教科版 (2019)必修1 数据与计算5.2 探秘人工智能公开课ppt课件

这是一份教科版 (2019)必修1 数据与计算5.2 探秘人工智能公开课ppt课件，共27页。PPT课件主要包含了三维目标，情境导入，点击视频进入观看，新知讲授，深蓝的故事，沃森的故事，举例说明，人工智能关键技术，神经网络，机器学习等内容，欢迎下载使用。

【人机大战——象棋到围棋】
“阿尔法围棋”的横空出世激发了全社会研究的热情。恰逢学校“人工智能科普营”活动，请你作为志愿者参与其中，协助搜集信息，并为活动出谋划策。活动1：完成【人机对战历史】表
【人机大战——历史资料搜寻】
完成做表，并讲述每个阶段的人机对战背后的故事以及对你的启发。总结每个故事背后，人类失败的原因！
1997年5月11日，一场别开生面的国际象棋比赛落下帷幕，参加比赛者包括了“深蓝”计算机和当时世界棋王卡斯帕罗夫。该计算机有着高速计算的优势，3分钟内可以检索500亿步棋，而其弱点是不能像人一样总结经验，随机应变能力还是赶不上以象棋为职业的世界棋王卡斯帕罗夫。但即便如此，计算机程序还是以3.5:2.5 （2胜1负3平）赢了棋王卡斯帕罗夫。在今天看来，“深蓝”还算不上足够智能，主要依靠强大的计算能力穷举所有路数来选择最佳策略：“深蓝”靠硬算可以预判12步，卡斯帕罗夫可以预判10步，两者高下立现。比赛中，第二局的完败让卡斯帕罗夫深受打击，他的斗志和体力在随后3局被拖垮，在决胜局中仅19步就宣布放弃。IBM拒绝了卡斯帕罗夫的再战请求，拆卸了“深蓝”。卡斯帕罗夫虽然后来多次挑战电脑战平，却无法找“深蓝”“复仇”，留下永久的遗憾。
2011年，“深蓝”的同门师弟“沃森”在美国老牌智力问答节目《危险边缘》中挑战两位人类冠军。《危险边缘》以答案的形式给出线索，如“小时候砍了樱桃树”，选手需要以问题作答，如“是乔治·华盛顿吗”。参赛者需要大量历史、文学、政治、科学及流行文化知识，还需要解析隐晦含义和谜语等。虽然比赛时不能接入互联网搜索，但“沃森”存储了2亿页的数据，包括各种百科全书、词典、新闻、甚至维基百科的全部内容。“沃森”可以在3秒内检索数百万条信息并以人类语言输出答案，还能分析题目线索中的微妙含义、讽刺口吻及谜语等。“沃森”还能根据比赛奖金的数额、自己比对手落后或领先的情况、自己擅长的题目领域来选择是否要抢答某一个问题。
【阿尔法围棋与李世石】的故事
3月15日，韩国九段棋手李世石与“阿尔法围棋”在韩国首尔进行第五场对弈，经过五个小时的博弈，最终李世石输掉了本场比赛，围棋人机大战的总比分为1比4。在与谷歌计算机Alpha G前三盘的对弈中，李世石以0比3连续失利。3月13日双方进行的第四局比赛中，李世石实现惊天逆转，挽回人类棋手颜面，将总比分改写为1：3。许多专家认为“阿尔法围棋”最大的特点是，它会自己学习！在战胜樊麾之前，“阿尔法围棋”已进行了超过3000万局的自我训练，不断提升自身棋力。李世石面对失败的说：“即使‘阿尔法围棋’战胜了欧洲冠军，但我认为到目前为止还是人类比人工智能强。不过听到人工智能具有了类似人类的直觉判断能力，我倒感到有些紧张，恐怕我以5比0战胜它有点儿够呛，因为人类下棋时会有失误。”
【阿尔法狗与柯洁】的故事
柯洁表示自己和机器测试过了很多盘棋，已经是人机大战的“老司机”了。“跟机器人对抗失败是非常正常的事情，因为人就是一个血肉之躯会疲劳会疲惫，但是机器不会。”中国棋手柯洁与人工智能“阿尔法围棋”（AlphaG）展开三番棋比赛的终局对决。应柯洁赛前请求，他在此局执白棋。在历经约3个半小时的对弈后，柯洁投子认输，执黑的“阿尔法围棋”（AlphaG）中盘获胜。至此，柯洁在与“阿尔法围棋” （AlphaG）的三番棋较量中，连输三局完败。相比于去年与李世石对阵的版本，此次的“阿尔法围棋” （AlphaG）进步十分明显。中国棋手常昊九段在解说中认为，“之前‘阿尔法围棋’和李世石下棋的时候，人类的痕迹更重一点。到了现在的版本，好像更有自己的想法了”。
【人工智能的概念与应用】
1950年的“图灵测试”揭开了人工智能的序幕。一般而言，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境，获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。有人把人工智能分成弱人工智能和强人工智能。弱人工智能一般指实现特定功能的专用智能设备，不能真正实现推理和解决问题。强人工智能是指真正能思考、有知觉、有自我意识的人类级别的智能机器。
观看视频，思考阿尔法狗的核心原理是什么？
人工神经网络 (ANN) 由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。 每个节点也称为一个人工神经元，它们连接到另一个节点，具有相关的权重和阈值。 如果任何单个节点的输出高于指定的阈值，那么会激活该节点，并将数据发送到网络的下一层。 否则，不会将数据传递到网络的下一层。
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的 为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成 任务。 举个简单的例子，当我们浏览网上商城时，经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的 收藏清单，识别出这其中哪些是你真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助商城为客户提供建议 并鼓励产品消费
最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防 性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现
机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法—— 同心圆，可视化地展现出它们三者的关系
人类通过各种感官系统来认识世界，比如触觉、嗅觉和味觉等等。我们通过视觉，知道它是一个橙色的、戴着绿帽子的胡萝卜；通过味觉，可以尝出胡萝卜丝味。传感器，就是物体的触觉、嗅觉和味觉。它能让物体感受到被测量的信号，并能将这个输入信号按照一定规律转换成输出信号的器件或装置。假设机器人被打一下，压力就是输入信号，传感器按照自己的规则，将它换成头部能看懂的信号，头部收到输出信号就会有所反应。
【人工智能与万物互联】