智能物流技术-缪兴锋-任务3-2：人工智能关键技术.pptxVIP

教学单元 : 任务3-2：人工智能 ;【知识目标】;【能力目标】;【知识链接】;一、人工智能关键技术;1.计算机科学（Computer Science）;（1）数据结构和算法（Data Structure Algorithm）;（2）分布式系统（Dustributed System）;（3）计算理论（Theory of Computation）;（4）编码理论（Coding Theory）;在信息传播中会涉及编码解码的过程，信息传播六部曲如图1-2 所示 首先需要对接收到的信息源进行编码即调制处理，并通过信息通道来传递编码信息；在收到编码后再进行解码操作即解调处理，这样就可以重新获得原始信息。 ;2.机器学习（Machine Learning） ;根据学习模式将机器学习分类为:;（1）监督学习;（2）无监督学习;无监督的聚类方法可以分为三类： ;①基于原型的聚类方法 是基于聚类结构能够通过一组原型进行刻画的假设。 一般情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。 经典的原型聚类方法有 k 均值聚类法、学习向量量化法、高斯混合聚类法。;②基于密度的聚类 假设聚类结构能够通过样本分布的紧密程度确定， 从样本密度的角度来考虑样本之间的可连接性， 将可连接的样本归为一类。 DBSCAN 是著名的密度聚类法，它基于“领域”概念开刻画样本的可连接性。 除此之外，较常用的还有 OPTICS 法、DENCLUE 法等。 ;③层次聚类 试图在不同层次对数据集进行划分，最终形成树形的聚类结构，典型代表为 AGNES 方法。 它将每个样本看作一个初始类，然后每一次都将距离最近的两个类进行合并，最终所有的样本都被归为一类。 另外还有 DIANA 法采用自顶向下的分拆策略，而 BIRCH 法与 ROCK 法等可以回溯调整已合并或已分拆的类。 ;（3）强化学习; 强化学习已经存在了几十年，但是这个方法在实践中没有取得很大成功，主要是由于表征和缩放的问题。 智能体不断在各个状态下尝试各种决策，最终习得在某状态下应该采取什么决策。;在各种状态下强化学习是一种时序学习，它学到的策略是一个系列决策，因此在短期奖励与更大的长期奖励中，强化学习智能体将会选择更大的长期利益。 如由谷歌 DeepMind 开发的计算机程序 AlphaGo 在五次对抗比赛中击败了人???围棋冠军，它最近所取得的成功在很大程度上要归功于强化学习。 强化学习有着广泛的应用， ;根据学习方法可以将机器学习分为： ;（1）传统机器学习。机器学习可以理解成是生产算法的算法。需要人来先做特征提取，然后在把特征向量化后交给机器去训练。 （2）深度学习。深度学习的概念由Hinton等人于2006年提出。深度学习是基于深度神经网络（Deep Neural Networks，DNN）的学习。深度学习可以自动提取特征。 深度学习可以采用 End-to-End 的学习方式，只需要进行很少的归一化和白化，就可以将数据交给模型去训练。;传统机器学习和深度机器学习的一些区别。以人脸识别为例： 如果是传统机器学习的方法，人工给出相应的“面部特征”，眼睛、耳朵、鼻子、嘴巴的模样等等，以此来对我们的对象进行分类识别。 深度学习的方法则更进一步。深度学习自动地找出这个分类问题所需要的重要特征！ 深度学习首先尽可能找到与这个头像相关的各种边（Low-level features—底层）， 然后下一步，对这些底层特征进行组合，就可以看到有鼻子、眼睛、耳朵等等，它们就是（Mid-level features—中层）， 最后，我们对鼻子眼睛耳朵等进行组合，就可以组成各种各样的头像了，也就是（High-level features—高层）。 ;深度神经网络主要分为三类：前馈深度网络、反馈深度网络、双向深度网络。 ①前馈深度网络（Feed-forward Deep Network，FFDN）。前馈深度网络将许多不同的函数通过连接在一条链上的方式进行复合（复合函数形成链式结构，链的全长即为模型的深度）。网络也由此被分为很多层，如图所示，其中网络的开端（信息的输入）被称为输入层，网络的末端被称为输出层，中间一些层并不需要对每次的训练数据结果进行输出，因而被称为隐藏层。 ; ②反馈深度网络 （Feed-back Deep Network，FBDN）。与前馈深度网络不同，反馈深度网络是对输入信号进行解码的过程。以反卷积网络为例，如图所示，每层的信息是自上而下的，即从第n层向第1层传递，组合通过波滤器组学习得到的卷积特征来重构输入的信息。 一般情况下，信息都会先经过正则化处理，以分解的问题方式来计算特征而不利用近似值，这样可以让隐藏层的特征更为突出，也更有利于信号的分类与重建。; ③双向深度网络 （