人工智能应用 课件 第2章 人工智能的核心技术.pptx

第二章人工智能核心技术Technologyempowersthefutureofintelligence——掌握人工智能创造美好生活——ONTENTS人工神经网络/机器学习和深度学习知识图谱/自然语言处理机器视觉/语言识别机器人技术目录

人工神经网络机器学习和深度学习ANOVERVIEWOFTHEBACKGROUNDANDOBJECTIVESOFTHEPROJECT01

人工神经网络人脑的神经网络由神经元构成，一个神经元通常具有多个树突，主要用来接收输入信息；而轴突只有一条，尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫“突触”。神经元模型

人工神经网络人脑中的神经元如图所示。细胞体内有膜电位，从外界传递过来的电流使膜电位发生变化，并且不断累加，当膜电位升高到超过一个阈值时，神经元被激活，产生一个脉冲，传递到下一个神经元。神经元模型

人工神经网络神经元模型神经元模型是一个包含输入、输出与计算功能的模型。输入可以类比为神经元的树突，输出可以类比为神经元的轴突，计算则可以类比为细胞核。右图是一个典型的神经元模型，包含3个输入，1个输出，以及2个计算功能。中间的箭头线称为“连接”。每个“连接”上有一个“权值”。

人工神经网络神经元模型一个神经网络的训练算法就是将权重的值调整到最佳，以使整个网络的预测效果最好。为了方便建立一个数学模型，这里使用a来表示输入，用w来表示权值。一个表示连接的有向箭头可以这样理解：在初端，传递的信号大小仍然是a，端中间有加权参数w，经过这个加权后的信号会变成a·w，因此在连接的末端，信号的大小就变成了a·w。中间的“求和”表示将所有经过加权后的信息相加。如果将神经元模型中的所有变量用符号表示，则输出的计算公式为：z=g(a1·w1+a2·w2+a3·w3)

人工神经网络神经元模型对神经元的模型进行一些扩展。首先将Sum函数与Sgn函数合并到一个圆圈里，代表神经元的内部计算，用函数f表示。一个神经元可以引出多个代表输出的有向箭头，但值都是一样的单个神经元模型的功能有限，所以需要使用大量的神经元模型构成神经网络。

人工神经网络人工神经网络的构成人工神经网络的基本组成包括：人工神经元：这是神经网络的基本处理单元，每个神经元接收来自其他神经元的输入信号，通过加权求和、激活函数处理等方式产生输出信号。连接与权重：神经元之间的连接模拟了生物神经元之间的突触，这些连接具有不同的权重，用于调节信号传递的强度。层结构：神经网络通常由多层神经元组成，包括输入层、隐藏层和输出层。输入层负责接收外部输入信号，隐藏层负责处理输入信号并提取特征，输出层则负责产生最终的输出结果。

人工神经网络人工神经网络的工作原理在多层神经网络中，信号从输入层逐层传递到输出层，每一层神经元都会对其输入信号进行处理并产生新的输出信号。当输入信号通过连接传递到神经元时，神经元会根据其内部的激活函数和阈值决定是否产生输出信号，并将该信号传递给下一个神经元。神经网络结构中，输入层和输出层都只有一层，中间层可以根据信息处理需要设计成多层，中间层又被称为隐藏层。

人工神经网络人工神经网络的工作原理当人工神经网络被根据需要设计好以后，还需要对这个网络进行训练，才能让这个网络具有某种技能。比如一个能够进行人脸识别的人工神经网络被设计好以后，先让她对成千上万张人脸图片进行识别训练，在训练的过程中根据训练结果调整人工神经网络的结构和参数，让它的识别效果达到最佳。人工神经网络最擅长的是模式识别，比如图像识别、语音识别、机器翻译、疾病的预测、股市走向预测等等。其中图像识别技术应用广泛，像手机中的识花APP、人脸识别、医学影像识别都属于图像识别的应用。

机器学习和深度学督学习利用一组已知输入和对应输出的数据集来训练模型。数据集是监督学习的对象，习题集是学生学习训练的对象。监督学习根据没有标签的训练样本数据解决模式识别中的各种问题，称之为无监督学习。无监督学习通过对样本进行部分标识，这种部分标识样本训练数据的算法应用，就是半监督学习。无监督学习强化学习相当于在没有老师提示的情况下，自己对预测的结果进行评估的方法，通过自我评估，机器会为了更好更准确的判断而不断地进行学习。强化学习

机器学习算法机器学习和深度学习回归：回归方法是一种对数值型连续随机变量进行预测和建模的监督学习算法，其任务的特点是标注的数据集具有数值型的目标变量。回归