Python人工智能技术与应用 PPT课件 2.【课件】1-2 调研分析人工智能关键技术.pptx

《Python人工智能技术与应用》能力模块一对人工智能与自动驾驶的基本认知任务二调研分析人工智能关键技术

TaskImport任务导入某公司研发和销售人工智能产品，客户想了解你们公司人工智能产品用到了哪些人工智能技术。你作为该公司的产品售后人员，需要向客户介绍产品背后的人工智能关键技术。

素养目标引导问题的过程中，培养学生形成勤于思考的能力获得分析解决问题以及多元化思考解决问题的方法，形成创新意识。TaskObject任务目标知识目标了解人类神经元和人工神经元。了解常见的深度学习算法。了解深度学习技术的优势与应用。了解神经网络技术和机器学习技术原理。技能目标掌握机器学习的流程。掌握机器学习的分类方法。掌握人工智能项目的生命周期，感受项目性思维，培养统筹思考的能力。

新授

机器学习技术原理与流程01CONTENTS目录机器学习的分类方法02深度学习技术原理与常用方法03深度学习技术的优势与应用04人工智能项目实现周期05

机器学习技术原理与流程01机器学习的基本原理是，计算机通过不断从输入数据中提取信息（数据特征）和结果（数据标签），学习数据标签和数据特征之间的相关、依存或隐藏结构等关系或内在规律，以优化自身的性能，并生成最优模型以输出最优结果。机器学习从数据中“学习”，“成为”最优模型原理

机器学习技术原理与流程模型构建模型评估数据准备特征工程01机器学习技术的流程

机器学习的分类方法02强化学习半监督学习监督学习无监督学习机器学习的分类方法

机器学习的分类方法02（一）监督学习是指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。通过大量人工打标签来帮助机器学习的方式就是监督学习。机器学会如何识别猫和狗？操作一：给照片打上标签用于训练操作二：计算机给出答案

机器学习的分类方法02（二）非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。计算机需要从给定的数据集中，通过不同的非监督学习的算法，挖掘出潜在的结构和关联规则。计算机非监督学习分类猫和狗

机器学习的分类方法02（三）强化学习强化学习更接近生物学习的本质，它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。谷歌公司开发的Alpha人工智能程序2016年3月9日以4比1的比分击败欧洲围棋冠军李世石，它使用深度强化学习来训练自己，以改进自身的棋艺。

机器学习的分类方法02（三）监督学习、无监督学习、强化学习的联系和区别三类学习共同点三类学习的联系和区别机器学习的分支1通过数据和算法来解决问题2通过训练数据来完成模型的构建3模型的构建也是基于数学模型的4学习方式数据有无标签学习目标应用场景监督学习有标签预测准确性分类或回归无监督学习无标签挖掘数据结构聚类或降维强化学习无标签解决特定问题行为策略

深度学习技术原理与常用算法03深度学习是一种以人脑为模型的机器学习技术，深度学习算法使用与人类类似的逻辑结构来分析数据。深度学习使用被称为人工神经网络的智能系统分层处理信息。数据从输入层经过多个“深度”隐藏的神经网络层，然后进入输出层。额外的隐藏层支持比标准机器学习模型更强大的学习能力。深度学习最早可以追溯到1957年，当时由美国计算机科学家FrankRosenblatt提出了“感知器”模型，这是深度学习的第一个模型，它允许机器从输入信号中学习，并从中提取模式。随后，Hinton等人提出了反向传播算法，使深度学习得以发展。此后，深度学习继续发展，经过几十年的发展，已经成为当今最流行的机器学习技术。

深度学习技术原理与常用算法（一）人类神经元和人工神经元03人类神经元是由细胞体、树突和轴突组成的，树突接收神经冲动信号，将其传递给细胞体，细胞体根据接收到的信号决定是否将其传递到轴突，最终通过轴突将信号传递给下一个神经元或目标组织。人类神经元

深度学习技术原理与常用算法（一）人类神经元和人工神经元03人工神经网络在人工神经网络中，每个神经元都有一些输入，它们被加权并加上偏置，然后通过激活函数进行非线性转换。这个非线性转换类似于人类神经元中的信号处理过程。人工神经网络

深度学习技术原理与常用算法（一）人类神经元和人工神经元03加权：在这个过程中，每个输入信号都与一个权重相关联。权重表示每个输入信号对神经元的影响程度。全连接层类似于传统的神经网络，第一层为输入层，中间若干个隐藏层，最后一个输出层。偏置：是一个常数，它可以控制神经元的激活阈值，用公式表示，一个神经元的输出可以表示为：Output=ActivationFunction(WeightedSumofInputs+Bias)其中，ActivationFunction是激