第11章 人工智能PPT课件

人工智能简介
Brief introduction of
Artificial Intelligence
2021/5/31 Made by Bob
•Contents
1 人工智能是什么？
What is Artificial Intelligence？
2 人工智能的发展与应用
Application of Artificial Intelligence
AI
Natural language learning
Pattern recognition
Expert system
2021/5/31
人工智视频介绍
Part 2 人工智能的发展与应用
2021/5/31
2
人工智能的发展与应用
人工智能飞速发展
1961年,明斯基发表了“走向人工智能的步骤”的论文，推动了人工智 能的发展。
吴文俊
2 人工智能的发展与应用
人工智能的应用
3.智能汽车
汽车能和人一样会“思考”“判断”“行 走”，可以自动启动、加速、刹车，可以 自动绕过地面障碍物。在复杂多变的情况 下，它的“大脑”能随机应变，自动选择 最佳方案，指挥汽车正常、顺利地行驶。
4.语音助手
通过智能对话与即时问答的智能交互，实 现帮忙用户解决问题，其主要是帮忙用户 解决生活类问题。
2021/5/31
Part 4 人工智能的未来
2021/5/31
4
人工智能的未来
健全人工智能发展标准和监管制度
任何一门新技术的诞生、发展和使用都离不开一套完整 的发展标准和科学的管理制度，这是保证科学技术“以 人为本”的根本，面对人类日益强大的科研能力，人工 智能的发展必将会在未来出现突破性的进展，强人工智 能技术也将完整的出现在人类面前。鉴于人工智能技术 的特殊性，我们不难发现，它给人类生存带来的威胁不 亚于核武器，这就要求我们必须有严格的标准来要求人 工智能的发展，并且要科学谨慎的监管其生产和使用过 程的每个细节。

2019/8/20
高级人工智能 史忠植
7
研究现状分析
2019年5月在重庆召开了“第1届中国Rough集与软计 算学术研讨会”，邀请了创始人Z. Pawlak教授做大 会报告；
2019年10月在苏州第2届中国粗糙集与软计算学术研讨会
2019年5月在重庆 第3届中国粗糙集与软计算学术研讨会
P,Q,R等表示关系的族集；[x]R或R(x)表示关系R中包含元素 xU的概念或等价类。为了简便起见，有时用P代替IND(P)。
根据上述定义可知，概念即对象的集合，概念的族集
（分类）就是U上的知识，U上分类的族集可以认为是U上的
20一19/8/个20 知识库，或说知识库高即级人是工智能分史类忠植方法的集合。
The equivalence class [ x]R of an element xX consists of all objects yX such that xRy.
2019/8/20
高级人工智能 史忠植
19
不可区分性Indiscernibility (2)
Let IS = (U, A) be an information system, then with any BA there is an associated equivalence relation:
避免了主观因素的影响。
2019/8/20
高级人工智能 史忠植
15
Information Systems/Tables
Age LEMS
x１ 16-30 x2 16-30 x3 31-45 x4 31-45 x5 46-60 x6 16-30 x7 46-60
50 0 1-25 1-25 26-49 26-49 26-49

本章，我们将通过讲述Transfonner 和GPT，使读者对人工智能大模型有全方位 的认识。
02
减少顺序计算的目标是研究扩展神经GPU，所有这些都使用卷积神经网络作为基 本构建模块，同时计算所有输入位置和输出位置的隐藏表示。在这些模型中，来 自两个任意输入位置或输出位置的信号相关联所需要的操作数量随着位置之间的 距离的增加而增加，对于序列卷积是线性的，对于字节网络是对数的。这使得学 习远处位置之间的依赖关系变得更加困难。在Transformer中，这被减少到恒定 的操作次数，尽管代价是由于平均注意力加权位置而降低了有效分辨率，但是多 头注意力机制可以抵消这种影响。
接着，定义好模型组件并预处理完数据后，就可以搭建一个简单的Transformer模型来进行 训练了。 定 义 一 个 Tr a n s f o r m e r. P Y 文 件 ， 具 体 程 序 如 下 所 示 ：
然后，运行程序，可以得到模型的结构参数，如图11.5所示。
从 图 1 1 . 5 中 可 以 看 到 我 们 定 义 的 Tr a n s f o r m e r 模 型 的 结 构 参 数 。 在建立好Transformer模型后，就可以进行训练并保存模型了。具体程序如下所示：
头平均抑制特定的注意力点。
在这项工作中，我们使用h=8个平行的注意层，或称头部。对于其中的每一个头部，我
们使用
。由于每个头部的维数降低，因此总叫成本与全维数的单头注
意力相似。
( 3 ) Transformer中注意力的应用。 Transformer以以下三种不同方式使用多头注意力。 在“编码器-解码器注意”层中，查询来自前一个解码器层，键和值来自编码器的输出。这使 得解码器中的每个位置能够覆盖输入序列中的所有位置。这模仿了序列到序列模型中典型的 编码器-解码器注意机制。 编码器包含自注意力层。在自注意层中，所有的键、值和查询都来自同一个地方，在这种情 况下，它们是编码器中前一层的输出。编码器中的每个位置可以关注编码器的前一层的所布 位置。 类似地，解码器中的自注意层允许解码器中的每个位置关注解码器中的所有位置。我们需要 防止解码器中向左的信息流，以保持自回归特性。通过屏蔽（设置为-∞）softmax输入中对 应于非法连接的所有值，在缩放的点积注意中实现这一点（见图11.2）。

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

控制问题
随着超级智能的发展，人类可能面临失去对人工智能系统的控制的风险，一旦失去控制，人工智能系统可能会对人类社会造成巨大威胁。
05
CHAPTER
未来的人工智能发展
物联网技术为人工智能提供了丰富的数据来源，而人工智能则为物联网提供了智能化的解决方案。
未来AI与物联网的结合将更加紧密，实现各种设备的互联互通和智能化管理。
THANKS
感谢您的观看。
社会影响
02
人工智能正在改变我们的生活方式，从日常生活中的各种便利设施，如智能家居、智能交通，到更广泛的社会问题，如数据隐私和安全、人工智能的道德和伦理问题。
科技发展
03
人工智能的发展推动了其他领域的技术进步，如机器学习、深度学习、自然语言处理等。这些技术的发展又进一步推动了人工智能的发展，形成了一个良性循环。
教育和培训
就业结构调整
人工智能算法的训练数据来源于人类社会，如果数据存在偏见或歧视，那么算法也可能会继承这些偏见和歧视，导致不公平的结果。
数据偏见
为了防止算法偏见和歧视，需要提高算法的透明度，让人们了解算法的工作原理和决策依据，以便及时发现和纠正偏见和歧视问题。
算法透明度
不可预测性
超级智能的人工智能系统可能具备高度自主性和学习能力，但其行为可能变得不可预测，甚至可能违反人类的价值观和伦理原则。
政策制定
政府需要制定相应的政策和法规，以规范AI的发展和应用。这包括数据隐私、AI的道德和伦理问题等。
教育
我们需要培养更多的AI人才，以适应这个快速发展的领域。同时，我们也需要提高公众对AI的认识和理解，以便更好地利用这项技术。
创新和应用
我们应该鼓励更多的创新和应用，以充分利用AI的潜力。同时，我们也需要关注AI的负面影响，并采取措施来减少这些影响。

04
03
通过深度学习分析用户行为和喜好，实现个性化推荐。
利用深度学习对图像进行分类、目标检测和语义分割等任务。
利用深度学习进行文本分类、情感分析、机器翻译等任务。
04
CHAPTER
自然语言处理
自然语言处理（NLP）：是指利用计算机对人类自然语言进行各种处理，包括理解、生成、转换、检索、分析等，以实现人机交互。
自然语言处理是人工智能领域的一个重要分支，旨在让计算机能够像人类一样理解和运用自然语言。
信息检索
通过自然语言处理技术，实现对大量文本信息的快速检索和筛选。
机器翻译
利用自然语言处理技术，将一种语言的文本自动翻译成另一种语言的文本。
智能客服
通过自然语言处理技术，实现智能化的客户服务和问答系统。
情感分析
人工智能
20世纪50年代，人工智能概念开始出现，机器翻译、专家系统等初步应用。
起步阶段
反思阶段
应用阶段
集成阶段
20世纪70年代，人工智能遭遇技术瓶颈，对技术发展进行反思。
20世纪80年代，人工智能技术开始在各个领域得到广泛应用，如自然语言处理、机器视觉等。
21世纪初，随着大数据、云计算和深度学习等技术的发展，人工智能技术得到进一步集成和应用。
详细描述
在安防监控领域，计算机视觉可以用于人脸识别、行为分析等；在智能交通领域，可以用于车辆检测、交通流量分析等；在医疗诊断领域，可以用于病灶检测、医学影像分析等；在工业自动化领域，可以用于生产线上的质量检测、机器人导航等。
总结词
06
CHAPTER
强化学习
强化学习是一种机器学习技术，通过与环境互动，智能体（agent）学习如何做出最优决策，以最大化累积奖励。

人机对弈
人工智能
2
4
6
5
3
1
个人助理
自驾领域
电商零售
安防
教育
金融
7
医疗健康
人工智能的柒大应用领域
人工智能的柒大应用领域
个人助理
“个人助理时代”
以Siri为首的“个人助理时代”大幕正在拉开，最终很可能会成为人们与移动设备、计算机、汽车、可穿戴设备、家用电器，或其他要求复杂人机交互技术的主要交互方式。当前市场上已经有了Siri，GoogleNow，以及Cortana，但必须承认，这些产品所在的市场和所用技术仍处于“青春期”。再过几年，人工智能技术进步将帮助虚拟助手理解我们正在从事的工作，像真的私人助手一样提供帮助。给你安排行程、协调时间，告诉你交通情况，给你提供可行性方案。
人工智能
Artificial Inte lligence
人工智能是什么What is Artificial Intelligence？
人工智能的发展与应用 Application of Artificial Intelligence
人工智能面临的考验 The facing problems of AI
Co mp u t e r v i s i o n
Na t u r a ll a n g u a g e l e a r n i n g
Pa t t e r nr e c o g n i t i o n
Ex p e r t s y s t e m
AI
人工智能评判标准
阿兰·图灵英国数学家、逻辑学家，被视为计算机科学之父。
无人驾驶共享汽车
智能汽车
ห้องสมุดไป่ตู้
人工智能的柒大应用领域

应用
预测连续型数值，如房价、销售 额等。
监督学习算法
原理
在特征空间中寻找最大间隔超平面， 使得不同类别的样本能够被正确分类 。
应用
分类问题，如图像识别、文本分类等 。
监督学习算法
原理
通过递归地选择最优特征进行划分，构建一棵树状结构，用于分类或回归。
应用
分类、回归问题，如信用评分、医学诊断等。
非监督学习算法
07
人工智能伦理、法律 与社会影响
人工智能伦理问题探讨
自主性与责任性
AI系统是否具有自主性，以及如何界定其责任边界。
数据隐私与保护
AI在处理个人数据时如何确保隐私保护，防止数据泄露和 滥用。
歧视与偏见
AI算法可能存在的歧视和偏见问题，以及如何消除这些问 题。
法律法规对AI的监管和约束
AI相关法规
数据挖掘技术在推荐系统中的应用
关联规则挖掘
发现物品之间的关联规则，推荐与用户已购买物品相关联的其他物 品。
聚类分析
将用户或物品按照相似度进行聚类，针对不同的簇提供个性化的推 荐服务。
分类与预测
利用历史数据训练分类器或预测模型，预测用户对物品的喜好程度， 并据此进行推荐。
典型案例分析：电商、音乐等平台的智能推荐
《人工智能》PPT课件
目 录
• 人工智能概述 • 机器学习原理及算法 • 自然语言处理技术 • 计算机视觉技术 • 语音识别与合成技术 • 智能推荐系统与数据挖掘 • 人工智能伦理、法律与社会影响
01
人工智能概述
定义与发展历程
定义
人工智能是一门研究、开发用于模拟 、延伸和扩展人的智能的理论、方法 、技术及应用系统的新技术科学。
医疗诊断、金融风控等。

P,Q,R等表示关系的族集；[x]R或R(x)表示关系R中包含元素 xU的概念或等价类。为了简便起见，有时用P代替IND(P)。
根据上述定义可知，概念即对象的集合，概念的族集
（分类）就是U上的知识，U上分类的族集可以认为是U上的
20一19/11个/5 知识库，或说知识库高即级人是工智能分史类忠植方法的集合。
14
二、 知识分类
粗糙集理论与传统的集合理论有着相似之处，但是它们的
出发点完全不同。传统集合论认为，一个集合完全是由其
元素所决定，一个元素要么属于这个集合，要么不属于这
个集合，即它的隶属函数X(x){0,1}。模糊集合对此做了 拓广，它给成员赋予一个隶属度，即X(x)[0,1]，使得模
糊集合能够处理一定的模糊和不确定数据，但是其模糊隶
社, 2001 史忠植. 知识发现. 北京: 清华大学出版社, 2002 苗夺谦//王国胤//刘清//林早阳//姚一 豫. 粒计算--过去现在与
展望. 科学出版社, 2007
2019/11/5
高级人工智能 史忠植
10
二、 知识分类
基本粗糙集理论认为知识就是人类和其他物种所固有的分类能力。 例如，在现实世界中关于环境的知识主要表明了生物根据其生存观来对
2019/11/5
高级人工智能 史忠植
3
模糊集
1965年，Zadeh提出了模糊集，不少理 论计算机科学家和逻辑学家试图通过这一理 论解决G.Frege的含糊概念，但模糊集理论 采用隶属度函数来处理模糊性，而基本的隶 属度是凭经验或者由领域专家给出，所以具 有相当的主观性。
2019/11/5
高级人工智能 史忠植
各种各样的情形进行分类区别的能力。每种生物根据其传感器信号形成 复杂的分类模式，就是这种生物的基本机制。

人工智能的技术原理:强化学习
人工智能通过模拟生物学习过程，实现自我优化。 以AlphaGo为例，其利用深度学习和强化学习技术，从人类围棋大师的棋局中学习，不 断优化策略，最终击败了世界冠军李世石。 强化学习是人工智能的一种重要技术手段。 强化学习通过给予智能体奖励或惩罚来驱动其行动，使其在与环境的交互中获得最优 解。例如，自动驾驶车辆通过强化学习算法，能在各种复杂环境中自主驾驶。 人工智能的发展推动了强化学习的广泛应用。 随着AI技术的发展，如深度学习、自然语言处理等，为强化学习提供了丰富的数据来 源和应用场景，使得强化学习在游戏、机器人控制等领域得到了广泛应用。 强化学习的未来研究方向包括提高学习效率、扩大应用领域等。 为了提高强化学习的学习效率，研究者们正在探索更有效的算法和模型；同时，也正 在尝试将强化学习应用到更广泛的领域，如医疗、金融等。
深度学习
监督学习的应用领域广 泛
监督学习 自然语言处理
BERT
监督学习的发展推动了 人工智能的进步
监督学习 人工智能 AlphaGo
监督学习的未来发展方向 是自我学习和强化学习
人工智能 自我学习 强化学习
OpenAI GPT-4模型
人工智能的技术原理:无监督学习
无监督学习通过发现数据中的规律。 无监督学习是机器学习的一种方法，其核心在于让模型在没有标签或反馈的情况下自动学习和理解数据的内在规律，如聚类分析、关联规则挖掘等。 无监督学习在人工智能的发展历程中起到关键作用。 从20世纪50年代开始，人工智能的研究者们就开始探索无监督学习的理论与应用，例如在图像处理领域，无监督学习的自编码器技术已被广泛应用。 无监督学习为人工智能提供了更广泛的应用场景。 随着深度学习技术的发展，无监督学习已经可以处理包括语音识别、自然语言处理等多个领域的复杂任务，极大地拓展了人工智能的应用范围。