人工智能导论课件第10-11章
合集下载
人工智能导论课件马少才77页PPT
19
AI的研究ห้องสมุดไป่ตู้容
搜索技术 知识表示 规划方法 机器学习 认知科学
20
AI的研究内容（续1）
自然语言理解与机器翻译 专家系统与知识工程 定理证明 博弈 机器人 数据挖掘与知识发现
21
AI的研究内容（续2）
网络信息检索与挖掘 多Agent系统 复杂系统 足球机器人 人机交互技术
现代人工智能的兴起
现代人工智能（Artificial Intelligence，简 称AI），一般认为起源于美国1956年的一 次夏季讨论（达特茅斯会议），在这次会 议上，第一次提出了“Artificial Intelligence” 这个词。
1
什么是人工智能？
至今没有统一的定义 从“计算”到“算计”
22
人工智能取得的一些成果
五十年来，人工智能的研究虽然步履艰 难，但也取得了一些很突出的成绩。下 面列举一些实例。
23
定理证明
50年代中期，世界上最早的启发式程序 “逻辑理论家”，证明了数学名著《数 学原理》中的38个定理。经改进后，62 年证明了该书中全部的52个定理。被认 为是用计算机探讨人类智力活动的第一 个真正的成果。
11
AI的历史回顾（续3）
第二阶段（50年代中～60年代中） 通用方法时代
物理符号系统 主要研究的问题：GPS、游戏、翻译等 对问题的难度估计不足，陷入困境
12
AI的历史回顾（续4）
一个笑话（英俄翻译）：
The spirit is willing but the flesh is week. （心有余而力不足）
27
专家系统
人类之所以能求解问题，是因为人类具 有知识。
专家系统就是把有关领域专家的知识整 理出来，让计算机利用这些知识求解专 门领域的问题。
AI的研究ห้องสมุดไป่ตู้容
搜索技术 知识表示 规划方法 机器学习 认知科学
20
AI的研究内容（续1）
自然语言理解与机器翻译 专家系统与知识工程 定理证明 博弈 机器人 数据挖掘与知识发现
21
AI的研究内容（续2）
网络信息检索与挖掘 多Agent系统 复杂系统 足球机器人 人机交互技术
现代人工智能的兴起
现代人工智能（Artificial Intelligence，简 称AI），一般认为起源于美国1956年的一 次夏季讨论（达特茅斯会议），在这次会 议上，第一次提出了“Artificial Intelligence” 这个词。
1
什么是人工智能？
至今没有统一的定义 从“计算”到“算计”
22
人工智能取得的一些成果
五十年来，人工智能的研究虽然步履艰 难，但也取得了一些很突出的成绩。下 面列举一些实例。
23
定理证明
50年代中期，世界上最早的启发式程序 “逻辑理论家”，证明了数学名著《数 学原理》中的38个定理。经改进后，62 年证明了该书中全部的52个定理。被认 为是用计算机探讨人类智力活动的第一 个真正的成果。
11
AI的历史回顾（续3）
第二阶段（50年代中～60年代中） 通用方法时代
物理符号系统 主要研究的问题：GPS、游戏、翻译等 对问题的难度估计不足，陷入困境
12
AI的历史回顾（续4）
一个笑话（英俄翻译）：
The spirit is willing but the flesh is week. （心有余而力不足）
27
专家系统
人类之所以能求解问题，是因为人类具 有知识。
专家系统就是把有关领域专家的知识整 理出来，让计算机利用这些知识求解专 门领域的问题。
计算机,科学,导论第10章人工智能系统
计算机科学导论
16
10.5 智能计算
10.5.2 遗传算法 遗传算法（Genetic Algorithm,简称GA）是利
用达尔文的“适者生存，优胜劣汰”的自然进化规 则进行搜索和完成对问题求解的一种新方法。
计算机科学导论
17
10.5 智能计算
10.5.3 群集智能
1. 蚁群优化算法
蚁群(ant colony )算法是最近几年才提出的一种 新型模拟算法进化算法，它是20世纪90年代首先由 意大利学者M. Dorigo等人提出，称之为蚁群系统，
计算机科学导论
5
10.1 人工智能系统概述
10.1.4 人工智能的研究与应用领域
1. 问题求解 2. 专家系统 3. 决策支持系统 4. 自然语言处理 5. 组合高度和指挥 6. 智能机器人 7. 逻辑推理和定理证明 8. 模式识别 9. 自动程序设计 10. 智能控制
计算机科学导论
6
10.2 知识表示及推理
第十章 人工智能系统
计算机科学导论
1
本章要点：
◆人工智能系统概述 ◆知识表示及推理 ◆搜索技术 ◆自然语言处理 ◆智能计算 ◆机器学习
计算机科学导论
2
10.1 人工智能系统概述
10.1.1 什么是人工智能 人工智能AI(Artificial Intelligence)，又称为
机器智能MI(Machine Intelligence)，是研究、设计和 应用智能机器或智能系统，用来模拟人类智能活动的能 力，以延伸人类智能的科学。它是一门综合了计算机科 学、控制论、信息论、生理学、神经生理学、语言学、 哲学的交叉学科。
计算机科学导论
14
10.4 自然语言处理
920094-人工智能导论(第4版)-第10章 自然语言理解
5
10.1.2 自然语言理解研究的产生与发展
1. 萌芽时期（20世纪40年代末50年代初）
2. 以关键词匹配技术为主的时期 （A2.0D世ona纪ld B6o0ot年h &代W.始We）aver M. Chomsky 形式语言和文法
3. 以句法6语8年义B.分Ra析ph技ae术l：为语主义检的索时系期统（SIR20世纪70年代后）
24
第10章 自然语言理解及其应用
10.1 自然语言理解的概念与发展历史 10.2 语言处理过程的层次 10.3 机器翻译
✓10.4 语音识别
25
10.4.1 语言识别的概念
▪ 机器翻译用印刷文本作为输入，能清楚地区分单个 单词和单词串 。
▪ 语音识别用语音作为输入，口语对话与语音信号中 语言提取的不同：
10.3.1 机器翻译方法概述 10.3.2 翻译记忆
17
10.3.1 机器翻译方法概述
发展历程：
直接型
间接型
中间语言型
转换型
18
10.3.1 机器翻译方法概述
▪ 1. 直译式翻译系统(direct translation MT systems) 通过快速的分析和双语词典，将原文译出。
▪ 2. 规则式翻译系统(rule-based MT systems) 先分析原文内容，产生原文的句法结构，再转换成译 文的句法结构，最后再生成译文。
特点：切分单词容易，找出词素复杂。
词法分析算法举例：
repeat look for word in dictionary
if not found then modify the word
例：importable分为 import-able或
im-port-able
10.1.2 自然语言理解研究的产生与发展
1. 萌芽时期（20世纪40年代末50年代初）
2. 以关键词匹配技术为主的时期 （A2.0D世ona纪ld B6o0ot年h &代W.始We）aver M. Chomsky 形式语言和文法
3. 以句法6语8年义B.分Ra析ph技ae术l：为语主义检的索时系期统（SIR20世纪70年代后）
24
第10章 自然语言理解及其应用
10.1 自然语言理解的概念与发展历史 10.2 语言处理过程的层次 10.3 机器翻译
✓10.4 语音识别
25
10.4.1 语言识别的概念
▪ 机器翻译用印刷文本作为输入，能清楚地区分单个 单词和单词串 。
▪ 语音识别用语音作为输入，口语对话与语音信号中 语言提取的不同：
10.3.1 机器翻译方法概述 10.3.2 翻译记忆
17
10.3.1 机器翻译方法概述
发展历程：
直接型
间接型
中间语言型
转换型
18
10.3.1 机器翻译方法概述
▪ 1. 直译式翻译系统(direct translation MT systems) 通过快速的分析和双语词典，将原文译出。
▪ 2. 规则式翻译系统(rule-based MT systems) 先分析原文内容，产生原文的句法结构，再转换成译 文的句法结构，最后再生成译文。
特点：切分单词容易，找出词素复杂。
词法分析算法举例：
repeat look for word in dictionary
if not found then modify the word
例：importable分为 import-able或
im-port-able
人工智能导论课件第11章第4-5节
进行解释。语法规则决定了解析方式。
11.4 语法类型与语义分析
• 词汇——与语言的词汇、单词或语素（原子）有关。词汇源自词典。 • 语用学——在语境中运用语言的研究。 • 省略——省略了在句法上所需的句子部分，但是，从上下文而言，句子在语义
上是清晰的。
11.4.1 语法类型
• 学习语法是学习语言和教授计算机语言的一种好方法。费根鲍姆等人将语言的 语法定义为“指定在语言中所允许语句的格式，指出将单词组合成形式完整的 短语和子句的句法规则”。
11.5.2 自然语言处理工具
• 许多不同类型的机器学习算法已应用于自然语言处理任务。这些算法的输入是 一大组从输入数据生成的“特征”。一些最早使用的算法，如决策树，产生硬 的if-then规则类似于手写的规则，是再普通的系统体系。然而，越来越多的研 究集中于统计模型，这使得基于附加实数值的权重，每个输入要素柔软，概率 的决策。此类模型具有能够表达许多不同的可能的答案，而不是只有一个相对 的确定性，产生更可靠的结果时，这种模型被包括作为较大系统的一个组成部 分的优点。
11.5.3 自然语言处理技术难点
• 自然语言处理的技术难点一般有： – （1）单词的边界界定。在口语中，词与词之间通常是连贯的，而界定字词 边界通常使用的办法是取用能让给定的上下文最为通顺且在文法上无误的 一种最佳组合。在书写上，汉语也没有词与词之间的边界。 – （2）词义的消歧。许多字词不单只有一个意思，因而我们必须选出使句意 最为通顺的解释。 – （3）句法的模糊性。自然语言的文法通常是模棱两可的，针对一个句子通 常可能会剖析（Parse）出多棵剖析树（Parse Tree），而我们必须要仰赖 语意及前后文的信息才能在其中选择一棵最为适合的剖析树。
11.4.1 语法类型
11.4 语法类型与语义分析
• 词汇——与语言的词汇、单词或语素（原子）有关。词汇源自词典。 • 语用学——在语境中运用语言的研究。 • 省略——省略了在句法上所需的句子部分，但是，从上下文而言，句子在语义
上是清晰的。
11.4.1 语法类型
• 学习语法是学习语言和教授计算机语言的一种好方法。费根鲍姆等人将语言的 语法定义为“指定在语言中所允许语句的格式，指出将单词组合成形式完整的 短语和子句的句法规则”。
11.5.2 自然语言处理工具
• 许多不同类型的机器学习算法已应用于自然语言处理任务。这些算法的输入是 一大组从输入数据生成的“特征”。一些最早使用的算法，如决策树，产生硬 的if-then规则类似于手写的规则，是再普通的系统体系。然而，越来越多的研 究集中于统计模型，这使得基于附加实数值的权重，每个输入要素柔软，概率 的决策。此类模型具有能够表达许多不同的可能的答案，而不是只有一个相对 的确定性，产生更可靠的结果时，这种模型被包括作为较大系统的一个组成部 分的优点。
11.5.3 自然语言处理技术难点
• 自然语言处理的技术难点一般有： – （1）单词的边界界定。在口语中，词与词之间通常是连贯的，而界定字词 边界通常使用的办法是取用能让给定的上下文最为通顺且在文法上无误的 一种最佳组合。在书写上，汉语也没有词与词之间的边界。 – （2）词义的消歧。许多字词不单只有一个意思，因而我们必须选出使句意 最为通顺的解释。 – （3）句法的模糊性。自然语言的文法通常是模棱两可的，针对一个句子通 常可能会剖析（Parse）出多棵剖析树（Parse Tree），而我们必须要仰赖 语意及前后文的信息才能在其中选择一棵最为适合的剖析树。
11.4.1 语法类型
人工智能导论全套完整ppt课件
13
1.2.2 形成（1956年－1969年）
1956年夏，当时美国达特茅斯大学数学助教、现任斯坦福大 学教授麦卡锡和哈佛大学数学和神经学家、现任MIT教授明 斯基、IBM公司信息研究中心负责人洛切斯特、贝尔实验室 信息部数学研究员香农共同发起，邀请普林斯顿大学莫尔和 IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫以及兰德公 司和卡内基－梅隆大学的纽厄尔、西蒙等10名年轻学者在达 特莫斯大学召开了两个月的学术研讨会，讨论机器智能问题。
11
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
公元前，亚里斯多德（Aristotle）：三段论 培根（F. Bacon）：归纳法 莱布尼茨（G. W. Leibnitz）：万能符号、推理计算 布尔（G. Boole）：用符号语言描述思维活动的基本 推理法则 1936年，图灵：图灵机 1943年，麦克洛奇（W. McCulloch）、匹兹(W. Pitts)： M－P模型
12
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
美国爱荷华州立大学的阿塔纳索夫教授和他的研究生贝 瑞在1937年至1941年间开发的世界上第一台电子计算机 “ 阿 塔 纳 索 夫 － 贝 瑞 计 算 机 （ Atanasoff-Berry Computer，ABC）”为人工智能的研究奠定了物质基础。
人工智能学科：一门研究如何构造智能机器（智能计算机） 或智能系统，使它能模拟、延伸、扩展人类智能的学科。
图灵测试：1950年图灵发表的《计算机与智能》中设计了一 个测试，用以说明人工智能的概念。
智者
询问者
10
第1章 绪论
1.1 人工智能的基本概念
✓ 1.2 人工智能的发展简史
1.2.2 形成（1956年－1969年）
1956年夏，当时美国达特茅斯大学数学助教、现任斯坦福大 学教授麦卡锡和哈佛大学数学和神经学家、现任MIT教授明 斯基、IBM公司信息研究中心负责人洛切斯特、贝尔实验室 信息部数学研究员香农共同发起，邀请普林斯顿大学莫尔和 IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫以及兰德公 司和卡内基－梅隆大学的纽厄尔、西蒙等10名年轻学者在达 特莫斯大学召开了两个月的学术研讨会，讨论机器智能问题。
11
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
公元前，亚里斯多德（Aristotle）：三段论 培根（F. Bacon）：归纳法 莱布尼茨（G. W. Leibnitz）：万能符号、推理计算 布尔（G. Boole）：用符号语言描述思维活动的基本 推理法则 1936年，图灵：图灵机 1943年，麦克洛奇（W. McCulloch）、匹兹(W. Pitts)： M－P模型
12
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
美国爱荷华州立大学的阿塔纳索夫教授和他的研究生贝 瑞在1937年至1941年间开发的世界上第一台电子计算机 “ 阿 塔 纳 索 夫 － 贝 瑞 计 算 机 （ Atanasoff-Berry Computer，ABC）”为人工智能的研究奠定了物质基础。
人工智能学科：一门研究如何构造智能机器（智能计算机） 或智能系统，使它能模拟、延伸、扩展人类智能的学科。
图灵测试：1950年图灵发表的《计算机与智能》中设计了一 个测试，用以说明人工智能的概念。
智者
询问者
10
第1章 绪论
1.1 人工智能的基本概念
✓ 1.2 人工智能的发展简史
人工智能导论全书课件完整版ppt全套教学教程最全电子教案教学设计最新
人工智能是研究使计算机模拟人类的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
人工智能的特点
人工智能经历了六十多年的发展，现在已进入AI 2.0阶段
人工智能的分类
斯图尔特·罗素
斯图尔特·罗素（Stuart Russell），世界经济论坛（WEF）人工智能委员会副主席、加州大学伯克利分校人工智能中心创始人。
斯蒂芬·威廉·霍金
斯蒂芬·威廉·霍金（Stephen William Hawking），著名物理学家，被誉为继爱因斯坦之后最杰出的理论物理学家。他曾经指出：强大的人工智能的崛起，要么是人类历史上最好的事，要么是最糟的。
自1956年诞生以来，人工智能研究已经取得了许多令人兴奋的成果，并在多个领域得到了广泛的应用，极大地改变了人们的社会生活。本节将对人工智能的概念作简单的介绍。
人工智能（Artificial Intelligence，AI）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。
2017年8月3日，腾讯公司正式发布了人工智能医学影像产品——腾讯觅影。同时，还宣布成立人工智能医学影像联合实验室。
2017年10月11日，阿里巴巴首席技术官张建锋宣布成立全球研究院——达摩院。达摩院的成立，代表着阿里巴巴正式迈入全球人工智能等前沿科技的研发行列。
从细分的研究领域来看，最受国际人工智能人才青睐的领域为机器学习、数据挖掘和模式识别，中国人工智能人才则倾向于投入遗传算法、神经网络和故障诊断方面。
1950年，一位名叫马文·明斯基（Marvin Lee Minsky，后被称为“人工智能之父”）的大四学生与他的同学邓恩·埃德蒙（Dean Edmunds）一起，建造了世界上第一台神经网络计算机，被看作是人工智能的一个起点。
人工智能导论全套课件
计算机视觉技术的挑战与未来发展
挑战
计算机视觉技术面临的挑战包括光照变 化、噪声干扰、遮挡问题、运动模糊等 。
VS
未来发展
随着深度学习技术的不断发展，计算机视 觉技术将更加成熟和高效。未来，计算机 视觉技术将更加注重实时性、鲁棒性和自 适应性，同时将更加广泛地应用于各个领 域。
06
人工智能伦理、法律与社会影响
01
各国政府正在制定相关法律和监管政策，以确保人工智能技术
的合法、合规和安全使用。
知识产权保护
02
对于人工智能技术和应用，知识产权保护是一个重要问题，需
要建立相应的法律制度。
跨国合作与国际法规
03
随着人工智能技术的全球化发展，跨国合作和国际对社会的影响与未来趋势
1 2
应用场景
如图像识别、语音识别、自然语言处理、推 荐系统等。
深度学习原理与框架介绍
神经网络模型
通过模拟人脑神经元之间的连接 方式，构建多层神经网络模型。
反向传播算法
通过计算输出层与目标值之间的误 差，反向调整每个神经元的权重， 使整个网络的输出结果更加准确。
深度学习框架
如TensorFlow、PyTorch等，提供 了丰富的深度学习算法和工具，方 便用户进行模型训练和部署。
深度学习
神经网络结构、反向传播 算法、卷积神经网络等。
03
机器学习与深度学习
机器学习算法与应用场景
监督学习算法
如线性回归、逻辑回归、支持向量机等，用 于根据输入特征预测输出结果。
非监督学习算法
如聚类分析、关联规则挖掘等，用于发现数 据中的模式和结构。
强化学习算法
通过与环境的交互来学习策略，适用于机器 人控制、游戏等领域。
人工智能导论课件第10章
• 机器视觉的起源可追溯到20世纪60年代美国学者L. R. 罗伯兹对多面体积木世界 的图像处理研究，70年代麻省理工学院（MIT）人工智能实验室“机器视觉” 课程的开设。到80年代，全球性机器视觉研究热潮开始兴起，出现了一些基于 机器视觉的应用系统。90年代以后，随着计算机和半导体技术的飞速发展，机 器视觉的理论和应用得到进一步发展。
第2节
1
人类的图像识别能力
2
图像识别
3
计算机图形识别模型
4
图像识别的发展
10.2 图像识别
• 随着时代的进步，越来越多的东西逐渐依赖于越来越难以捉摸的人工智能，不 过渐渐的，人们发现后者的一些缺陷也越来越重要。例如，
• 人类拥有记忆，拥有“高明”的识别系统，比如告诉你面前的一只动物是 “猫”，以后你再看到猫，一样可以认出来。可是，虽然人工智能已经具备了 一定的意识，但或许还是小学生而已。如果说 人工智能要通过那么多张图片才能认识什么是 猫，那么需要多少张图片去认识这个世界呢？
图10-3 人工智能的意识
10.2 图像识别
• 人类是通过眼睛接收到光源反射，“看”到了自己眼前的事物，但是可能很多 内容元素人们并不在乎；就像你好几天甚至更久前刚刚擦肩而过的一个人，如 果你今天再次看到，你不一定会记得他，但是人工智能会记住所有它见过的任 何人，任何事物。
• 比如右图，人类会觉得这是很简单的黄黑间条。不过如果你问问最先进的人工 智能，它给出的答案也许会是校车，而且99%地肯定。对 于图10-5，人工智能虽不能看出这是一条戴着墨西哥帽的 吉娃娃狗（有的人也未必能认出），但是起码能识别出这 是一条戴着宽边帽的狗。
图10-7 智能图像处理的支撑作用
10.3.1 机器视觉的发展
• 具有智能图像处理功能的机器视觉（Machine Vision），相当于人们在赋予机 器智能的同时为机器按上了眼睛，使机器能够“看得见”、“看得准”，可替 代甚至胜过人眼做测量和判断，使得机器视觉系统可以实现高分辨率和高速度 的控制。而且，机器视觉系统与被检 测对象无接触，安全可靠。
第2节
1
人类的图像识别能力
2
图像识别
3
计算机图形识别模型
4
图像识别的发展
10.2 图像识别
• 随着时代的进步，越来越多的东西逐渐依赖于越来越难以捉摸的人工智能，不 过渐渐的，人们发现后者的一些缺陷也越来越重要。例如，
• 人类拥有记忆，拥有“高明”的识别系统，比如告诉你面前的一只动物是 “猫”，以后你再看到猫，一样可以认出来。可是，虽然人工智能已经具备了 一定的意识，但或许还是小学生而已。如果说 人工智能要通过那么多张图片才能认识什么是 猫，那么需要多少张图片去认识这个世界呢？
图10-3 人工智能的意识
10.2 图像识别
• 人类是通过眼睛接收到光源反射，“看”到了自己眼前的事物，但是可能很多 内容元素人们并不在乎；就像你好几天甚至更久前刚刚擦肩而过的一个人，如 果你今天再次看到，你不一定会记得他，但是人工智能会记住所有它见过的任 何人，任何事物。
• 比如右图，人类会觉得这是很简单的黄黑间条。不过如果你问问最先进的人工 智能，它给出的答案也许会是校车，而且99%地肯定。对 于图10-5，人工智能虽不能看出这是一条戴着墨西哥帽的 吉娃娃狗（有的人也未必能认出），但是起码能识别出这 是一条戴着宽边帽的狗。
图10-7 智能图像处理的支撑作用
10.3.1 机器视觉的发展
• 具有智能图像处理功能的机器视觉（Machine Vision），相当于人们在赋予机 器智能的同时为机器按上了眼睛，使机器能够“看得见”、“看得准”，可替 代甚至胜过人眼做测量和判断，使得机器视觉系统可以实现高分辨率和高速度 的控制。而且，机器视觉系统与被检 测对象无接触，安全可靠。
《人工智能导论》课件
深度学习
强化学习
随着算法和计算能力的提升，深度学习将 在语音识别、图像识别、自然语言处理等 领域取得更大突破。
强化学习在决策优化、游戏等领域的应用 将更加广泛，实现更高效的学习和决策。
边缘计算
数据隐私和安全
随着物联网设备的普及，边缘计算将与人 工智能结合，实现更快速、低延迟的处理 和响应。
随着人工智能应用的普及，数据隐私和安 全问题将更加受到关注，需要加强数据保 护和加密技术的研究和应用。
CHAPTER
03
人工智能的实际应用
智能语音助手
智能语音助手是人工智能技术的一个重要应用，它能够识别和理解人类语音，并 作出相应的回应。例如，苹果的Siri、亚马逊的Alexa和谷歌的Google Assistant 等。
智能语音助手在家庭、办公室等场景中广泛应用，可以帮助人们完成查询信息、 设置提醒、控制智能家居设备等多种任务。
智能机器人
智能机器人是人工智能技术的另一个重要应用，它们可以在 没有人工干预的情况下独立完成一系列复杂任务。例如，工 业机器人、服务机器人和家庭机器人等。
智能机器人已经在制造业、医疗保健、航空航天等领域得到 广泛应用，提高了生产效率、服务质量和工作安全性。
自动驾驶汽车
自动驾驶汽车是人工智能技术在交通 领域的应用，它能够通过传感器、雷 达和摄像头等设备感知周围环境，并 自主完成驾驶任务。
人工智能的潜在风险和挑战
数据偏见
人工智能算法可能受到数据偏见的影 响，导致不公平和歧视性的决策。
失业问题
人工智能的发展可能导致部分职业的 消失，需要探索新的就业模式和培训 计划。
安全和隐私
人工智能技术可能被用于侵犯个人隐 私和安全，需要加强监管和法律约束 。
人工智能导论
人工智能导论人工智能是目前迅速发展的新兴学科，已经成为许多高新技术产品中的核心技术，也是计算机游戏等数字媒体产品中的重要设计技术。
人工智能在Internet时代获得了前所未有的发展机遇，Web环境下智能信息处理技术成为推动人工智能在网络环境中发展的一大动力。
由于人工智能是模拟人类智能解决问题的方法，在众多领域都具有非常广泛的应用，所以，目前不仅许多专业的研究生开设人工智能课程，而且许多专业的本科生，特别是计算机类、自动化类、电气类以及电子信息类、机械类等专业的本科生，都开设了人工智能课程。
1.本书的形成本书作者于1989年开始从事人工智能及其应用方面的研究，从1993年开始从事人工智能方面的教学。
为控制科学与工程、计算机科学与技术、机械工程等专业研究生讲授“人工智能原理与应用”课程，为计算机、自动化等专业本科生讲授“人工智能导论”课程，还为全校工学、理学、经济学、管理学、哲学、文学、法学等专业学生开设“人工智能及其应用”公选课。
在多年的教学实践中，深感需要编著一本基础性强、可读性好、适合讲授的人工智能教材。
本书作者在自己多年来的讲稿基础上，于2005年编写出版了《人工智能及其应用》，作为研究生和本科生的人工智能教材，被许多高校选用。
随着人工智能技术的发展，越来越多的本科专业开设了人工智能课程。
因此，面向本科生的人工智能课程的教材建设具有重要意义。
作者选择基础、实用的内容，并充实了一些应用性内容，编写了用于本科教学的《人工智能导论》，其目的是使学生学习和掌握人工智能的基本概念和基本原理，了解人工智能的一些前沿内容，拓宽知识面，启发思路，为今后在相关领域应用人工智能技术奠定基础。
本书的第4版被国内众多高校选作人工智能基础课程教材，这次修订，进一步增加了一些人工智能的前沿、实用算法，并扩充了实验指导书，方便实验教学。
2.主要内容全书共11章。
第1章除了介绍人工智能的基本概念、发展简史，着重介绍目前人工智能的主要研究内容与各种应用，以开阔读者的视野，引导读者进入人工智能各个研究领域。
探索智能世界：人工智能导论ppt
谢谢大家
Hale Waihona Puke 机器学习基础机器学习是人工智能的重要分支，它可以让计算机从数据中自动学习出规 律和模式，并用于预测未知的数据。其实现方法包括监督式学习、无监督 式学习和强化学习。在实际应用时，我们需要根据具体情况选择合适的方 法，并进行数据清洗、特征选取、模型训练和评估等流程。通过这些步骤 ，我们可以得到一个可行的模型，从而实现自动化预测或分类任务。
未来趋势预测
随着人工智能技术的不断发展，未来趋势预测将主要集中在以下几个方面 ： 1.人工智能与IoT的融合将加速推进，网络安全成为重要问题。 2.机器学习与深度学习技术将进一步完善，大数据与算法优化将成为关键 。 3.自然语言处理和计算机视觉技术的应用范围将扩大，并可能引起社会变 革。 4.人工智能伦理问题将更多地受到关注和探讨，监管机制逐渐完善。
人工智能的伦理问题
人工智能的伦理问题是一个备受关注的话题。在开发和应用人工智能技术 时，需要严格遵守法律法规和道德标准，以确保不会对人类社会造成负面 影响。其中涉及到数据保护、隐私权、透明度等方面的问题。在解决这些 问题时，需要建立可靠的监管机制和有效的合规措施。 针对这些问题，可以采取一系列措施来保障人工智能技术的合规性和伦理 性。 首先，需要对数据进行安全管理并遵守隐私政策。 其次，在算法开发过程中应该充分考虑用户体验和意愿，并进行透明公开 。
计算机视觉技术
计算机视觉技术是指利用计算机和数字图像处理技术对现实中的图像、视 频等视觉信号进行分析、识别和处理的能力。其主要包括图像处理、模式 识别、目标检测等技术。其中，最常见的应用包括人脸识别、车牌识别和 安防监控。 实现计算机视觉技术主要分为两个阶段。 第一阶段是特征提取，即将原始图像或视频中的信息进行抽象化，提取出 特征信息，以便后续的处理。 第二阶段是分类和识别，即将特征与已知信息进行匹配，达到分类和识别 的目的。
人工智能导论课件第10章第4-5节
第4节
1
机器视觉的行业应用
2
检测与机器人视觉应用
别技术的应用
• 图像是人类获取和交换信息的主要来源，因此与图像相关的图像识别技术必定 也是未来的研究重点。计算机的图像识别技术在公共安全、生物、工业、农业、 交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统，公共安全方 面的人脸识别技术、指纹识别技术，农业方面的种子识别技术、食品品质检测 技术，医学方面的心电图识别技术等。随着 计算机技术的不断发展，图像识别技术也在 不断地优化，其算法也在不断地改进。
10.4.2 检测与机器人视觉应用
• 6. 轴承实时监控 • 视觉技术实时监控轴承的负载和温度变化，消除过载和过热的危险。将传统上
通过测量滚珠表面保证加工质量和安全操作的被动式测量变为主动式监控。
10.4.3 应用案例：布匹质量检测
• 在布匹生产过程中，像布匹质量检测这种有高度重复性和智能性的工作通常只 能靠人工检测来完成，在现代化流水线后面常常可看到很多的检测工人来执行 这道工序，给企业增加巨大的人工成本和管理成本的同时，却仍然不能保证 100 %的检验合格率（即“零缺陷”）。对布匹质量的检测是重复性劳动，容 易出错且效率低。采用机器视觉的自动识别技术，在大批量的布匹检测中，可 以大大提高生产效率和生产的自动化程度。
10.5.2 图像预处理
• 对于采集到的数字化的现场图像，由于受到设备和环境因素的影响，往往会受 到不同程度的干扰，如噪声、几何形变、彩色失调等，都会妨碍接下来的处理 环节。为此，必须对采集图像进行预处理。常见的预处理包括噪声消除、几何 校正、直方图均衡等处理。
• 通常使用时域或频域滤波的方法来去除图像中的噪声；采用几何变换的办法来 校正图像的几何失真；采用直方图均衡、同态滤波等方法来减轻图像的彩色偏 离。总之，通过这一系列的图像预处理技术，对采集图像进行“加工”，为机 器视觉应用提供“更好”、“更有用”的图像。
1
机器视觉的行业应用
2
检测与机器人视觉应用
别技术的应用
• 图像是人类获取和交换信息的主要来源，因此与图像相关的图像识别技术必定 也是未来的研究重点。计算机的图像识别技术在公共安全、生物、工业、农业、 交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统，公共安全方 面的人脸识别技术、指纹识别技术，农业方面的种子识别技术、食品品质检测 技术，医学方面的心电图识别技术等。随着 计算机技术的不断发展，图像识别技术也在 不断地优化，其算法也在不断地改进。
10.4.2 检测与机器人视觉应用
• 6. 轴承实时监控 • 视觉技术实时监控轴承的负载和温度变化，消除过载和过热的危险。将传统上
通过测量滚珠表面保证加工质量和安全操作的被动式测量变为主动式监控。
10.4.3 应用案例：布匹质量检测
• 在布匹生产过程中，像布匹质量检测这种有高度重复性和智能性的工作通常只 能靠人工检测来完成，在现代化流水线后面常常可看到很多的检测工人来执行 这道工序，给企业增加巨大的人工成本和管理成本的同时，却仍然不能保证 100 %的检验合格率（即“零缺陷”）。对布匹质量的检测是重复性劳动，容 易出错且效率低。采用机器视觉的自动识别技术，在大批量的布匹检测中，可 以大大提高生产效率和生产的自动化程度。
10.5.2 图像预处理
• 对于采集到的数字化的现场图像，由于受到设备和环境因素的影响，往往会受 到不同程度的干扰，如噪声、几何形变、彩色失调等，都会妨碍接下来的处理 环节。为此，必须对采集图像进行预处理。常见的预处理包括噪声消除、几何 校正、直方图均衡等处理。
• 通常使用时域或频域滤波的方法来去除图像中的噪声；采用几何变换的办法来 校正图像的几何失真；采用直方图均衡、同态滤波等方法来减轻图像的彩色偏 离。总之，通过这一系列的图像预处理技术，对采集图像进行“加工”，为机 器视觉应用提供“更好”、“更有用”的图像。
相关主题
- 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)。
第2节
1
人类的图像识别能力
2
图像识别
3
计算机图形识别模型
4
图像识别的发展
10.2 图像识别
• 随着时代的进步，越来越多的东西逐渐依赖于越来越难以捉摸的人工智能，不 过渐渐的，人们发现后者的一些缺陷也越来越重要。例如，
• 人类拥有记忆，拥有“高明”的识别系统，比如告诉你面前的一只动物是 “猫”，以后你再看到猫，一样可以认出来。可是，虽然人工智能已经具备了 一定的意识，但或许还是小学生而已。如果说 人工智能要通过那么多张图片才能认识什么是 猫，那么需要多少张图片去认识这个世界呢？
10.2.3 计算机图像识别模型
• 例如，人们不仅能识别某一个具体的字母A，也能识别印刷体的、手写体的、 方向不正、大小不同的各种字母A。同时，人能识别的图像是大量的，如果所 识别的每一个图像在脑中都有一个相应的模板，也是不可能的。
• 为了解决模板匹配模型存在的问题，格式塔心理学家又提出了一个原型匹配模 型。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是 图像的某些“相似性”。从图像中抽象出来的“相似性”就可作为原型，拿它 来检验所要识别的图像。
10.3.1 机器视觉的发展
图10-8 图像处理与模式识别应用于指纹识别
10.3.1 机器视觉的发展
• 机器视觉是人工智能领域中发展迅速的一个重要分支，正处于不断突破、走向 成熟的阶段。一般认为机器视觉“是通过光学装置和非接触传感器自动地接受 和处理一个真实场景的图像，通过分析图像获得所需信息或用于控制机器运动 的装置”，可以看出智能图像处理技术在机器视觉中占有举足轻重的位置。
10.2.1 人类的图像识别能力
• 图形刺激作用于感觉器官，人们辨认出它是以前见过的某一图形的过程，也叫 图像再认。在图像识别中，既要有当时进入感官的信息，也要有记忆中存储的 信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图 像的再认。
• 人的图像识别能力是很强的。图像距离的改变或图像在感觉器官上作用位置的 改变，都会造成图像在视网膜上的大小和形状的改变。即使在这种情况下，人 们仍然可以认出他们过去知觉过的图像。甚至图像识别可以不受感觉通道的限 制。例如，人可以用眼看字，当别人在他背上写字时，他也可认出这个字来。
图10-3 人工智能的意识
10.2 图像识别
• 人类是通过眼睛接收到光源反射，“看”到了自己眼前的事物，但是可能很多 内容元素人们并不在乎；就像你好几天甚至更久前刚刚擦肩而过的一个人，如 果你今天再次看到，你不一定会记得他，但是人工智能会记住所有它见过的任 何人，任何事物。
• 比如右图，人类会觉得这是很简单的黄黑间条。不过如果你问问最先进的人工 智能，它给出的答案也许会是校车，而且99%地肯定。对 于图10-5，人工智能虽不能看出这是一条戴着墨西哥帽的 吉娃娃狗（有的人也未必能认出），但是起码能识别出这 是一条戴着宽边帽的狗。
• 例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这 个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这 个图像也就被识别了。例如有一个字母A，如果在脑中有个A模板，字母A的大 小、方位、形状都与这个A模板完全一致，字母A就被识别了。这个模型简单明 了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才 能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别 与模板不完全一致的图像。
10.2.4 图像识别的发展
• 图像分割的方法有许多种，如阈值分割方法、边缘检测方法、区域提取方法、 结合特定理论工具的分割方法等。从图像的类型来分，有灰度图像分割、彩色 图像分割和纹理图像分割等。早在1965年就有人提出了检测边缘算子，使得边 缘检测产生了不少经典算法。但在近二十年间，随着基于直方图和小波变换的 图像分割方法的研究计算技术、VLSI技术的迅速发展，有关图像处理方面的研 究取得了很大的进展。图像分割方法结合了一些特定理论、 方法和工具，如基 于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等。
第3节
1
机器视觉的发展
2
图像处理
3
计算机视觉
4
计算机视觉与机器视觉的区别
5
神经网络的图像识别技术
10.3 机器视觉与图像处理
• 智能图像处理是指一类基于计算机的自适应于各种应用场合的图像处理和分析 技术，本身是一个独立的理论和技术领域，但同时又是机器视觉中的一项十分 重要的技术支撑。人工智能、机器视觉和智能图像处理技术之间的关系如右图 所示。
10.1 模式识别
• 模式识别是一门与数学紧密结合的科学，其中所用的思想方法大部分是概率与 统计。模式识别主要分为三种：统计模式识别、句法模式识别和模糊模式识别。
• 模式识别研究主要集中在两方面： – 一是研究生物体（包括人）是如何感知对象的，属于认识科学的范畴， – 二是在给定的任务下，如何用计算机实现模式识别的理论和方法。
10.1 模式识别
• 应用计算机对一组事件或过程进行辨识和 分类，所识别的事件或过程可以是文字、 声音、图像等具体对象，也可以是状态、 程度等抽象对象。这些对象与数字形式的 信息相区别，称为模式信息。模式识别与 统计学、心理学、语言学、计算机科学、 生物学、控制论等都有关系。它与人工智 能、图像处理的研究有交叉关系。 图10-2 模式识别应用于视频监控系统
10.2.2 图像识别基础
• 图像识别可能是以图像的主要特征为基础的。每个图像都有它的特征，如字母 A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明， 视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方 向突然改变的地方，这些地方的信息量最大。而且眼睛的扫描路线也总是依次 从一个特征转到另一个特征上。由此可见，在图像识别过程中，知觉机制必须 排除输入的多余信息，抽出关键的信息。同时，在大脑里必定有一个负责整合 信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映像。
10.2.4 图像识别的发展
• 现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声 污染或是目标图像有较大残缺往往就得不出理想的结果。
• 在图像识别的发展中，主要有三种识别方法：统计模式识别、结构模式识别、 模糊模式识别。图像分割是图像处理中的一项关键技术，自20世纪70年代以来， 其研究一直都受到人们的高度重视，借助于各种理论提出了数以千计的分割算 法。
10.2.2 图像识别基础
• 在计算机视觉识别系统中，图像内容通常用图像特征进行描述。事实上，基于 计算机视觉的图像检索也可以分为类似文本搜索引擎的三个步骤：提取特征、 建立索引以及查询。
图10-6 用图像特征进行描述
10.2.3 计算机图像识别模型
• 图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算 机程序，人们提出了不同的图像识别模型。
10.2 图像识别
• 图像识别（image identification），是指利用计算机对图像进行处理、分析和 理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种 实践应用。图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在 安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特 别是无人货架、智能零售柜等无人零售领域 。另外，在地理学中，图像识别也 指将遥感图像进行分类的技术。
10.2.2 图像识别基础
• 人类对复杂图像的识别往往要通过不同层次的信息加工才能实现。对于熟悉的 图形，由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意 它的细节。这种由孤立单元材料组成的整体单位叫做组块，每一个组块是同时 被感知的。在文字材料的识别中，人们不仅可以把一个汉字的笔划或偏旁等单 元组成一个组块，而且能把经常在一起出现的字或词组成组块单位来加以识别。
10.2.4 图像识别的发展
• 图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。 • 文字识别：研究开始于1950年。一般是识别字母、数字和符号，从印刷文字识
别到手写文字识别， 应用非常广泛。 • 数字图像处理和识别：研究开始于1965年。数字图像与模拟图像相比具有存储，
传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像 识别技术的发展提供了强大的动力。 • 物体识别：主要是指对三维世界的客体及环境的感知和认识，属于高级的计算 机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学 科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。
10.2.3 计算机图像识别模型
• 如果能找到一个相似的原型，这个图像也就被识别了。这种模型从神经上和记 忆探寻的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则 的，但某些方面与原型相似的图像的识别。但是，这种模型没有说明人是怎样 对相似的刺激进行辨别和加工的，它也难以在计算机程序中得到实现。因此又 有人提出了一个更复杂的模型，即“泛魔”识别模型。一般工业使用中，采用 工业相机拍摄图片，然后利用软件根据图片灰阶差做处理后识别出有用信息。
10.2 图像识别
图10-5 识别戴着墨西哥帽的吉娃娃狗
10.2 图像识别
• 怀俄明大学进化人工智能实验室的一项研究却表明，人工智能未必总是那么灵 光，也会把这些随机生成的简单图像当成了鹦鹉、乒乓球拍或者蝴蝶。当研究 人员把这个研究结果提交给神经信息处理系统大会进行讨论时，专家形成了泾 渭分明的两派意见。一组人领域经验更丰富，他们认为这个结果是完全可以理 却把结果完全弄错感到惊讶。
• 机器视觉的起源可追溯到20世纪60年代美国学者L. R. 罗伯兹对多面体积木世界 的图像处理研究，70年代麻省理工学院（MIT）人工智能实验室“机器视觉” 课程的开设。到80年代，全球性机器视觉研究热潮开始兴起，出现了一些基于 机器视觉的应用系统。90年代以后，随着计算机和半导体技术的飞速发展，机 器视觉的理论和应用得到进一步发展。