人工智能技术概括

项目	内容
来源	录播
章节	第十九章-未来信息综合技术
标签	讲义
页数	3
总字数	1667
原始课件	`基础录播课/第十九章-未来信息综合技术/人工智能技术概括.pdf`

本文由课件自动整理，页内文字按原始讲义阅读顺序还原；[图] 表示该位置存在图示，

图示内容请对照原始课件查看。

第 1 页 · 人工智能

人工智能(Al)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。

人工智能的目标是了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。该领域

的研究包括机器人、自然语言处理、计算机视觉和专家系统等。

根据人工智能是否能真正实现推理、思考和解决问题，可以将人工智能分为弱人工智能和强人工智能。

1 .

自然语言处理(NLP)。研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。主要包括机器翻译(从一种自然

语言到另外一种自然语言的翻译)、语义理解(利用计算机理解文本篇章内容，并回答相关问题)和问答系统(让计算机像人类一

样用自然语言与人交流)等。比如机器翻译是NLP的一个经典应用

计算机视觉。是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能

力，将图像分析任务分解为便于管理的小块任务。比如车牌识别、人脸识别

知识图谱。就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。谷歌知

识图谱是一个大规模的知识图谱，它将世界上的各种信息组织成一个关系网络。例如，当您在Google搜索中查找有关某个名

人的信息时，知识图谱可以提供与该名人相关的详细信息、事件和关系，以帮助您更好地理解。

人机交互(HCI)。主要研究人和计算机之间的信息交换。比如触摸屏界面是一种常见的人机交互方式

虚拟现实或增强现实(VR/AR)。以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、

听觉等方面高度近似的数字化环境

机器学习(ML)。是以数据为基础，通过研究样本数据寻找规律，并根据所得规律对未来数据进行预测。目前，机器学习广泛

应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别等领域。比如垃圾邮件过滤器

按照学习模式的不同，机器学习可分为监督学习、无监督学习、半监督学习、强化学习。其中，监督学习需要提供标注的样本集，

无监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样本，而强化学习需要反馈机制。

按照学习方法的不同，机器学习可分为传统机器学习和深度学习。区别在于，传统机器学习的领域特征需要手动完成，且需要大

量领域专业知识；深度学习不需要人工特征提取，但需要大量的训练数据集以及强大的GPU服务器来提供算力。

•传统机器学习从一些观测(训练)样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。在自然语言处理、语

音识别、图像识别、信息检索等许多计算机领域获得了广泛应用。

•深度学习是一种基于多层神经网络并以海量数据作为输入规则的自学习方法，依靠提供给它的大量实际行为数据(训练数据集)，进行参数和规则调

整。深度学习更注重特征学习的重要性。

机器学习的常见算法还包括迁移学习、主动学习和演化学习。

•迁移学习：是指当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。假设你想构建一个情感分析模

型，但在某些特定领域（例如医学）中没有足够的数据来训练模型。但是在一般的互联网上有大量的社交媒体评论和用户反馈的数据，你可以利

用这些数据进行情感分析的迁移学习

•主动学习：通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。比如在垃圾

邮件过滤器中，主动学习可以用于改善模型的性能

•演化学习：基于演化算法提供的优化工具设计机器学习算法，针对机器学习任务中存在大量的复杂优化问题，应用于分类、聚类、规则发现、特

征选择等机器学习与数据挖掘问题中。例如，在图像分类任务中，演化学习可以自动选择最相关的图像特征，以提高分类准确性。通过不断地进

化和选择特征，模型可以逐渐提高性能，找到最佳的特征组合

人工智能目前典型应用：chatgpt