第7章

人工智能基礎本章目標人工智能的概念、發(fā)展歷程和分類；機器學習與深度學習；人工智能的典型應用領(lǐng)域；人工智能倫理與社會問題；人工智能實踐案例：決策樹和貓狗識別。第7章

人工智能基礎人工智能概述

7.1人工智能技術(shù)基礎人工智能的典型應用領(lǐng)域人工智能倫理與社會問題

7.27.37.4人工智能實踐案例7.57.1人工智能概述7.1.1什么是人工智能從廣義上講，人工智能是指由計算機系統(tǒng)執(zhí)行的、通常需要人類智能的任務，如感知、推理、學習、決策等。人工智能的核心目標是賦予機器理解、學習、推理、解決問題以及適應新環(huán)境的能力。從技術(shù)實現(xiàn)角度來看，人工智能依賴于多種復雜的算法和模型。7.1人工智能概述7.1.2人工智能的發(fā)展歷程早期探索，20世紀50年代被視為人工智能的誕生元年。發(fā)展低谷，人工智能的發(fā)展并非一帆風順。復蘇與發(fā)展，到了20世紀80年代末，隨著計算機硬件性能的顯著提升以及算法的不斷創(chuàng)新，人工智能迎來了復蘇的曙光?，F(xiàn)代人工智能的崛起。7.1人工智能概述7.1.3人工智能的分類

按能力分類：弱人工智能、強人工智能、超人工智能。按實現(xiàn)方式分類：符號主義、連接主義、行為主義。按功能分類：感知智能、認知智能、運動智能按應用領(lǐng)域分類：計算機視覺、自然語言處理、機器人......第7章

人工智能基礎人工智能概述

7.1人工智能技術(shù)基礎人工智能的典型應用領(lǐng)域人工智能倫理與社會問題

7.27.37.4人工智能實踐案例7.57.2人工智能技術(shù)基礎7.2.1機器學習

監(jiān)督學習可以理解為計算機在“老師”的指導下進行學習。與監(jiān)督學習不同，無監(jiān)督學習就像是讓計算機在沒有“老師”指導的情況下自己探索數(shù)據(jù)的奧秘。強化學習可以看作是計算機在與環(huán)境進行交互的過程中，通過不斷嘗試來學習最優(yōu)行為策略的過程。7.2人工智能技術(shù)基礎7.2.2深度學習

人工神經(jīng)網(wǎng)絡基礎多層感知機（MLP）卷積神經(jīng)網(wǎng)絡（CNN）與應用場景循環(huán)神經(jīng)網(wǎng)絡（RNN）及其變體（LSTM、GRU）第7章

人工智能基礎人工智能概述

7.1人工智能技術(shù)基礎人工智能的典型應用領(lǐng)域人工智能倫理與社會問題

7.27.37.4人工智能實踐案例7.57.3人工智能的典型應用領(lǐng)域7.3.1自然語言處理

什么是自然語言處理

自然語言處理（NaturalLanguageProcessing，NLP）就是讓計算機學會像人類一樣理解、分析、生成自然語言。7.3人工智能的典型應用領(lǐng)域7.3.1自然語言處理

自然語言處理的主要任務

詞法分析是自然語言處理的基礎環(huán)節(jié)，它主要負責對文本進行切分和詞性標注。句法分析則是進一步分析句子的結(jié)構(gòu)。語義理解是自然語言處理中較為復雜的部分，它的目標是讓計算機真正理解文本所表達的含義。7.3人工智能的典型應用領(lǐng)域7.3.1自然語言處理

自然語言處理的實現(xiàn)方式

早期的自然語言處理主要依賴于基于規(guī)則的方法，也就是語言學家制定大量的語法規(guī)則和語義規(guī)則，讓計算機按照這些規(guī)則來處理自然語言。隨著技術(shù)的發(fā)展，現(xiàn)在更多地采用基于機器學習和深度學習的方法。7.3人工智能的典型應用領(lǐng)域7.3.2計算機視覺

圖像識別圖像識別可以說是計算機視覺中最廣為人知的應用之一。例如，你在手機相冊里搜索“風景”，相冊能快速找出你拍攝的風景照片。

7.3人工智能的典型應用領(lǐng)域7.3.2計算機視覺

目標檢測與跟蹤目標檢測不僅僅要識別出圖像中存在什么物體，還要確定物體在圖像中的具體位置。目標跟蹤則是在視頻序列中持續(xù)鎖定特定目標的位置。7.3人工智能的典型應用領(lǐng)域7.3.2計算機視覺

圖像生成與風格遷移圖像生成技術(shù)可以讓計算機“創(chuàng)作”圖像。風格遷移則是一種獨特的圖像生成應用。它能將一幅圖像的風格應用到另一幅圖像上。

7.3人工智能的典型應用領(lǐng)域7.3.3智能推薦系統(tǒng)

協(xié)同過濾算法原理

協(xié)同過濾算法是智能推薦系統(tǒng)中常用的一種方法。它的核心思想是“人以群分”。假設你和一些用戶對電影的喜好比較相似，當這些用戶中有很多人都喜歡某一部電影，而你還沒看過這部電影時，系統(tǒng)就會把這部電影推薦給你。

7.3人工智能的典型應用領(lǐng)域7.3.3智能推薦系統(tǒng)

基于內(nèi)容的推薦算法

基于內(nèi)容的推薦算法則是從物品本身的特征出發(fā)。還是以電影推薦為例，每部電影都有很多特征，比如類型（是科幻、愛情還是動作片）、演員陣容、導演風格等。系統(tǒng)會先分析你過去喜歡的電影的特征，然后找到具有相似特征的其他電影推薦給你。

7.3人工智能的典型應用領(lǐng)域7.3.3智能推薦系統(tǒng)

混合推薦系統(tǒng)架構(gòu)與應用

在實際應用中，為了提高推薦的準確性和效果，往往會采用混合推薦系統(tǒng)架構(gòu)，將協(xié)同過濾算法和基于內(nèi)容的推薦算法結(jié)合起來使用。這樣既能利用用戶之間的相似性進行推薦，又能考慮到物品本身的特征。

7.3人工智能的典型應用領(lǐng)域7.3.4醫(yī)療健康領(lǐng)域的AI應用

輔助疾病診斷助力藥物研發(fā)參與健康管理

7.3人工智能的典型應用領(lǐng)域7.3.5智能制造領(lǐng)域的AI應用

助力產(chǎn)品設計創(chuàng)新

優(yōu)化生產(chǎn)過程提升質(zhì)量檢測精度改善供應鏈管理

7.3人工智能的典型應用領(lǐng)域7.3.6智能語音

語音識別：讓機器聽懂人類語言

語音合成：賦予機器說話的能力提升質(zhì)量檢測精度智能語音助手：生活中的智能伙伴智能語音在其他領(lǐng)域的廣泛應用第7章

人工智能基礎人工智能概述

7.1人工智能技術(shù)基礎人工智能的典型應用領(lǐng)域人工智能倫理與社會問題

7.27.37.4人工智能實踐案例7.57.4人工智能倫理與社會問題7.4.1數(shù)據(jù)隱私與安全

數(shù)據(jù)隱私，簡單來說，就是我們個人數(shù)據(jù)的隱私權(quán)益。

數(shù)據(jù)安全面臨的威脅：數(shù)據(jù)泄露、數(shù)據(jù)濫用、惡意軟件攻擊。如何保護數(shù)據(jù)隱私與安全：謹慎使用網(wǎng)絡服務、設置強密碼并定期更換、注意網(wǎng)絡環(huán)境安全、安裝安全防護軟件。7.4人工智能倫理與社會問題7.4.2算法偏見與公平性

算法偏見指的是算法產(chǎn)生的結(jié)果偏向于某些特定群體，而對其他群體不利。

算法偏見是如何產(chǎn)生的：數(shù)據(jù)偏差、算法設計缺陷、反饋循環(huán)。

算法偏見帶來的影響。如何確保算法的公平性：數(shù)據(jù)多樣化、算法審計、透明性與可解釋性、多方參與。

7.4人工智能倫理與社會問題7.4.3人工智能責任歸屬

簡單案例引出責任思考想象一下，你使用一款打車軟件，軟件基于人工智能算法為你規(guī)劃了一條行車路線，結(jié)果途中因為路線規(guī)劃失誤，導致你錯過了重要的會議。這時候，你可能會想，到底該怪誰呢？是開發(fā)這款打車軟件的公司，還是編寫路線規(guī)劃算法的程序員，又或者是你自己選擇相信了軟件的推薦？這看似簡單的場景，卻引發(fā)了深刻的責任歸屬思考。7.4人工智能倫理與社會問題7.4.3人工智能責任歸屬

不同場景下的責任歸屬分析自動駕駛汽車事故。智能醫(yī)療診斷失誤。智能客服引發(fā)的糾紛。7.4人工智能倫理與社會問題7.4.3人工智能責任歸屬

確立責任歸屬的困難與解決思路確立人工智能的責任歸屬并不容易。一方面，需要制定明確的法律法規(guī)。另一方面，企業(yè)和開發(fā)者自身要建立嚴格的質(zhì)量控制和責任追溯機制。7.4人工智能倫理與社會問題7.4.4國際間的AI倫理準則

為什么需要國際間的AI倫理準則為了避免AI技術(shù)被濫用，保障全球人類的利益，國際社會需要共同制定AI倫理準則，讓各個國家在發(fā)展和應用AI技術(shù)時有一個共同遵循的標準。7.4人工智能倫理與社會問題7.4.4國際間的AI倫理準則

核心的AI倫理準則：公平性準則、安全性準則、隱私保護準則、透明度準則。準則的實施與監(jiān)督：為了確保這些國際間的AI倫理準則能夠得到有效實施，需要各國政府、國際組織以及科技企業(yè)共同努力。第7章

人工智能基礎人工智能概述

7.1人工智能技術(shù)基礎人工智能的典型應用領(lǐng)域人工智能倫理與社會問題

7.27.37.4人工智能實踐案例7.57.5人工智能實踐案例7.5.1決策樹

案例背景與目標銀行每天都會收到好多貸款申請，這些申請人情況各不相同，經(jīng)濟狀況、信用記錄等都有差異。銀行的任務就是通過分析申請人的各種信息，用決策樹模型精準判斷是否該批準貸款。7.5人工智能實踐案例7.5.1決策樹

數(shù)據(jù)收集銀行會收集很多和貸款申請人相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)就是決策樹模型的“學習資料”。常見的數(shù)據(jù)有：信用評分、收入水平、負債情況、貸款金額、貸款期限。7.5人工智能實踐案例7.5.1決策樹

特征選擇銀行分析這些數(shù)據(jù)后，發(fā)現(xiàn)信用評分和收入水平對貸款審批的決策影響特別大。所以，我們就選這兩個特征來構(gòu)建決策樹。

7.5人工智能實踐案例7.5.1決策樹

構(gòu)建決策樹7.5人工智能實踐案例7.5.1決策樹

模型評估決策樹建好后，得看看它好不好用。銀行會拿出一部分之前沒用過的貸款申請數(shù)據(jù)，這就是測試數(shù)據(jù)。把測試數(shù)據(jù)輸入到?jīng)Q策樹模型里，模型會給出貸款審批的結(jié)果，然后和測試數(shù)據(jù)實際的審批情況對比。7.5人工智能實踐案例7.5.2貓狗識別

案例背景與目標

構(gòu)建一個深度學習模型，當輸入一張包含貓或狗的圖片時，模型能夠準確判斷圖片里是貓還是狗。7.5人工智能實踐案例7.5.2貓狗識別

數(shù)據(jù)收集

7.5人工智能實踐案例7.5.2貓狗識別

數(shù)據(jù)預處理收集到的圖片數(shù)據(jù)不能直接用于訓練，需要進行預處理：統(tǒng)一圖片尺寸、統(tǒng)一顏色模式。7.5人工智能實踐案例7.5.2貓狗識別

搭建簡單神經(jīng)網(wǎng)絡模型我們選擇一種簡單的神經(jīng)網(wǎng)絡模型—卷積神經(jīng)網(wǎng)絡（CNN）來完成貓狗識別任務。7.5人工智能實踐案