《第一章》课件_2.1 机器感知与模式识别.pptx

2.1机器感知与模式识别目标1、掌握什么是机器感知、模式识别2、掌握什么是机器学习、机器学习的类别3、掌握机器学习算法实现分类的方法4、了解基于深度学习的物品检测方法重点1、机器学习的类别、各类的特点2、机器学习算法实现分类的方法难点1、机器学习算法实现分类的方法2、基于深度学习的物品检测方法

观看视频-波士顿动力机器狗人工智能体现在哪里？

2.1.1机器感知人如何感知图像？

2.1.1机器感知机器感知：计算机直接“感觉”周围世界，就像人一样通过“感觉器官”直接从外界获取信息，如通过视觉器官获取图形、图像信息，通过听觉器官获取声音信息。图像识别人工设计图像特征自动从图像中学习有效的特征特征定义特征匹配

2.1.2模式识别模式识别（PatternRecognition）：研究自然界中存在的大量模式规律的表达，对表征事物或现象的各种形式的信息进行处理和分析，从而达到对事物或现象进行描述、辨认、分类和解释的目的。模式识别系统组成：数据获取模式分割预处理特征生成特征选择模式分类后处理

2.1.3机器学习机器学习（MachineLearning）：不同于模式识别中人类主动去描述某些特征给机器，机器从已知的经验数据（样本）中，通过某种特定的方法（算法），自己去寻找提炼（训练/学习）出一些规律（模型），提炼出的规律就可以用来判断一些未知的事物/事情（预测）。人工智能（ArtificialIntelligenceAI）机器学习（MachineLearning）监督式学习非监督式学习半监督式学习强化学习

2.1.3机器学习监督式学习是拥有一个输入变量（自变量）和一个输出变量（因变量），使用某种算法去学习从输入到输出之间的映射函数。萼片长度/厘米萼片宽度/厘米花瓣长度/厘米花瓣宽度/厘米类别0.2山鸢尾4.931.40.2山鸢尾0.2山鸢尾0.2山鸢尾变色鸢尾1.5变色鸢尾1.5变色鸢尾5.52.341.3变色鸢尾……………

2.1.3机器学习非监督式学习指的是只有输入变量，没有相关的输出变量。目标是对数据中潜在的结构和分布建模，以便对数据做进一步的学习。相比于监督式学习，非监督式没有确切的答案，学习过程也没有监督，通过算法的运行去发现和表达数据中的结构。半监督式学习是一种监督式学习与非监督式学习相结合的一种学习方法。拥有大部分的输入数据（自变量）和少部分的有标签数据（因变量）。强化学习：强化学习可以训练程序作出某一决定。程序在某一情况下尝试所有可能的行动，记录不同行动的结果并试着找出最好的一次尝试来做决定。

2.1.3机器学习【任务描述】：设计一个二分类器，实现对鸢尾花样本数据库中山鸢尾和变色鸢尾两种类别的分类功能。步骤1：数据采集。步骤2：训练数据，求解参数。步骤3：测试数据，验证参数。萼片长度/厘米萼片宽度/厘米花瓣长度/厘米花瓣宽度/厘米类别0.2山鸢尾4.931.40.2山鸢尾0.2山鸢尾0.2山鸢尾变色鸢尾1.5变色鸢尾1.5变色鸢尾5.52.341.3变色鸢尾……………

2.1.4深度学习的物品检测案例观看视频/talks/joseph_redmon_how_a_computer_learns_to_recognize_objects_instantly

2.1.5深度学习的对抗攻击被“终结者”锁定了怎么办？脑门贴张纸，“我不是人”！骗过FaceID！一幅炫彩的对抗图画，贴在肚子目标检测界的翘楚YOLOv2，不光看不出他们是人类，连那里有物体存在都发现不了优秀的隐身衣

2.1.5深度学习的对抗攻击莫斯科国立大学和华为莫斯科研究院的科学家。他们的符上有特殊纹路，可以迷惑AI，这叫对抗攻击。攻击成本很低，符是普通的彩色打印机打出来的。画符的算法已经开源了，那大家都可以生成欺骗人脸识别AI的符了。这是一个“很容易复现(EasilyReproducible)”的方法，还不光对ArcFace这一只AI有效，可以迁移到其他AI上，骗无止境。说不定有一天，监控系统对陌生人出没，就没有抵抗力了。

以匠心致创新我们终将泄露的人脸数据，后果到底有多可怕？人脸数据泄露到底有哪些风险呢？众多的人脸识别应用会不会把我们的人脸照片卖给数据公司，用作训练AI的“肥料”呢？

谢谢大家！以匠心致创新