《人工智能基础与应用》教学课件—认知人工智能的基础支撑
人工智能基础与应用课件
通过人工智能技术，智能推荐系统能够分析用户的历史数据和行为习惯，推荐相关内容和服务，如音乐 、电影、商品等。
智能推荐系统的应用场景包括在线购物平台、社交媒体平台和内容分发平台等，能够提高用户的使用体 验和满意度。
01
自动驾驶汽车是一种具备高度自主驾驶能力的汽车，能够在不 需要人工干预的情况下完成行驶任务。
02
通过人工智能技术，自动驾驶汽车能够感知周围环境、进行路
径规划和决策控制，确保行驶的安全性和稳定性。
自动驾驶汽车的应用场景包括公共交通、物流运输、共享出行
03
等，能够提高交通效率和安全性。
智能医疗诊断
01
算法公平性与透明度
算法公平性
人工智能算法在决策过程中应避 免产生歧视和不公平现象。需要 建立公平性评估机制，确保算法 对所有人都是公正的。
算法透明度
人工智能算法应具备可解释性和 透明度，以便人们理解其决策过 程和逻辑。这有助于提高人们对 人工智能的信任度和接受度。
人工智能伦理问题
责任归属
在人工智能应用中，当出现错误或问题时，应明确责任归属，以避免责任推诿和纠纷。
01
Q-learning：通过建立一个Q表 来学习如何做出最优决策。
02
Policy Gradient Methods：基 于策略的方法，通过优化策略参
数来提高性能。
Actor-Critic Methods：结合策 略和值函数的方法，同时更新策 略和值函数。
03
Hierarchical Reinforcement Learning：将任务分解成多个层
智能医疗诊断是一种利用人工 智能技术辅助医生进行疾病诊 断的系统，能够提高诊断的准 确性和效率。
人工智能基础-PPT课件
人工智能基础-PPT课件Artificial intelligence人工智能基础21 世纪技能创新型人才培养系列教材·人工智能系列contents绪论人工智能（Artificial Intelligence），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学科。
20 世纪40 年代和50 年代，来自不同领域（数学、心理学、工程学、经济学和政治学）的一批科学家开始探讨制造人工大脑的可能性。
学习目标1. 了解人工智能的定义、发展简史。
2. 熟悉人工智能的研究与应用领域。
3. 认识人工智能未来的发展趋势。
1.1.1 像人类一样思考1.1.2 像人类一样行动“像人类一样思考”的核心是认知心理学科学中的发现，该发现测试了感知（感官感知，物体识别）、注意力、记忆（短期和永久性）、抽象思维、面向目标的行为（决策、发起和监视行为）、情绪、社会关系、意识和自由意志。
AI 系统建模以使其受大脑功能启发的方式构成了一种创建行为类似于人类的解决方案。
人工智能手臂概念图如图1-2 所示。
1.1.3 理性思考逻辑定律是理性思考的基础，并已被发现和发展了数千年。
1.1.4 理性行动理性主体是行为合理的主体。
特定时刻行为的合理性取决于以下几点：（1）定义成功标准的效率度量。
（2）代理对背景的了解。
（3）代理当前可能采取的行动。
（4）迄今为止代理已经获取的有关环境的信息序列。
1.2.1 孕育期一般认为 AI 的最早工作是伦·麦克卡洛克（Warren McC ulloch）跟沃特·皮特斯（Walter Pitts）完成的。
1.2.2 形成期人工智能诞生于 1956 年一次历史性的聚会。
1.2.3 知识应用期1977 年，费根鲍姆在第五届国际人工智能联合会议上正式提出了知工程的概念。
1.2.4 综合集成期在专家系统方面，从 20 世纪 80 年代末开始逐步向多技术、多方法的综合集成与多学科、多领域的综合应用型发展。
人工智能与应用PPT课件
它们直接由书本学习，通过与人谈话学习，通过观 察环境学习
它们通过实践自我完善，克服人的局限性 →有必要对这一前景给以关注
4
机器学习 — 概述
争论：机器的能力是否能超过人的能力？
否定意见：机器是人造的，其性能和动作完全是由 设计者来规定的，因此无论如何其能力也不会超过 设计者本人
学习环节
是核心模块，是和外部交互的接口 学习部分对环境提供的信息整理、分析、归纳或
类比，生成新的知识元或利用这些信息修改知识 库，以增进系统执行部分完成任务的效能 学习环节从执行环节得到执行结果的反馈信号， 进行学习修正，进一步改善执行环节的行为 执行环节的复杂性、反馈和透明度都对学习环节 有影响。复杂的任务需要更多的知识
即可以完成任意复杂的分类任务66神经网络学习前馈型人工神经网络bp网络不仅有输入层节点输出层节点而且还有隐层节点可以是一层或多层对于输入信号要先向前传播到隐节点经过转移函数后再把隐节点的输出信息传播到输出节点最后给出输出结果节点的转移函数通常选取s型函数如67神经网络学习前馈型人工神经网络在正向传播过程中输入信息从输入层经隐节点单元逐层处理并传向输出层每一层神经元的状态只影响下一层神经元的状态如果在输出层不能得到期望的输出则转入反向传播过程将误差信号沿原来的连接通路返回通过修改各层神经元的连接权值使得误差信号递减至最小68神经网络学习前馈型人工神经网络bp算法的流程图69神经网络学习前馈型人工神经网络bp算法存在的问题
三定律在科幻小说中大放光彩，一些其他作者 的科幻小说中的机器人也遵守这三条定律
三定律也具有一定的现实意义，在三定律基础 上建立新兴学科“机械伦理学”旨在研究人类 和机械之间的关系
截至2006年，三定律在现实机器人工业中没有 应用，但目前很多人工智能和机器人领域的技 术专家也认同这个准则
《人工智能基础与应用》教学课件—认知人工智能的应用技术
二、人脸识别技术及应用
人脸识别技术的应用范围
• 企业、住宅安全和管理：如人脸识别门禁考勤系统，人脸识别防盗门等 • 电子护照及身份证 • 公安、司法和刑侦 • 自助服务 • 信息安全：如计算机登录、电子政务和电子商务等
其他类似常见技术还有指纹识别、手掌几何学识别、虹膜和视网膜识别等 ， 也广泛地应用于 身份认证等场境，比如签证应用、身份识别、打卡应用等。
环节 图像采集
内容
主要借助于摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像,也包括一些动 态图像,并可以将其转为数字图像,与文字、图形、声音一起存储。图像提取是将一个图 像变换为适合计算机处理的形式的第一步。
为突出图像中想抓取的部分,必须对图像进行改善,以缓解图像在成像、采集、传输等过 图像增强 程中，质量或多或少造成的退化。通过图像增强,减少图像中的干扰和噪声,改变原来图
致，灰度取值范围相同的标准化人脸图像），中值滤波（图片的平滑操作以消除噪声） 以及锐化等。
二、人脸识别技术及应用
人脸识别技术的主要流程
（3）人脸图像特征提取 也称人脸表征，是对人脸进行特征建模的过程。可使用的特征通常分为视觉特征、像素 统计特征、人脸图像变换系数特征、人脸图像代数特征等。
（4）匹配与识别 提取的人脸特征值数据与数据库中存贮的特征模板进行搜索匹配，通过设定一个阈值， 将相似度与这一阈值进行比较，来对人脸的身份信息进行判断。
神经网络的特征：具有容错性强、独特的 联想记忆及自组织、自适应和自学习能力, 特别适合处理信息模糊或不精确问题。
举例：垃圾邮件的判断
一、图像识别技术的原理及应用
（二）图像识别的技术流程
图像识别的技术流程分以下几步：信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。
人工智能基础与应用
1980年代，人工智能逐渐复苏， 出现神经网络、机器学习等新 方法
1990年代，人工智能进入快速 发展期，出现深度学习、强化 学习等新技术
2010年代，人工智能进入爆发 期，出现AlphaGo、自动驾驶
等重大突破
人工智能的技术 基础
机器学习
概念：一种通过数据学习并改进其性能的算法 特点：不需要人为干预，能够自动学习并改进 应用：图像识别、语音识别、自然语言处理等领域 学习方法：有监督学习、无监督学习、半监督学习等
人工智能在各领域的应用前景
医疗领域：辅助诊断、药 物研发、智能手术等
教育领域：个性化学习、 智能辅导、在线教育等
交通领域：自动驾驶、智 能交通系统、无人机配送 等
制造业：智能制造、工业 机器人、智能生产线等
金融领域：智能投资顾问、 风险管理、智能客服等
家居领域：智能家居、智 能家电、智能安防等
人工智能对人类社会的影响与挑战
深度学习
概念：一种基于神经网络的机器学习方法 特点：能够自动学习并提取特征，无需人工干预 应用：图像识别、语音识别、自然语言处理等领域 发展：近年来深度学习技术取得了显著进展，成为人工智能领域的重要技术之一。
自然语言处理
自然语言处理是 人工智能的一个 重要分支
自然语言处理的 目的是让计算机 能够理解和处理 人类语言
添加标题
添加标题
添加标题
添加标题
透明度：算法应公开透明，让用户 了解其工作原理和决策依据
责任归属：明确算法开发者和使用 者的法律责任和义务
人工智能对就业的影响
自动化取代传统岗位： 人工智能技术可能导致 部分传统岗位被自动化 取代
新型岗位需求增加：人工 智能技术也催生了新的岗 位需求，如数据科学家、 机器学习工程师等
第六章 人工智能及其应用 (课件)
剖析领域知识智能问答机器人
典型的智能问答系统结构示意图
用Python语言编程实现Jaccard相似度系数算法，并填写活动记录表单。
探究活动
分
析
计算下列两个语句的Jaccard相似度系数，并利用Python语言编程求出Jaccard相似度系数。A:我爱祖国的壮丽山河；我爱祖国悠久的历史和璀璨的文化。B:我爱祖国人民的勤劳、智慧与勇敢；我更爱祖国那生生不息、辉煌雄壮的民族魂！
探究活动
讨论、交流，并完成活动记录表单。
项目实施
各小组根据项目选题及拟定的项目方案，结合本节所学知识，了解人工智能的广泛应用，进一步完善该项目方案中的各项学习活动，并参考项目范例的样式，撰写相应的项目成果报告。
项目及分值
评分标准与分值
得分
自评
互评
作品选题
15
准确把握项目学习的意义和目的。
探究活动
讨
论
1997年，深蓝DeepBlue战胜了世界国际象棋冠军卡斯帕罗夫Garry Kasparov，让人类见识到了人工智能的强大。2016年3月，AlphaGo以4比1总比分战胜世界围棋冠军李世石，更引发了人类对人工智能的激励讨论。有人认为人工智能可以给社会各领域带来巨大变化，但同时也会引发社会问题。据此，与同学们一起交流，如何正确认识人工智能对人类社会的影响，思考人工智能广发运用可能会引发的社会问题及应对策略。
认识人工智能
人工智能
人工智能是计算机科学的一个分支，是研究计算机模拟人的某些感知能力、思维过程和智能行为的学科。人工智能是引领未来的战略性技术，将深刻改变人类生产生活方式。人们要保持对人工智能的控制能力，防范人工智能失控的风险和对人类社会未来发展的潜在威胁。
利用虚拟仿真系统或在线体验某空调生产企业的智能客服机器人所提供的服务，并填写活动记录表单。
人工智能(AI)原理及其应用PPT文档共 页
人工智能(AI)原理及其应用PPT文档共页人工智能（AI）原理及其应用人工智能（AI）是一门研究如何使计算机能够智能地执行任务的学科。
它涉及到模拟人类智能的各种方面，如学习、推理、问题解决、识别、感知、语言理解和决策制定等。
近年来，人工智能的发展迅猛，各个领域纷纷将其应用于实践中，带来了巨大的变革和突破。
一、人工智能的原理人工智能的核心原理包括机器学习、神经网络和深度学习等。
机器学习是AI中的重要分支，其基本思想是让计算机通过分析和理解数据来学习，并根据学习结果做出相应的决策。
神经网络是一种模拟人脑结构和功能的数学模型，它通过多个节点（也称为神经元）之间的连接和信息传递来实现模式识别和决策制定。
深度学习是一种基于神经网络的机器学习方法，它通过构建多个层次的神经网络，进行更加复杂和深入的学习和推理。
二、人工智能的应用领域1. 自然语言处理自然语言处理是人工智能的重要应用领域之一，主要研究计算机如何理解和处理自然语言的能力。
它包括语音识别、语音合成、机器翻译、自动问答和文本分类等内容。
例如，语音识别技术可以实现语音助手和智能家居等智能设备的控制，机器翻译技术可以实现不同语言之间的实时翻译。
2. 机器视觉机器视觉是指让计算机能够模拟人类视觉系统进行图像和视频的分析和理解。
它涉及到图像识别、目标检测、图像生成和图像处理等方面。
例如，人脸识别技术可以应用于身份验证和安全监控，无人驾驶技术可以实现智能汽车的自主导航和避障。
3. 智能机器人智能机器人是将人工智能技术应用于机器人领域，使机器人能够感知环境、学习和决策，并执行相应的任务。
智能机器人广泛应用于工业生产、医疗护理、军事作业和家庭服务等领域。
例如，工业机器人可以实现自动化生产线的操作和控制，医疗机器人可以在手术中辅助医生进行精确操作。
4. 增强现实和虚拟现实增强现实（AR）和虚拟现实（VR）是人工智能的前沿领域，它们通过模拟和扩展人类的感知能力，实现与虚拟世界的交互。
人工智能应用普及课件PPT下载(31张)完美版
人工智能是一门极富挑战性 的科学，从事这项工作的人 必须懂得计算机知识，心理 学和哲学。
2
人工智能的柒大应用领域
人工智能的柒大应用领域
自驾领域
个人助理
1
电商零售
安防
34
2
人工 智能
根据操作者的讲话,电脑识别成汉字的输入方法(又称声控输使入)其 掌 握 诊 断 能 GANs数据分析 + 高级信号通路活化分析技术 + 深度学习算力法。→研发新的药物分子结构
利用可移动巡线机器人，定期巡逻，读取仪表数值，分析潜在的风险，保障全封闭无人工厂的可靠运行。
DUMA 药物发现平台 → 大量科学数据分析 → 对疾病和药物进行自动匹配
人工智能的柒大应用领域
工厂园区
利用可移动巡线机器人，定期 巡逻，读取仪表数值，分析潜 在的风险，保障全封闭无人工 厂的可靠运行。
人工智能的柒大应用领域
民用安防
以家庭安防为例，当检测到家庭 中没有人员时，家庭安防摄像机 可自动进入布防模式，有异常时， 给予闯入人员声音警告，并远程 通知家庭主人。而当家庭成员回 家后，又能自动撤防，保护用户 隐私。
人工智能
AI Artificial Intelligence
目
人工智能的涵义
录
人工智能的柒大应用领域
人工智能的未来方向
人工智能的安全问题
1
人工智能的涵义
人工智能的涵义
人工智能
（Artificial Intelligence）
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。
《人工智能基础与应用》教学课件—探索人工智能的行业应用
库存）、提质（提升质量）、增效（增 加效率）。
全球灯塔工厂网络
二、什么是“灯塔工厂”？
工业富联灯塔工厂——成效如何？
富士康工业互联网：从过去的代工厂到如今首屈一指的工业4.0企业，作为首批入选的 “黑灯工厂”，在降本减存提质增效方面取得很好成效。
二、什么是“灯塔工厂”？
工业富联灯塔工厂——人工智能如何应用？
• 状态：工业富联的深圳熄灯工厂已基本做到熄灯
视觉定位应用、视觉检测应用、物体分拣应用
【相关知识】
制造企业重点部署的人工智能应用领域
一、什么是“智能制造”？何谓智能制造的核心？
（一）智能制造的内涵
• 初步了解德国工业4.0、美国“工业互联网”、
日本精益制造、中国制造2025
• 智能制造并不仅仅是一个技术体系，更重要的
是对智能的理解、对制造系统核心要素的理解 和重新定义。
人工智能基础与应用
探索人工智能的行业应用
无人驾驶 智慧交通 智慧金融 智慧教育 智能家居 智慧零售 智能客服
人工智能 行业应用
智能制造
任务一
实训项目：机械手臂智能分拣
智慧物流
任务二
实训项目：无人派送
智慧安防
任务三
实训项目：口罩佩戴智能识别
本项目内容智慧医疗源自任务四实训项目：智能诊脉
智慧环保
任务五
实训项目：垃圾智能分类
• 智能制造的核心要素：
材料、装备、工艺、测量、维护、建模
智能制造6大核心要素
一、什么是“智能制造”？何谓智能制造的核心？
（一）智能制造的内涵
• 制造系统是否智能的两个特征：
（1）是否能够学习人的经验，从而替代人来分析问题和形成决策。 （2）能否从新的问题中积累经验，从而避免问题的再次发生。
人工智能及其应用PPT课件
3）1948年美数学家创立了控制论
4）1948年美数学家创立了信息论
5）同期美籍奥地利生物学Badenlofe建立了系统论
2、人工智能的发展史-孕育期（1956年前）
物质基础
1）1946年美数学家莫克利发明了世界上第一台通用电子 计算机ENIAC(Electronic Numerical Integrator and Calculator)
1、外显率(P):反映搜索过程中，从初始结点
向目标结点进行时搜索区域的宽度。
定义：P=L/T
L : 从初始结点到达目标的路径长度 T : 整个搜索过程中所生成的结点总数（不包括 初始结点）
不同搜索策略搜索效率的衡量指标
2、有效分枝因数(B):表示每个有效结点平均
生成的子结点数目。
定义：B+B2+B3+…+BL=T
第二节 搜索策略
盲目的图搜索策略：盲目的、无信息引导的搜索 2、深度优先搜索：从根节点开始，首先扩展最新产生的
节点，即沿着搜索树的深度方向发展， 直到没有后继节点再返回。
0
1
7
2 46
8
11
3
5
9 10
特点：不完备的搜索。有时会陷入“死胡同”，可进行“界”的
限制
第二节 搜索策略
启发式的图搜索策略：有信息引导的搜索 启发信息：特定问题领域的信息能有效引导搜索，使搜索简化。 启发信息的作用： 1、用它来决定下一步先扩展哪一个节点，不是盲目、随意地扩展
扩展节点
nsm
第二节 搜索策略
搜索策略：指在搜索过程中如何选择扩展节点的次序问题。 回溯策略 图搜索策略： 盲目的图搜索 启发式搜索
第二节 搜索策略
人工智能基础知识和应用介绍
人工智能基础知识和应用介绍第一章人工智能的概念和基础知识人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够智能地模拟和代替人类的思维和行为的科学和技术。
其研究领域包括机器学习、知识处理、自然语言处理、图像和声音识别等。
人工智能的发展经历了几个重要的阶段，包括推理，知识表达和推理，自然语言处理，机器学习和深度学习等。
人工智能的基础知识包括概率论和统计学、优化算法、线性代数、计算机科学和工程等。
第二章人工智能的经典应用领域人工智能在各个领域都有广泛的应用。
其中最著名的应用领域之一是机器学习。
机器学习是指通过数据和经验不断改进计算机系统的能力。
在机器学习中，有监督学习、无监督学习和强化学习等不同的方法。
另一个重要的应用领域是自然语言处理。
自然语言处理是指计算机理解和生成人类语言的能力，包括语音识别、机器翻译和情感分析等。
此外，计算机视觉也是人工智能的一个重要应用领域，包括图像识别、目标检测和图像生成等。
第三章人工智能在工业和生活中的应用随着人工智能技术的发展，越来越多的公司和组织开始运用人工智能技术来改善工作效率和生活质量。
在工业领域，人工智能可以应用于自动化生产线、质量检测和设备维护等。
例如，在汽车制造业中，机器人可以替代人工完成重复性的工作，提高生产效率和产品质量。
在医疗领域，人工智能可以用于医疗图像诊断、药物研发和医疗机器人等。
在日常生活中，人工智能技术也得到了广泛应用。
例如，智能音箱可以通过语音识别和自然语言处理与人进行交流，智能家居系统可以自动控制家电设备，无人驾驶技术将改变交通运输方式。
第四章人工智能的挑战和未来发展趋势虽然人工智能已经取得了许多令人瞩目的成就，但仍然面临着一些挑战。
首先，人工智能的应用依赖于大量的数据，缺乏数据和隐私保护是一个重要问题。
其次，人工智能系统的决策过程缺乏透明度和解释性，这可能导致不可预测的结果和负面影响。
此外，人工智能技术还面临着伦理和法律的挑战，如人工智能在武器系统中的应用和责任认定等。
《人工智能课件》.pptx
一种基于策略迭代的方法，直接优化策略参数以最大化期望回报。通过计算梯度并更新策 略参数来实现策略改进。
Actor-Critic 方法
结合了值迭代和策略迭代的方法。Actor 负责根据当前策略选择动作，Critic负责评估当前 策略的性能并指导Actor进行改进。两者相互促进，共同优化智能体的行为。
03 深度学习技术与应用
神经网络基本原理
01
神经元模型
神经网络的基本单元，模 拟生物神经元的结构和功
能。
前向传播
输入信号经过神经元处理 后向前传递的过程。
反向传播
根据误差信号调整神经元 权重的过程。
卷积神经网络 (CNN)
卷积层
通过卷积操作提取输入数 据的特征。
池化层
降低数据维度，减少计算
量。
06
人工智能伦理、法律和社会影
响
数据隐私和安全问题
数据隐私泄露
人工智能系统通常需要大量数据进行训练和学习，其中可能包含用户的个人隐 私信息。如果这些数据没有得到妥善保护，就可能导致隐私泄露事件。
网络安全问题
人工智能系统可能成为网络攻击的目标，例如黑客利用漏洞攻击人工智能系统， 获取敏感信息或者破坏系统的正常运行。
将数据划分为K个簇，每个簇的中心由簇内所有样本的均值表示。通过
迭代更新簇中心和重新划分样本，使得每个样本与其所属簇中心的距离
之和最小。
层次聚类
通过计算样本之间的距离，将距离近的样本合并为一个簇，然后不断重 复该过程，直到达到预设的簇数量或满足其他停止条件。
03
主成分分析 (PCA)
通过正交变换将原始特征空间中的线性相关变量转换为线性无关的新变
深度学习在图像识别与分类中的应用 通过训练深度神经网络模型，学习从原始图像数据中提取有用 的特征，进而实现图像的高效识别和分类。
人工智能基础与应用教学ppt人工智能开放平台应用
第10章人工智能开放平台应用重点知识A KEYAI开放平台介绍百度AI开放平台应用更多AI开放平台实践内容导航CONTENTSAI开放平台介绍百度AI开放平台应用更多AI开放平台实践4第10章 人工智能开放平台应用10.1 AI 开放平台介绍p AI开放平台是一些企业推出的人工智能接口，开发者无须了解人工智能的算法、网络以及训练过程，只需按照特定的方式接入，就可以使用接口提供的产品。
p AI开放平台大多都可以实现Web API，即在线使用这些平台接口，完成功能实现，不过该过程需要调用接口的设备能够上网。
AI 开放平台百度AI 开放平台腾讯AI 开放平台阿里AI 开放平台京东AI 开放平台小爱AI 开放平台讯飞AI 开放平台表10-1 部分AI开放平台第10章 人工智能开放平台应用5 内容导航CONTENTSAI开放平台介绍百度AI开放平台应用更多AI开放平台实践p百度AI开放平台的开放能力如图10-1所示。
图10-1 百度AI开放平台的开放能力百度AI开放平台支持的接口语言有Java、PHP、Python、C++、C#、Node.js，支持的平台有PC、Android、iOS以及嵌入式Linux平台。
1．密钥申请图10-2 通用图像分析界面（1）登录并使用（2）创建应用图10-3 “创建新应用”界面（3）记录密钥图10-4 应用详情界面（4）下载SDK图10-5 SDK下载界面2．调用API实现识别图10-6 图像识别用到的文件SDK目录下的aip目录下还有其他文件，用于其他识别，图像识别用到的文件如图10-6所示。
在交互界面输入（联网状态）“pip install baidu-aip”命令，安装baidu-aip。
在Python目录下新建baidu_api目录，解压下载好的SDK，在baidu_api下新建baidu_api_image目录，AipImageClassify是图像识别的Python SDK客户端，为使用图像识别的开发人员提供了一系列的交互方法，在baidu_api_image目录下新建一个image_predict.py文件，baidu_api_image目录如图10-7所示。
人工智能培训ppt
随着人工智能技术的不断发展，可能会出现技术失控的风险，需 要加强伦理和法律监管。
技术人才短缺
目前人工智能领域的技术人才短缺问题较为突出，需要加强人才 培养和引进。
人工智能技术未来发展方向展望
跨界融合与创新
未来人工智能将与不同领域进行跨界融合，产生更多的创新应用，如医疗、教育、金融等 。
强化学习技术能够让机器通过试错学习，不断优化策略， 提高任务完成效率，未来将在机器人控制、自动驾驶等领 域发挥重要作用。
人工智能与物联网融合
随着物联网技术的不断发展，人工智能将在智能家居、智 能交通等领域发挥更大的作用。
人工智能技术挑战应对策略探讨
数据隐私与安全问题
随着人工智能应用的普及，数据隐私和安全问题将更加突出，需 要加强相关法律法规的制定和执行。
发展
人工智能的发展经历了从专家系统、知识工程到机器学习等 几个阶段，目前正处于深度学习引领的变革时期，并在语音 识别、自然语言处理、计算机视觉等领域取得了突破性进展 。
人工智能技术分类
基于问题类型的分类
分为确定性推理和不确定性推理。确定性推理是以数学逻辑为基础，处理精确 的数学问题；不确定性推理则是处理模糊的、不确定的问题。
CATALOGUE
基础知识与技术原理
数学基础
线性代数
微积分
向量、矩阵、线性方程组等概念及其 运算规则。
函数、极限、导数、积分等概念及其 计算方法。
概率论与统计
概率、期望、方差、协方差等概念及 其计算方法。
编程语言与算法
01
02
03
04
Python：人工智能领域最常 用的编程语言之一，具有简洁 易读、可扩展性强等特点。
Java：另一种广泛使用的编程 语言，适用于大型分布式系统
《人工智能基础与应用》教学课件—认知人工智能的应用技术
图像复原
图像编码 与压缩
图像分割 技术
为提取比较清晰的图像，减少在获取图像时环境噪声的影响、运动造成的图像模糊、光 线的强弱等原因使得图像模糊,需要对图像进行恢复。主要采用滤波方法,从降质的图像 恢复原始图。另一种特殊技术是图像重建,该技术是从物体横剖面的一组投影数据建立图 像。 为快速方便地在网络环境下传输图像或视频,必须对图像进行编码和压缩。如静态图像压 缩标准JPEG,针对图像的分辨率、色彩等进行规范。由于视频可被看作是一幅幅不同的但 有紧密相关的静态图像的时间序列,因此动态视频的单帧图像压缩可以应用静态图像的压 缩标准。图像编码压缩技术可以缓解数据量和存储器容量问题、提高图像传输速度、缩 短处理时间。 图像分割是把图像分成一些互不重叠而又具有各自特征的子区域,每一区域是像素的一个 连续集,这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割对图像中的目标 、背景进行标记、定位,然后把目标从背景中分离出来。目前,图像分割的方法主要有基 于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法。在实际 的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识 别、分析和理解奠定了基础。
任务一 视觉智能 ——机器如何 识字、看人
3.1.2 人脸识别技 术及应用
3.1.3 OCR文字识 别技术及应用
是图像识别的一个应用场景，也叫做人像识别、面部识别，即基于人的脸部特征信息进行身份识别 技术流程：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别
什么是OCR识别 OCR识别的智能化 OCR识别的应用
2. 技能点
掌握图像识别、人脸识别、文字识别的实训操作
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
算法——如深度学习、机器学习等，就是让计算机通过大量的数据
具备学习能力；
算力——每个聪明的人工智能系统背后都有一套强大的硬件系统，
用于计算处理大数据和执行先进算法的能力。
一、人工智能的核心驱动力
（一）人工智能的“加速器”——算力 什么是算力？
算力是人工智能的基础硬件层，为算法提供基础计算能力。涵盖：GPU、CPU、FPGA和各种 各样的ASIC专用芯片。
传统芯片及类脑芯片硬件信息比较
种类
特征 领域 企业
CPU
GPU
逻辑控制、串行 3D图像处理、密 运算等通用计算 集型并行运算
云端/终端推理 英特尔
云端训练
英伟达 Imagination
传统芯片 DSP
实现各种数字 信号处理算法
端侧推理 CEVA 中星微
FPGA
半定制IC、可编 程芯片
云端/终端推理 Xilinx 深鉴科技
和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍，解决了制约计算机视觉 发展的主要瓶颈。
一、人工智能的核心驱动力
（一）人工智能的“加速器”——算力
人工智能芯片的发展路径
两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要以 3 种类型的芯 片为代表，即 GPU、FPGA、ASIC，但 CPU依旧发挥着不可替代的作用；另一种是采用类 脑神经结构来提升计算能力，以IBM TrueNorth芯片为代表。
【教学要求】
1. 知识点
人工智能芯片的分类及特点 认知物联网和AIoT，以及云计算、5G的概念及应用 人工智能数据服务的采集、标注及统计分析
2. 重难点
通过本单元的学习，厘清机器学习、深度学习之间的关系及重点应用领域；了解 AIoT这一高频词的出现背景，思考人工智能技术与物联网在实际行业应用中的落 地融合；深刻理解数据、算法模型及场境应用的流程及相互关系，由此学习人工 智能数据服务的相关内容。
芯片的发展历程？ • 传统计算机芯片为CPU, 但这种传统计算架构无法支撑深度学习的大规模并行计算需求。 • GPU（图像处理器） 作为应对图像处理需求而出现的芯片，其海量数据并行运算的能力
与深度学习需求不谋而合，因此，被最先引入深度学习。
• GPU的优点：让并行计算成为可能，对数据处理规模、数据运算速度带来了指数级的增长。
云计算
提供快速安全的云计算与数据存储服务，让用户可以使用网络上的庞大计算资源与数据中心
与人工智能的关系
人工智能的基础计算平台，人工智能的能力集成到千万应用中的便捷途径
性能目标
高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接
5G
典型应用场景
在线视频、4K/8K业务、车联网、无人驾驶、远程医疗、智慧城市等
ASIC
计算能力和效率 可根据算法需要 定制
训练&推理
谷歌 寒武纪
类脑芯片
模拟人脑进行异步、 并行和分布式信息 处理 端侧推理
IBM
一、人工智能的核心驱动力
（二）人工智能的“发动机”——算法
什么是算法模型？
算法是人工智能的发动机，有了算法， 有了被训练的数据，经过多次训练， 经过模型评估和算法人员不断调整后， 会获得训练模型。有了好的算法模型， 人工智能业务要求的基础功能才能得 以实现。
人工智能基础与应用
认知人工智能的基础支撑
目录
• 教学目标 • 教学要求 • 内容概览 • 相关知识
2.1.1 人工智能的核心驱动力 2.1.2 人工智能的其他支撑技术 2.1.3 了解人工智能的数据服务
• 练习与思考
人工智能基础与应用 认知人工智能的基础支撑
【教学目标】
1.学习人工智能的核心驱动力——算力、算法、数据，以及 相互间的关系 2.概要了解人工智能的其他支撑技术——物联网、云计算、 5G及相互间的赋能 3.数据作为AI算法“燃料”的重要性以及采集、标注及分析 的基本流程
数据采集 数据标注 数据分析
被监测的各种物理量、影音图文信息、生产生活记录等 通过数据标注员借助标记工具，对人工智能学习数据进行加工的一种行为 数据标注的类型：图像标注、语音标注、文本标注、视频标注等 典型分析步骤：探索性数据分析、模型选定分析、推断分析
【相关知识】
人工智能的核心驱动力
• 人工智能的核心驱动力包括：
让机器像人一样的学习和思考——从已知数据中获得规律，并对未知进行预测
学习方式分类：监督学习、无监督学习和强化学习
让算法自动从数据中获取特征，而不是像机器学习人为提取特征
图像识别：图像分类、物体检测、图像分割、图像回归
主要应用方向
语音识别：语音识别、声纹识别、语音合成
自然语言处理：情感分析、神经机器翻译、自然语言推理
一、人工智能的核心驱动力
（二）人工智能的“发动机”——算法 人工智能的算法理论
人工智能、机器学习和深度学习的关系： 人工智能是目标，机器学习是重要实现手段 之一，深度学习则源于机器学习的一个技术 方向——人工神经网络。
一、人工智能的核心驱动力
（二）人工智能的“发动机”——算法
什么是机器学习？
让计算机具有像人一样的学习和思考能力，即从已知数据中获得规律，并利用规律对未 知数据进行预测的技术。在这整个过程中，最关键的是数据。 机器学习的分类
数据来源 大数据特点 与人工智能的关系
图像、声音等媒体数据；动作、姿态等行为数据；位置、天气等环境数据 规模性、高速性、多样性、价值稀疏性
相互促进，大数据要ቤተ መጻሕፍቲ ባይዱAI不断提高计算能力，同时也在不断训练着AI
物联网和AIoT
物联网“万物互联” AIoT“万物智联”
实现物体与物体、环境与状态信息之间实时共享 AI+IoT，人工智能技术与物联网在实际行业应用中的落地融合
大数据、算法、算力。
• 大数据可以比作人工智能的
燃料，算法是发动机，算力 则是支撑发动机高速运转的 加速器。
• 三者相辅相成，数据量的上
涨、运算力的提升和深度学 习算法的出现才能极大地促 进人工智能行业的发展。
人工智能三要素
一、人工智能的核心驱动力
大数据——这是让计算机获得智能的钥匙，具有三大特征：体量大、
【内容概览】
2.1.1 人工智能的核 心驱动力
项目二 认知人工智能的 基础支撑
2.1.2 人工智能的其 他支撑技术
2.1.3 了解人工智能 的数据服务
算力 加速器
算法 发动机 数据
燃料
人工智能的基础硬件层，为算法提供基础计算能力 涵盖：GPU、CPU、FPGA和各种各样的ASIC专用芯片
机器学习 深度学习