授課教師:XXX人工智能基礎與應用理解人工智能的關鍵技術03任務引入微軟小冰：AI聊天機器人的進化01小冰的誕生與目標微軟小冰，2014年問世，旨在構建EQ方向的AI體系02情感計算框架通過算法、云計算、大數(shù)據(jù)，代際升級，提升情感智能03廣泛應用場景日常聊天、疑問解答、內容生成、智能家居控制，全方位服務04自適應學習與進化根據(jù)用戶反饋和習慣，持續(xù)優(yōu)化算法，提供個性化服務05情感陪伴能力判斷情緒狀態(tài)，給予關懷和安慰，超越普通聊天功能揭秘小冰背后的關鍵技術神經網(wǎng)絡原理多層感知機、卷積神經網(wǎng)絡、循環(huán)神經網(wǎng)絡，掌握圖像、語音、文本處理計算機視覺技術圖像分類、目標檢測、分割、人臉識別，解析視覺信息AI學習方法監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習、強化學習，理解不同場景應用自然語言處理文本預處理、詞嵌入、情感分析、機器翻譯、對話系統(tǒng)，提升語言理解能力技術應用與選擇根據(jù)具體問題，選擇合適的AI技術和算法，解決實際需求任務目標知識目標（1）理解監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習的不同。（2）了解強化學習的基本原理及不同場景下的應用案例。（3）學習神經網(wǎng)絡的基本原理，包括多層感知機、卷積神經網(wǎng)絡、循環(huán)神經網(wǎng)絡等，了解它們在圖像識別、語音識別、自然語言處理等領域的應用。（4）了解文本預處理、詞嵌入技術、情感分析、機器翻譯、對話系統(tǒng)等自然語言處理關鍵技術。（5）了解計算機視覺領域圖像分類、目標檢測、圖像分割、人臉識別等核心算法及其實現(xiàn)原理。任務目標能力目標（1）能夠根據(jù)具體問題選擇合適的AI技術和算法。（2）能夠基于百度人工智能開放創(chuàng)新平臺進行一些AI任務。素質目標（1）培養(yǎng)對人工智能領域新技術、新趨勢的敏銳洞察力，具備自我學習和知識更新的能力，以適應快速變化的技術環(huán)境。（2）提升跨領域合作的能力，學會在多元化團隊中有效溝通，共同推進項目進展，同時能夠清晰地向非專業(yè)人士解釋AI技術的原理和應用。培養(yǎng)AI領域的核心素質跨領域合作技術敏銳度關注新技術、新趨勢，自我學習，適應快速變化的環(huán)境在多元化團隊中有效溝通，推進項目，向非專業(yè)人士解釋AI原理實踐能力提升利用百度人工智能開放創(chuàng)新平臺，進行AI任務實踐，增強應用能力3.1機器學習：AI的學習過程機器學習是人工智能的一個分支，它使計算機通過自我學習實現(xiàn)更復雜的任務機器學習與人工智能①機器學習通過訓練數(shù)據(jù)優(yōu)化模型，以規(guī)律預測未知，類似人類積累經驗進行推理機器學習與人類思考相似性②機器學習是讓計算機模仿人類學習，通過數(shù)據(jù)或經驗優(yōu)化判斷，以改善自身性能的計算程序機器學習的核心與定義③3.1.1機器學習基本認知

1.機器學習的概念2.機器學習的分類按學習方式，機器學習可以分為以下幾種類別3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程有監(jiān)督學習是機器學習中的一種，通過已知類別的樣本訓練模型，以實現(xiàn)對新數(shù)據(jù)的準確分類或回歸有監(jiān)督學習概述監(jiān)督學習是如學生跟老師學習的過程，通過正確或錯誤的反饋，掌握做出決策的函數(shù)模型監(jiān)督學習的類比理解有監(jiān)督學習包括分類和回歸任務，常見算法有支持向量機、決策樹等，廣泛應用在多個領域有監(jiān)督學習任務類型0102031）有監(jiān)督學習3.1機器學習：AI的學習過程無監(jiān)督學習處理無標簽數(shù)據(jù)，發(fā)掘隱藏的結構和模式，常用于聚類、降維等任務無監(jiān)督學習概述01無監(jiān)督學習包括聚類、降維、關聯(lián)規(guī)則挖掘和異常檢測，用于數(shù)據(jù)分類、特征提取和異常檢測無監(jiān)督學習的應用02無監(jiān)督學習在數(shù)據(jù)挖掘中至關重要，能揭示數(shù)據(jù)內在結構，實現(xiàn)自我學習和分類無監(jiān)督學習的重要性03監(jiān)督學習與無監(jiān)督學習的對比如圖3-4所示。監(jiān)督與無監(jiān)督學習對比042）無監(jiān)督學習3.1機器學習：AI的學習過程利用少量標記數(shù)據(jù)和大量無標記數(shù)據(jù)，結合有監(jiān)督與無監(jiān)督，提升模型在新數(shù)據(jù)上的泛化能力半監(jiān)督學習原理適用于標記數(shù)據(jù)稀缺，但無標記數(shù)據(jù)豐富的場景，如文本分類、圖像標注等應用領域3）半監(jiān)督學習4）強化學習強化學習則是一種基于獎勵機制的學習方式。模型通過與環(huán)境的交互來學習最佳策略，以最大化累3.1機器學習：AI的學習過程“自學自評”過程，智能體基于獎勵優(yōu)化決策。類似統(tǒng)計和動態(tài)規(guī)劃的自我學習方法學習機制解析模型根據(jù)狀態(tài)選擇動作，通過接收獎勵更新策略。在機器人控制、游戲AI等領域廣泛應用強化學習原理3.1機器學習：AI的學習過程1）決策樹與隨機森林01決策樹算法有監(jiān)督學習，構建樹狀模型，每個節(jié)點測試屬性，分支代表輸出，葉節(jié)點為預測值，直觀易懂，處理多類型數(shù)據(jù)，但易過擬合02隨機森林算法集成學習，結合多決策樹輸出，提高預測準確性穩(wěn)定性，通過投票或平均法確定結果，減少過擬合風險，增加樹間多樣性3.機器學習常用算法3.1機器學習：AI的學習過程2）支持向量機：支持向量機原理與決策邊界支持向量機原理支持向量機是監(jiān)督學習算法，用于分類和回歸，通過找到最大間隔邊界來創(chuàng)建決策模型決策邊界的選取支持向量機選擇能最大化類別間隔的決策邊界，如圖3-7中，優(yōu)先考慮使距離最大的直線A或B最大間隔原則最大間隔原則：直線A因其與兩側虛線的最大間隔，更可能成為決策邊界3.1機器學習：AI的學習過程SVM尋找最優(yōu)超平面，最大化類別間隔，以提高分類的泛化能力SVM的核心思想與超平面01核函數(shù)將數(shù)據(jù)映射到高維空間，解決SVM的非線性分類問題，常用線性、多項式、RBF核函數(shù)核函數(shù)與非線性分類問題02SVM在處理大規(guī)模數(shù)據(jù)時訓練速度慢，且對參數(shù)選擇敏感，如核函數(shù)類型、懲罰系數(shù)等SVM的局限性與參數(shù)選擇03

2）支持向量機3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程線性回歸通過擬合直線預測因變量，適用于自變量與因變量間線性關系的數(shù)據(jù)預測①線性回歸

3）回歸算法3.1機器學習：AI的學習過程②邏輯回歸原理主要用于分類問題，特別是二分類，基于線性回歸，屬廣義線性模型邏輯回歸應用通過sigmoid函數(shù)映射線性函數(shù)結果，極大或極小的z值使函數(shù)逼近1或0，解釋其分類特性邏輯回歸原理3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程邏輯回歸優(yōu)點與局限它簡單易懂，基于線性模型，易于理解和實現(xiàn)；計算效率高，能夠快速處理大規(guī)模數(shù)據(jù)集；可解釋性強，可以通過系數(shù)來解釋變量對分類結果的影響；對異常數(shù)據(jù)的影響較小，具有較好的魯棒性。但邏輯回歸也存在一些局限性。例如，它只適用于線性可分的二分類問題，對于非線性分類問題效果欠佳。并且邏輯回歸對噪聲數(shù)據(jù)比較敏感，容易受到干擾。3.1機器學習：AI的學習過程基于特征空間中K個最近樣本的類別，預測待分類樣本所屬類別，決策依據(jù)直觀簡單KNN算法原理01選擇最佳K值需考慮數(shù)據(jù)集特性，較大K值可減小噪聲影響但使類別界限模糊，常選小奇數(shù)（K<20）K值選擇02KNN算法簡單易實現(xiàn)，無需復雜數(shù)學模型和數(shù)據(jù)假設，但對高維數(shù)據(jù)處理效率低，存儲需求大，且解釋性差AI關鍵技術理解03

4）KNN3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程分類是有監(jiān)督的學習，需預先了解類別信息；聚類則是無監(jiān)督學習，常用于海量數(shù)據(jù)預處理分類與聚類區(qū)別K均值聚類算法通過反復調整對象歸屬，直到聚類中心穩(wěn)定或滿足特定終止條件K均值聚類算法流程K均值聚類算法是無監(jiān)督學習的聚類方法，通過迭代計算將對象分配給最近的聚類中心，從而形成聚類K均值聚類算法介紹010203

5）K均值聚類5）K均值聚類K均值聚類算法是將數(shù)據(jù)集分為K個簇，使簇內數(shù)據(jù)緊密且簇間距離大，目標是最小化集群內的平方和K均值聚類算法思想與應用K均值算法簡單高效，適合大規(guī)模數(shù)據(jù)集，但對初始中心點敏感，需要預設K值，且對非球形簇和噪聲敏感K均值聚類算法優(yōu)缺點3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程將數(shù)據(jù)從高維降低到低維，不僅有利于表示，同時也能加速計算。降維算法的實際應用維度是數(shù)據(jù)特征的量，如房價的長、寬、面積和房間數(shù)。降維算法可去除冗余信息，將4維數(shù)據(jù)壓縮至2維，例如：面積和房間數(shù)量維度與數(shù)據(jù)特征降維算法是處理高維數(shù)據(jù)的關鍵技術，用于簡化數(shù)據(jù)結構、降低計算復雜性和防止過擬合降維算法的重要性6）特征降維6）特征降維降維算法壓縮數(shù)據(jù)、提升效率，便于可視化。主要分為線性降維和非線性降維，如流形學習能保持樣本間關系降維算法的作用與分類3.1機器學習：AI的學習過程登錄前的熱門商品推薦未登錄時，淘寶首頁利用銷售數(shù)據(jù)和用戶行為分析，展示熱門商品，提高購買轉化率0102登錄后的個性化推薦登錄后，淘寶利用用戶資料和歷史購買記錄建模，通過機器學習算法實現(xiàn)個性化商品推薦，以提高購買轉化率和用戶滿意度特征降維：機器學習在產品推薦中的應用3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程智能體在環(huán)境中學習最優(yōu)策略，以最大化長期獎勵強化學習概覽模擬生物體自然學習過程，通過獎勵和懲罰調整行為試錯學習機制在機器人導航、游戲AI、自動駕駛等場景展現(xiàn)強大潛力應用領域拓展3.1.2強化學習：讓AI學會自己決策3.1機器學習：AI的學習過程強化學習是通過智能體與環(huán)境交互，學習最大化回報策略的機器學習方法強化學習概述01智能體通過與環(huán)境交互學習，根據(jù)狀態(tài)采取動作，獲取獎勵以優(yōu)化策略強化學習要素解析02智能體通過與環(huán)境互動，根據(jù)獎勵信號調整策略，以在各種狀態(tài)下實現(xiàn)最優(yōu)決策強化學習過程描述03強化學習模擬人類與環(huán)境交互，通過試錯優(yōu)化策略，被譽為通用人工智能的機器學習方法強化學習與通用AI04

1.強化學習的基本原理3.1機器學習：AI的學習過程強化學習組成強化學習主要由智能體（agent）、環(huán)境（environment）、狀態(tài)（state）、動作（action）、獎勵（reward）組成。3.1機器學習：AI的學習過程強化學習算法分類強化學習算法主要包括基于價值的方法，如Q學習、DQN，以及基于策略的方法，如策略梯度算法Q-learning與DQN詳解Q-learning是無模型強化學習算法，通過學習Q函數(shù)選擇動作以最大化累積獎勵。DQN是Q-learning的深度學習版本，適用于高維狀態(tài)空間策略梯度算法及其它策略梯度算法優(yōu)化策略參數(shù)，最大化累積獎勵，適用于連續(xù)動作空間

2.強化學習的主要算法和應用場景3.1機器學習：AI的學習過程強化學習在工業(yè)機器人中的應用強化學習助力工業(yè)機器人自我優(yōu)化，提升復雜任務執(zhí)行效率和質量強化學習在服務機器人中的應用服務機器人利用強化學習，根據(jù)用戶需求和反饋，自主調整服務策略，優(yōu)化交互體驗強化學習在自動駕駛領域的應用強化學習使自動駕駛汽車能自我學習最優(yōu)駕駛策略，確保安全高效行駛AWSDeepRacer在強化學習中的應用AWSDeepRacer是用于測試強化學習算法的自動駕駛賽車，它能自主學習優(yōu)化駕駛策略，以提高速度和精度強化學習的主要算法和應用場景：強化學習在工業(yè)與自動駕駛3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程深度學習源自神經網(wǎng)絡，通過多層結構自動提取特征，處理復雜數(shù)據(jù)深度學習定義與起源01從圖像到語音，從語言處理到推薦，深度學習展現(xiàn)強大潛力應用領域拓展02自動化特征提取，減少人工干預，推進全自動數(shù)據(jù)分析特征工程革新03圖3-16展示，深度神經網(wǎng)絡分類模式超越傳統(tǒng)方法，實現(xiàn)更高效精準分析傳統(tǒng)與深度學習對比04深度學習概覽3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程01神經元模型起源源于生物學神經元信息傳播機制，有興奮與抑制狀態(tài)，受刺激超閾值則激活02神經元工作原理樹突接收信號，神經元判斷是否達閾值，輸出興奮或抑制信號，軸突傳遞至其他細胞1.深度學習算法基礎

1）神經元模型：神經元的工作原理3.1機器學習：AI的學習過程神經元的特性使大腦具有強大的能力，科學家依據(jù)此原理發(fā)明了人工神經元模型神經元構成智慧基礎01MP神經元模型是輸入層到輸出層的權重加偏置的函數(shù)，用來表示各輸入對輸出的影響MP神經元模型介紹02如果沒有激活函數(shù)f(*)，那么神經元的工作原理將類似線性變換，表達能力有限。激活函數(shù)的重要性03

1）神經元模型：神經元的工作原理3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程如果沒有激活函數(shù)f(*)，那么神經元的工作原理將類似線性變換，表達能力有限。3.1機器學習：AI的學習過程激活函數(shù)在人工神經網(wǎng)絡中負責將神經元的輸入映射到輸出層，對于模型學習復雜和非線性函數(shù)至關重要。激活函數(shù)的重要性

2）激活函數(shù)3.1機器學習：AI的學習過程（1）ReLU函數(shù)在卷積神經網(wǎng)絡中廣泛應用，特別是在圖像和語音識別領域，因其簡單高效，有助于提供神經網(wǎng)絡的稀疏表達能力ReLU函數(shù)應用定義為f(x)=max(x,0)，解決了梯度消失問題，但存在“死神經元”問題，當輸入為負數(shù)時，函數(shù)輸出和梯度均為0，影響訓練ReLU函數(shù)特性3.1機器學習：AI的學習過程tanh函數(shù)介紹tanh函數(shù)是雙曲正切函數(shù)，變換范圍在-1到1之間，與sigmoid函數(shù)形狀相似但呈對稱分布（2）tanh函數(shù)。（2）tanh函數(shù)。tanh函數(shù)特性tanh函數(shù)輸出居中，改善sigmoid的正負不平衡，但同樣可能遇到梯度消失問題，常用于神經網(wǎng)絡隱藏層激活函數(shù)作用激活函數(shù)引入非線性，使神經網(wǎng)絡能學習復雜非線性關系，選擇時需考慮應用場景和數(shù)據(jù)特性3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程人工神經網(wǎng)絡簡介人工神經網(wǎng)絡是模仿生物神經網(wǎng)絡的模型，用于解決實際問題，它通過學習算法模擬人腦智能活動

3）感知器與神經網(wǎng)絡3.1機器學習：AI的學習過程感知器的工作原理01感知器簡介感知器是兩層神經元網(wǎng)絡，被視為最簡前饋神經網(wǎng)絡，對神經網(wǎng)絡研究有重要推動作用02感知器工作原理感知器通過計算輸入特征向量的加權和加上偏置項，經激活函數(shù)（如符號函數(shù)）輸出二元值（+1或-1），實現(xiàn)分類3）感知器與神經網(wǎng)絡單層感知器通過wx+b計算，其中w是權重，b是偏置，x是輸入特征。它是一種線性分類模型，用于解決簡單線性可分問題單層感知器的數(shù)學表示3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程多層感知器的結構與功能感知器網(wǎng)絡結構由輸入層、一個或多個隱藏層和輸出層組成，各層感知器通過權衡輸入和前層決策，進行復雜決策制定多層感知器原理通過多層決策，從簡單到復雜，解決非線性問題，輸入層接收信息，隱藏層處理，輸出層給出結果3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程神經網(wǎng)絡結構包含輸入層、隱藏層和輸出層，通過加權求和和激活函數(shù)計算輸出前向傳播過程參數(shù)優(yōu)化初始化參數(shù)后，通過正向傳播和反向傳播迭代，優(yōu)化模型參數(shù)以減小損失從輸入層到輸出層，逐層計算節(jié)點輸出，基于當前權重和偏置反向傳播過程比較輸出與目標值計算誤差，反向傳播誤差更新權重和偏置4）神經網(wǎng)絡的前向傳播與反向傳播3.1機器學習：AI的學習過程3.1機器學習：AI的學習過程2.卷積神經網(wǎng)絡01神經網(wǎng)絡優(yōu)化挑戰(zhàn)深層網(wǎng)絡易過擬合，梯度消失或發(fā)散，影響訓練效果02卷積神經網(wǎng)絡結構采用權共享策略，卷積層提取特征，池化層降維，全連接層分類，優(yōu)化參數(shù)，提升圖像識別精度3.1機器學習：AI的學習