高中信息技术第四章 走近人工智能第二节 人工智能的发展历程优秀课件ppt

这是一份高中信息技术第四章 走近人工智能第二节 人工智能的发展历程优秀课件ppt，共21页。PPT课件主要包含了课堂导入，专家系统，什么是专家系统，机器学习，监督学习，非监督学习，项目实践，作业练习等内容，欢迎下载使用。

人工智能就是研究如何使计算机去做过去只有人类才能做的智能的工作,这是人工智能最通俗、简明的定义。 这个定义反映了人工智能学科的基本思想和基本内容,即人工智能是研究人类智能活动规律,构造具有一定智能的人工系统,研究 如何应用计算机的软、硬件来模拟人类某些智能行为的基本理论、方法和技术。 另一定义认为,人工智能是关于知识的学科———研究怎样表示知识、获得知识并使用知识的科学。这个定义突出了人工智能的知识基础,同时指出了计算机模拟智能行为的本质是模拟人类的知 识行为能力。本书中,我们采用下列定义:人工智能是指由人创造 出来的,具有感知、认知、决策、学习、执行和社会协作能力,符合人类 情感、伦理与道德观念的虚拟的或人工的系统。
图 4.7 人工智能的表现形式
2016年,阿尔法围棋(AlphaG)在与围棋世界冠军李世石进行的围棋人机对弈中以 4∶1的总比分获 胜,这是人工智能发展史上又一个新的里程碑。2017年,它又进化为阿尔法元(AlphaZer),通过“自学成 才”,仅用 3天就成为了围棋界的顶尖高手。 思考： 1. 请同学们分别了解互联网上不同的人机对弈平台,并体验人机对弈过程。 2. 以小组为单位进行讨论:在对弈过程中,机器是如何进行“思考”的。
1951年,世界上诞生了第一个西洋跳棋程序。1962年,西洋跳棋 程序开始击败跳棋高手。这一时期的博弈程序基本上都是使用搜索 的方式来求解问题,其中采用了多种算法技巧来提高搜索效率。
专家系统最杰出的代表之一就是1997年战胜了国际象棋世界冠军的深蓝计算机(DeepBlue)。
专家系统是早期人工智能的一个重要 分支,它可以看作是一类具有专门知识和经验的计算机智能程序系 统。这类系统就像在模仿人类专家做决定的过程,基于已经掌握的领域知识,根据推理规则得到相关结论,进而解决问题,因此专家系统也 被称为基于知识的系统。 专家系统适合于完成那些没有公认的理论 和方法、数据不精确或信息不完整、人类专家短缺或专门知识十分昂贵的诊断、解释、监控、预测、规划和设计等任务。
图 4.8 中医药对症开方专家系统工作流程示意图
我国在2008年研发出了基于知识的中医药 对症开方专家系统。该系统能够在知识库的基础上,结合中药方剂理 论及组方原则,为用户开出治疗特定病症的量化中药方剂,为医生及中药研发人员提供辅助决策支持,如图4.8所示。
在2016年至2017年间,阿尔法围棋(AlphaG)和阿尔法元 (AlphaZer)先后战胜了代表国际最高水平的人类顶尖棋手,证明了 机器学习技术发展带来的突破。
机器学习(machinelearning)是人工智能的研究领域之一,其本质是基于互联网的海量数据以及计算机系统强大的运算能力,让机器自 主模拟人类学习的过程,通过不断“学习”数据来做出智能决策行为。 人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点, 再到以“学习”为重点的自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。 机器学习研究的主要目的是设计和分析一些让计算机可以自动 “学习”的算法,使计算机从数据中自动分析获得规律,并利用规律对未 知数据进行预测。机器学习的常见方法有监督学习和非监督学习等。
图 4.10 监督学习:回归
监督学习表示机器学习的数据是带标记的,这些标记可以包括数据类别、数据属性以及特征点位置等。以这些标记作为预期效果,不断地修正机器的预测结果。 常见的监督学习有回归、分类。
图 4.12 非监督学习:聚类
非监督学习表示机器学习的数据是没有标记的, 机器需要从中探索并推断出潜在的联系。比如,在聚 类(clustering)工作中,由于事先不知道数据类别,只能按照样本的某些属性将不同数据分开,把相似数据 “聚合”成一类,即使得在同一类中的样本相似性尽可能大,不同类间的样本相似性尽可能小,如图4.12所 示。例如,文本聚类根据文本的某种联系或相关性对文本集合进行有效的划分,方便人们从文档集中发现 相关的信息。
图 4.13 山鸢尾、变色鸢尾和维吉尼亚鸢尾
鸢尾花又名蓝蝴蝶、紫蝴蝶,是生活中常见的一种观赏花。本任务的“原材料”是鸢尾花数据集,这是 一个常用的分类实验数据集,其中包含了 150 条带标记(即标明花卉种类)的鸢尾花数据。数 据集中的鸢尾花分为三类(如图 4.13所示),分 别是山鸢尾、变色鸢尾和维吉尼亚鸢尾。每类 50条数据,每条数据包含四个属性:萼片长度、 萼片宽度、花瓣长 度、花 瓣 宽 度,数 据 示 例 如 表 4.2所示。
表 4.2 鸢尾花数据集示例
假设现在有一株鸢尾花,经测量后得知萼片长 6.7厘米,萼片宽 3厘米,花瓣长 5.1厘米,花瓣宽 1.8 厘米,可以使用什么类型的机器学习方法,来判断它属于哪种鸢尾花? 2. 请使用技术支持中介绍的方法,完成对鸢尾花类型的 自动判别。
图 4.20 鸢尾花分类示意图
K 近邻(KNN,k-nearestneighbr)算法是机器学习算法中比较基础和简单的算法之一,经常被用于分类任务。它的基本原理是:找到离测试样本最近的 K条已标记训练数据,将其中最多的类别作为测试样 本的类别。 如图 4.21所示,当 K取 1时,测试样本(图中黄色三角 形)周围最近的已标记训练数据点为其右上角的绿色正方形, 则将其归为绿色正方形所属分类;当 K取 2时,距离测试样本 最近的两个训练数据点均为绿色正方形,则同样将其归为绿 色正方形所属分类;当 K取 3时,距离测试样本最近的三个训 练数据点包括两个绿色正方形和一个红色圆形,则仍将其归 为绿色正方形所属分类;当 K取 5时,距离测试样本最近的五 个训练数据点包括两个绿色正方形和三个红色圆形,则将其 归为红色圆形所属分类。与其他监督学习分类方法相比,K 近邻方法并没有显式的训练过程,而是先把训练样本保存起来,待收到测试样本后再进行处理。 请修改鸢尾花分类程序,利用 K 近邻的思想,取 K=1, 计算刚才未正确分类的那条测试样本与所有已标记训练数据 之间的欧氏距离,找到距离最短的那条训练数据,将其分类作 为测试样本的分类,看看是否能够正确分类。
图 4.21 K 近邻算法示意图