《人工智能基础与应用》教学课件—认知人工智能的基础支撑.pptxVIP

A I 遇见应用 兴趣引领未来 ;目 录;1.学习人工智能的核心驱动力——算力、算法、数据，以及相互间的关系 2.概要了解人工智能的其他支撑技术——物联网、云计算、5G及相互间的赋能 3.数据作为AI算法“燃料”的重要性以及采集、标注及分析的基本流程;1. 知识点 人工智能芯片的分类及特点 认知物联网和AIoT，以及云计算、5G的概念及应用 人工智能数据服务的采集、标注及统计分析 2. 重难点 通过本单元的学习，厘清机器学习、深度学习之间的关系及重点应用领域；了解AIoT这一高频词的出现背景，思考人工智能技术与物联网在实际行业应用中的落地融合；深刻理解数据、算法模型及场境应用的流程及相互关系，由此学习人工智能数据服务的相关内容。;【内容概览】;人工智能的核心驱动力 人工智能的核心驱动力包括：大数据、算法、算力。 大数据可以比作人工智能的燃料，算法是发动机，算力则是支撑发动机高速运转的加速器。 三者相辅相成，数据量的上涨、运算力的提升和深度学习算法的出现才能极大地促进人工智能行业的发展。;大数据——这是让计算机获得智能的钥匙，具有三大特征：体量大、多维度、全面性； 算法——如深度学习、机器学习等，就是让计算机通过大量的数据具备学习能力； 算力——每个聪明的人工智能系统背后都有一套强大的硬件系统，用于计算处理大数据和执行先进算法的能力。;（一）人工智能的“加速器”——算力 什么是算力？ 算力是人工智能的基础硬件层，为算法提供基础计算能力。涵盖：GPU、CPU、FPGA和各种各样的ASIC专用芯片。 芯片的发展历程？ 传统计算机芯片为CPU, 但这种传统计算架构无法支撑深度学习的大规模并行计算需求。 GPU（图像处理器） 作为应对图像处理需求而出现的芯片，其海量数据并行运算的能力与深度学习需求不谋而合，因此，被最先引入深度学习。 GPU的优点：让并行计算成为可能，对数据处理规模、数据运算速度带来了指数级的增长。和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍，解决了制约计算机视觉发展的主要瓶颈。;（一）人工智能的“加速器”——算力 人工智能芯片??发展路径 两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要以 3 种类型的芯片为代表，即 GPU、FPGA、ASIC，但 CPU依旧发挥着不可替代的作用；另一种是采用类脑神经结构来提升计算能力，以IBM TrueNorth芯片为代表。; 什么是算法模型？ 算法是人工智能的发动机，有了算法，有了被训练的数据，经过多次训练，经过模型评估和算法人员不断调整后，会获得训练模型。有了好的算法模型，人工智能业务要求的基础功能才能得以实现。;人工智能的算法理论 人工智能、机器学习和深度学习的关系： 人工智能是目标，机器学习是重要实现手段之一，深度学习则源于机器学习的一个技术方向——人工神经网络。; 什么是机器学习？ 让计算机具有像人一样的学习和思考能力，即从已知数据中获得规律，并利用规律对未知数据进行预测的技术。在这整个过程中，最关键的是数据。; 什么是机器学习？——什么是监督学习 这是最简单、最直接的一种机器学习方式。类似高考前所做的练习题是有标准答案的，在做题的过程中，我们可以通过对照答案，来分析问题找出方法。; 什么是机器学习？——什么是非监督学习 也称为无监督学习，就是所做的练习题没有标准答案，换句话说，你也不知道自己做的是否正确，没有参照。由于这种方式能够帮助克服很多实际应用中获取监督数据的困难，因此一直是人工智能发展的一个重要研究方向。; 什么是机器学习？——什么是强化学习 这是一种非常强大的学习方式，其目标就是要获得一个策略去指导行动。比如在围棋博弈中，这个策略可以根据盘面形势指导每一步应该在哪里落子；在股票交易中，这个策略会告诉我们应该在什么时候买入、什么时候卖出。 具体案例：2016年击败围棋世界冠军李世石九段的阿尔法狗，其令世人震惊的博弈能力就是通过强化学习训练出来的。; 什么是深度学习？ 这是机器学习比较热门的一个方向，其本身是神经网络算法的衍生。 深度学习是让算法自动从数据中获取特征，而不是像从前的机器学习方法，人为的去提取特征。 深度学习通过构建一个多层的表示学习结构，使用一系列非线性变换操作，从原始数据中提取简单的特征进行组合，从而获得更高层、更抽象的表示。; 机器学习和深度学习的差异 其最大的不同在于深度学习不需要人为的做特征工程，而是可以通过算法直接获取特征。这使机器学习向“全自动数据分析”又前进了一步。; 什么是深度学习？—— 深度学习的主要应用方向 1. 图像处理领域 图像分类（物体识别）：整幅图像的分类或识别。 物体检测：检测图像中物体的位置进而识别物体。 图像分割：对图像中的特定物体按边缘进行分割。 图像回归：预测图像中物体组成