人工智能概论教学课件.pptVIP

人工智能概论教学课件课程名称：人工智能概论高校通识课程设计2025最新版

目录与课程结构模块一：人工智能基础人工智能定义与起源人工智能发展历程人工智能最新技术趋势人工智能主要分支与方法模块二：机器学习机器学习基础常见机器学习算法监督学习实际案例非监督学习常见场景强化学习典型应用模块三：深度学习与大模型深度学习入门经典神经网络架构大模型发展进程主流大模型介绍模块四：AI应用领域计算机视觉应用自然语言处理现实案例多模态AI与跨模态检索AI在医疗、教育、金融等领域应用模块五：AI开发工具与实践AI编程语言和主流开发工具数据分析与可视化工具云服务与集成开发环境数据获取与特征工程模块六：AI伦理与未来人工智能伦理与挑战技术失业与社会影响未来发展趋势与前沿展望行业创新实践案例课程总结与学习建议

人工智能定义与起源人工智能的定义人工智能（ArtificialIntelligence，简称AI）是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。核心目标：让机器能够像人类一样思考、学习和行动。起源与早期里程碑1950年：艾伦·图灵提出图灵测试1956年：达特茅斯会议正式提出人工智能概念1957年：FrankRosenblatt发明感知机1960年代：ELIZA程序模拟人类对话智能体（Agent）能够感知环境并采取行动以实现目标的实体知识表示（KnowledgeRepresentation）将知识编码为计算机可处理的形式智能计算（IntelligentComputing）

人工智能发展历程1第一次浪潮（1950-1970年代）符号主义AI兴起，逻辑推理为主开发基于规则的专家系统通用问题求解器（GPS）基于知识的系统2第二次浪潮（1980-2000年代初）机器学习崛起，统计模型发展决策树、支持向量机等算法专家系统在商业领域应用IBM深蓝战胜国际象棋大师3第三次浪潮（2000-2015年）深度学习突破，大数据驱动卷积神经网络取得突破AlexNet在ImageNet竞赛胜出谷歌收购DeepMind4第四次浪潮（2016-2025年）大模型时代，多模态融合AlphaGo击败李世石GPT系列模型革命性突破AIGC（AI生成内容）兴起

人工智能最新技术趋势大模型时代基于Transformer架构的大规模预训练模型成为主流，参数规模从十亿级扩展到万亿级。预训练-微调范式普及少样本学习能力增强涌现能力（EmergentAbilities）多模态融合跨模态学习实现文本、图像、语音、视频等多种数据类型的统一理解和生成自动化机器学习（AutoML）自动化特征工程、模型选择和超参数优化，降低AI开发门槛生成式AIChatGPT、DALL·E、StableDiffusion等工具掀起创作革命，从文本到图像、音乐、视频的生成能力大幅提升

人工智能主要分支与方法符号智能基于逻辑推理和知识表示的方法专家系统知识图谱逻辑规划连接主义基于神经网络模拟人脑结构的方法深度学习卷积神经网络循环神经网络统计智能基于概率统计的机器学习方法贝叶斯网络隐马尔可夫模型高斯过程交互智能强调与环境互动的学习方法强化学习多智能体系统人机协作

机器学习基础机器学习的定义机器学习是人工智能的核心子领域，研究如何使计算机系统不断从数据中学习，并在没有明确编程的情况下提高性能。计算机程序可以根据经验自动改进——TomMitchell监督学习通过标记数据训练模型，预测未知数据分类问题回归问题非监督学习从无标记数据中发现潜在规律和结构聚类分析降维技术强化学习通过环境反馈（奖励/惩罚）学习最优策略基于价值的方法基于策略的方法

常见机器学习算法回归算法用于预测连续值的数值线性回归：预测房价、股票价格多项式回归：处理非线性关系岭回归/Lasso回归：处理高维特征分类算法将数据分类到预定义的类别逻辑回归：二分类问题的基础算法决策树：可解释性强，直观易懂随机森林：多决策树集成，减少过拟合支持向量机(SVM)在高维空间寻找最优分类超平面，适用于线性和非线性分类问题，通过核函数处理复杂数据K近邻算法(KNN)基于最接近的训练样本进行分类或回归，直观简单但计算复杂度高朴素贝叶斯基于贝叶斯定理的概率分类器，在文本分类中表现出色，计算效率高

深度学习入门深度学习的核心概念深度学习是机器学习的一个子集，通过构建多层神经网络来模拟人脑的学习过程，能够自动从原始数据中提取高级特征。相比传统机器学习，深度学习：无需手动特征工程表示能力更强随数据规模增大性能持续提升感知机最基本的神经网络单元，模拟单个神经元的工作方式输入加权求和，通过激活函数输出多层感知机由多个感知机组成，包含输入层、隐藏层和输出层能够学习非线性关系，解决XOR等线性不可分问题反向传播算法核心训练方法，通过计算损失函数梯度，从