打造智能客服系统。智能客服可以像人一样和客户交流沟通，进行准确得体且个性化的回应，提升客户的体验。对企业来说，这样的系统不仅能够提高回应客户的效率，还能自动的对客户的需求和问题进行统计和分析，为之后的决策提供数据。人工智能概述人工智能的应用自动驾驶自动驾驶汽车通过多种传感器，包括视频摄像头、激光雷达、卫星定位系统等，对驾驶环境进行实时感知。智能驾驶系统可以对多种感知信号进行综合分析，实时规划驾驶路线，控制车子的运行。工业制造系统必须变得更加“聪明”，而人工智能则是提升工业制造系统的最强动力。人工智能概述人工智能的应用工业制造例如：品质监控是生产过程中最重要的环节，传统生产线上都安排大量的检测工人用肉眼进行质量检测。这种方式不仅容易漏检和误判，更会给工人造成疲劳伤害。因此很多任务业产品公司开发使用人工智能的视觉工具，帮助工厂自动检测出形态各异的缺陷。人工智能概述智能从何而来？人工智能如何自动做出判断或预测专家系统：基于人工定义的规则来回答特定问题（局限性）机器学习（machinelearning）通过学习（learning）来获得进行预测或判断的能力，这样的方法已经成为人工智能的主流方法。人工智能概述机器学习的方法从数据中学习从已知数据去学习数据中蕴含的规律或判断规则，再把学到的规则应用到新数据并作出判断或预测方式1.监督学习：要求为每个样本提供预测量的真实值2.无监督学习：不要求为每个样本提供预测量的真实值3.半监督学习：介于监督学习与无监督学习之间人工智能概述机器学习的方法在行动中学习在机器学习的实际应用中，还会遇到另一种类型的问题：利用学习得到的模型来指导行动。比如下棋，此时关注的不是某个判断是否准确，而是行动过程中能否带来最大效益，又称为强化学习。强化学习模型结构：•可动态变化的状态（state）•可选取的动作（action）•可以和决策主体进行交互的环境（environment）•回报（reward）规则Q-Learning：Agent主体会根据实际环境反馈进行调整人工智能概述小结人工智能是研究如何通过机器来模拟人类认知能力的学科，通过几十年的努力，人工智能已经获得了长足的发展，且在多个行业得到了成功的应用。人工智能这一新兴科技正在改变我们的世界并影响着我们的生活，但这仅仅只是个开始，人工智能过去的发展为我们展现了一个令人激动的前景，这个更美好的时代需要我们共同努力去创造。02应用篇：构建人工智能系统特征与分类器识图认物析音赏乐看懂视频构建人工智能系统前言人工智能系统处理的是各种各样的数据：图像、声音、文字、视频等等数据(Data)是信息的载体分类(Classification)是根据所给数据的不同特点，判断它属于哪种类别特征与分类器数据类型和相关应用数据类型示意图相关应用图像(照片、图画)详见第三章•基于图像的人脸辨识、物体分类、场景理解•图像处理、艺术风格转换、图片生成声音(语音、音乐)详见第四章•语音识别、机器对话、对话理解•听歌识曲、自动谱曲视频(影视)详见第五章•视频分类、内容理解、查找检索•视频总结、自动生成视频文字详见第七章•文章聚类、阅读理解•自动生成文章其它数据类型详见第九章等•棋谱数据在AlphaGo中使用•基因测序数据辅助疾病的预测诊断特征与分类器分类的基本概念和流程例：对鸢尾花的两个品种进行分类。全世界大约有300个品种，其中，常见的有变色鸢尾(irisversicolor)及山鸢尾(irissetosa)。如何构建一个简单的人工智能系统，它能够像人类一样区分变色鸢尾和山鸢尾？特征与分类器分类的基本概念和流程分类器（Classifier）：能完成分类任务的人工智能系统构建该系统的流程：首先提取鸢尾花的特征然后将这些特征输入到训练好的分类器中分类器根据特征做出预测，输出鸢尾花的品种特征与分类器提取特征的方法特征（feature）：对事物的某方面的特点进行刻画的数字或者属性特征的质量很大程度上决定了分类器最终分类效果的好坏不同类型的数据，不同的特征提取方法例：鸢尾花特征的提取通过实际观察,花瓣的长度和宽度作为有效分类鸢尾花的特征特征的数学表达：特征向量𝒙𝟏,𝒙𝟐问题的描述：特征点和特征空间特征与分类器分类器定义：分类器是一个由特征向量到预测类别的函数对鸢尾花品种分类的问题就转变成为在特种空间中将这些特征点分开的问题。從圖得知,一條直線方程，可將整個坐標面分成兩個區域。f(𝐱)是分類函數𝐠(𝐱)的核心。特征与分类器训练分类器让分类器学习得到合适参数的过程称为分类器的训练目的：提升人工智能系统的性能工智能系统是通过什么来进行学习呢?Ans:数据数据为人工智能的支柱之一，人工智能系统的训练需要大量的数据作为支撑。训练阶段使用的数据被称为训练数据。测试阶段使用的数据被称为测试数据。在分类的过程中，训练和测试数据需要实际的类别分类。数据标注的过程是耗时耗力的，数据标注是需要相关领域的专业知识，且标注的质量会直接影响到训练后人工智能系统性能的好坏。特征与分类器训练线性分类器的算法感知器的训练过程示意图感知器(perceptron)是一种训练线性分类器的算法特征与分类器训练线性分类器的算法支持向量机的训练过程示意图一般地，一个点距离分类直线的远近可以表示对分类预测的确信程度。特征与分类器训练线性分类器的算法算法：基于数据集来训练分类器的过程，其过程是由一系列判断和计算的步骤所