人工智能与大数据技术：人工智能应用PPT教学课件.pptx

项目10人工智能应用;;10.1图像识别与分类;10.1图像识别与分类;10.1.1深度学习与图像识别;图10-1R-CNN物体检测框架;10.1.1深度学习与图像识别;深度学习算法的应用离不开使用数据集训练模型。为了促进计算机图像识别技术的发展，斯坦福大学的李飞飞教授带领创建了一个著名的计算机视觉数据集：ImageNet数据集（/）。

ImageNet最初是拥有超过100万张图像的数据集。而今ImageNet数据集中已经超过14000多万幅图片，每一张图片都被手工标定好类别。

ImageNet数据集中的图片涵盖了大部分生活中会看到的图片类别。关于图像分类、定位、检测等研究工作大多基于此数据集展开，许多AI算法研究者将其作为目前深度学习图像领域算法性能检验的“标准”数据集。;10.1.2图像识别的应用;10.2医学影像分析;10.2医学影像分析;图10-2CT图;第一，医学影像医生缺口大。以我国为例，影像科医师数量增长远不及影像检查需求增长。合格的影像科医师需要较长的时间进行学习和经验积累。这意味着影像科医师在未来处理影像数据的压力会越来越大，难以承担巨大的负荷。同时，随着分级诊疗政策的推进和基层医疗需求的释放，医学影像数据会更快增长。

第二，医学影像诊断误诊率较高、效率低。医学影像数据基本全部需要专业医生进行人工分析，而人工分析的缺点也显而易见：一是患者的等待检查结果的时间不及时，二是医生大量的脑力劳动和长时间的工作，容易视力疲劳及人为产生视觉误差；三是海量的影像信息容易漏诊；四是全凭医生经验去鉴定，缺乏量化的标准，误诊率高，极容易出现不同医生判读结果不一致的情况。;人工智能应用于医学影像，主要是通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助医生更快地获取影像信息，进行定性定量分析，提升医生看图、读图的效率、协助发现隐藏病灶。人工智能可以通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注、二维重建、靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。;（1）阅片方式改变。专为医学影像分析设???的人工智能应用可直接实现自动对影片进行初筛、判断、病灶勾选等，医生只需要最后负责判断即可。

（2）阅片速度改变。人工智能应用自动快速初筛，并勾选病灶，医生只负责关键部位的复判，为医生节省大量烦琐的初筛过程。时间大为缩短，效率提高。

（3）精准度改变。人工智能应用具备稳定性和全面性双面特点，不受工作时间长短影响，且能够做到片子全域完整观察无遗漏，快速稳定地完成初筛、判断，最后由专业医生对关键部位进行复判。因此，阅片的精准度得到双重保障。;（1）图像病例分类：病例分类主要是对一套典型多张图片进行分析，从而得出相应的病例的分类结果。在这一类问题中，通常存在着相应任务的病例图像数据量较少的问题，这也导致处理该类问题时通常会采用计算机视觉中的迁移学习算法。

（2）目标或病灶检测分割：目标或病变分类与上述的图像、病例分类不同，其更加注重于图像的某一部分或细小的组织、病变等局部区别的分类，例如常见的肺结节检测与分类。基本上大多数的医学图像，都采用端对端的CNNs网络，但也存在一部分案例中，多次使用诸如RBMs、SAEs、CSAE等无监督网络模型的情况。;10.3医疗+AI;10.3医疗+AI;10.3.1医疗+AI背景;;10.3.3医疗+AI技术体系;10.4语音识别;10.4.1语音的基本概念;10.4.2语音识别系统;10.4.2语音识别系统;10.4.3语音识别的特征提取;10.4.4语音识别的声学模型;10.4.4语音识别的声学模型;10.4.4语音识别的声学模型;10.4.4语音识别的声学模型;10.4.4语音识别的声学模型;10.4.5语音识别的语言模型;10.4.6语音识别的解码有哪些信誉好的足球投注网站;10.4.7基于端到端的语音识别方法;10.4.7基于端到端的语音识别方法;10.4.7基于端到端的语音识别方法;10.5人脸识别和情感计算;10.5.1人脸识别;10.5.1人脸识别;10.5.1人脸识别;10.5.2情感计算;10.5.2情感计算;10.6自然语言处理;10.6.1自然语言处理概述;10.6.1自然语言处理概述;自然语言处理通过对词、句子、篇章进行分析，对内容里面的人物、时间、地点等进行理解，并在此基础上支持一系列核心技术（如跨语言的翻译、问答系统、阅读理解、知识图谱等)。

基于这些技术，又可以把它应用到其他领域，如有哪些信誉好的足球投注网站引擎、客服、金融、新闻等。

通过对语言的理解实现人跟电脑的直接交流，从而实现人跟人更加有效的交流。

自然语言技术不是一个独立的技术，受云计算、大数据