2022版信息技術(shù)教材培訓(xùn)

普通高中教科書信息技術(shù)選擇性必修4

《人工智能初步》

浙江大學(xué)

吳超

2020年9月11日本書內(nèi)容提綱章題目節(jié)題目第一章智能之路：歷史與發(fā)展1.1人工智能的起源1.2人工智能的現(xiàn)狀與發(fā)展第二章：智能之源：算法與模型

2.1類腦計(jì)算2.2邏輯推理

2.3基于搜索的問題求解2.4決策樹2.5回歸分析2.6貝葉斯分析2.7神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)2.8混合增強(qiáng)智能第三章：智能之力：賦能之術(shù)3.1對(duì)數(shù)據(jù)進(jìn)行挖掘：知識(shí)挖掘3.2對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)：模式挖掘3.3對(duì)數(shù)據(jù)進(jìn)行合成：創(chuàng)意智能第四章：智能之用：服務(wù)社會(huì)4.1“智能+X”推動(dòng)社會(huì)進(jìn)步4.2自然語言理解：機(jī)器翻譯4.3智能模擬：人機(jī)對(duì)弈4.4智能控制：無人駕駛車系統(tǒng)4.5混合智能：腦機(jī)接口4.6人工智能發(fā)展對(duì)社會(huì)的潛在影響第五章：智能之基：倫理與安全5.1概述5.2人工智能倫理5.3人工智能安全每一章內(nèi)容的體例導(dǎo)言內(nèi)容主體項(xiàng)目挑戰(zhàn)概述、問題與挑戰(zhàn)、學(xué)習(xí)目標(biāo)、內(nèi)容總覽實(shí)踐與體驗(yàn)、思考與練習(xí)、問題與討論、鞏固與提高+拓展項(xiàng)目安綬惘紀(jì)，無行云流水之勢，但如抽絲剝繭之行而為之，故望此云，無望得眾第一章智能之路：歷史與發(fā)展邏輯推理（形式化）數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)從知識(shí)到知識(shí)從數(shù)據(jù)到知識(shí)智能計(jì)算載體圖靈機(jī)模型第一章智能之路：歷史與發(fā)展兩端無限長的紙帶被分隔成一個(gè)個(gè)可擦寫的小方格小方格中可放入數(shù)據(jù)、程序指令或者為空。控制器控制一個(gè)機(jī)器頭對(duì)紙帶方格中的信息進(jìn)行操作在每一時(shí)刻，機(jī)器頭從當(dāng)前所指向紙帶方格中讀入該方格中的信息，根據(jù)讀入信息從控制器內(nèi)部程序表中查找應(yīng)對(duì)所讀入信息的合理操作指示根據(jù)該指示進(jìn)行計(jì)算，并將計(jì)算所得的信息輸出到紙帶方格中上述步驟周而復(fù)始，直至計(jì)算結(jié)束。一旦計(jì)算結(jié)束（即圖靈停機(jī)），紙帶上所記載的信息就是計(jì)算結(jié)果。第二章智能之源：模型與算法第二章智能之源：模型與算法專家系統(tǒng)的典型結(jié)構(gòu)如圖2.2.2所示，其由人—機(jī)交互界面、知識(shí)庫和推理機(jī)三個(gè)主要部分構(gòu)成。專家系統(tǒng)工作流程如下：領(lǐng)域?qū)＜彝ㄟ^人—機(jī)交互界面，將領(lǐng)域內(nèi)的專業(yè)知識(shí)（如醫(yī)學(xué)）轉(zhuǎn)化為機(jī)器可讀（machinereadable）形式，存入知識(shí)庫中。當(dāng)然，專家系統(tǒng)也通過人—機(jī)交互界面輸出答案。用戶向?qū)＜蚁到y(tǒng)輸入數(shù)據(jù)，推理機(jī)根據(jù)輸入數(shù)據(jù)，應(yīng)用推理規(guī)則進(jìn)行推理，得到結(jié)果，將結(jié)果通過人—機(jī)交互界面反饋給用戶。第二章智能之源：模型與算法---邏輯推理任意兩個(gè)公交換乘站之間如果有連線，表示它們之間存在可以往返的公交線路，連線上的數(shù)字表示所相連兩個(gè)公交換乘站之間的距離。在圖2.3.1中，公交換乘站A是距離小華家最近的一個(gè)車站，G是小華要去的目的地。小華現(xiàn)在需要找到一條從A到G的路線，并且希望找到的路線所花費(fèi)的時(shí)間最少。由圖2.3.1可知，從A到G距離最短的出行路線是A→B→D→G，其距離是38千米。那么，怎樣設(shè)計(jì)一個(gè)算法從一張地圖中尋找任意兩個(gè)站點(diǎn)之間的最短路徑呢？最短路徑搜索問題第二章智能之源：模型與算法---基于搜索的問題求解最短路徑搜索問題在詳細(xì)描述搜索算法之前，先介紹若干概念。狀態(tài)狀態(tài)可以認(rèn)為是搜索算法在某一時(shí)刻所處的位置，相應(yīng)地，搜索算法在開始和結(jié)束時(shí)所處的位置稱為初始狀態(tài)和終止?fàn)顟B(tài)。如在圖2.3.1中，搜索算法的初始狀態(tài)位于站點(diǎn)A，終止?fàn)顟B(tài)位于站點(diǎn)G。動(dòng)作動(dòng)作指的是搜索算法從一個(gè)狀態(tài)轉(zhuǎn)變到另外一個(gè)狀態(tài)所采取的行為。一般假設(shè)在每個(gè)狀態(tài)下所能夠采取的行為數(shù)量都是有限的。如在圖2.3.1中，搜索算法可采取行動(dòng)從狀態(tài)A到達(dá)狀態(tài)B，像這樣采取行動(dòng)從一個(gè)狀態(tài)到另一個(gè)狀態(tài)的過程叫作狀態(tài)轉(zhuǎn)移。路徑完成一系列連續(xù)的狀態(tài)轉(zhuǎn)移所得到的狀態(tài)序列就構(gòu)成了從起點(diǎn)到終點(diǎn)的路徑。如從狀態(tài)A到狀態(tài)B，接著到狀態(tài)D，最后到狀態(tài)G，就形成了A→B→D→G這樣的一條路徑。很顯然，沿著這條路徑出行所花費(fèi)的代價(jià)是路途中乘車所花費(fèi)的總時(shí)間。在路徑搜索問題中，任何一條路徑的代價(jià)都不會(huì)是負(fù)數(shù)。測試目標(biāo)用于判斷當(dāng)前狀態(tài)是不是目標(biāo)狀態(tài)。在交通問題中，小華的目的地是G，因此目標(biāo)測試只需判斷當(dāng)前狀態(tài)是否為G即可。當(dāng)然，即使到達(dá)了目標(biāo)狀態(tài)，找到的路徑也未必是代價(jià)最小的。第二章智能之源：模型與算法---基于搜索的問題求解最短路徑搜索問題：搜索樹的構(gòu)造搜索算法的每步操作可以做如下描述：每次選擇未訪問節(jié)點(diǎn)集合中的一個(gè)節(jié)點(diǎn)加入當(dāng)前搜索樹，檢查這個(gè)節(jié)點(diǎn)的所有后續(xù)相鄰節(jié)點(diǎn)，將滿足條件的節(jié)點(diǎn)加入未訪問節(jié)點(diǎn)集合中，重復(fù)執(zhí)行上述操作直至被擴(kuò)展的節(jié)點(diǎn)對(duì)應(yīng)一條從初始節(jié)點(diǎn)到終止節(jié)點(diǎn)的路徑。第二章智能之源：模型與算法---基于搜索的問題求解啟發(fā)式搜索在以上幾個(gè)小節(jié)探討的算法中，搜索算法并沒有考慮問題本身之外的其他信息。在有些情況下，搜索算法可以利用的信息不僅包括問題中的定義（如公交站點(diǎn)之間的連線），還包括一些與這個(gè)問題相關(guān)的輔助信息，這些輔助信息是否能夠被用來提升搜索算法的效率呢？像這樣在搜索過程中利用問題定義以外輔助信息的搜索算法，稱為啟發(fā)式搜索算法，或者叫有信息的搜索算法。在路徑搜索問題中，可引入任意一個(gè)站點(diǎn)與目標(biāo)站點(diǎn)之間的直線距離作為輔助信息，來提升搜索算法的效率。這個(gè)輔助信息對(duì)最短路徑搜索具有很大的幫助，因?yàn)榕c目標(biāo)站點(diǎn)直線距離越近的車站，其到達(dá)目標(biāo)站點(diǎn)所需的時(shí)間越短，也就越有可能出現(xiàn)在最短路徑中。第二章智能之源：模型與算法---基于搜索的問題求解啟發(fā)式搜索：貪婪最佳優(yōu)先搜索可以設(shè)計(jì)一個(gè)直觀的最短路徑搜索算法：算法從初始節(jié)點(diǎn)開始，每一步都將未訪問節(jié)點(diǎn)集合中離目標(biāo)站點(diǎn)直線距離最近的節(jié)點(diǎn)加入搜索樹，直至到達(dá)目標(biāo)站點(diǎn)。這個(gè)算法稱為貪婪最佳優(yōu)先搜索。第二章智能之源：模型與算法---基于搜索的問題求解在“貪婪”機(jī)制下找到的路徑A→C→D→G并非是最短路徑，因?yàn)锳→B→D→G的路徑開銷比A→C→D→G的路徑開銷要小。產(chǎn)生這樣的搜索結(jié)果，其原因是：貪婪最佳優(yōu)先搜索算法在當(dāng)前節(jié)點(diǎn)時(shí)，每次均“貪婪地”從與當(dāng)前節(jié)點(diǎn)相鄰的節(jié)點(diǎn)中選擇如下節(jié)點(diǎn)作為后續(xù)節(jié)點(diǎn)：與目標(biāo)節(jié)點(diǎn)直線距離最近的節(jié)點(diǎn)。這樣就會(huì)造成貪婪最佳優(yōu)先搜索算法過于重視當(dāng)前最優(yōu)，而忽視了全局最優(yōu)。啟發(fā)式搜索：貪婪最佳優(yōu)先搜索第二章智能之源：模型與算法---基于搜索的問題求解啟發(fā)式搜索：A*算法搜索算法每次都是從未訪問節(jié)點(diǎn)集合中選擇一個(gè)“最佳”節(jié)點(diǎn)，作為后續(xù)節(jié)點(diǎn)。于是，可以定義一個(gè)關(guān)于節(jié)點(diǎn)的評(píng)價(jià)函數(shù)f(n)。評(píng)價(jià)函數(shù)f(n)給出一個(gè)對(duì)節(jié)點(diǎn)n的評(píng)分值，于是算法可根據(jù)f(n)的大小來判斷是否優(yōu)先擴(kuò)展節(jié)點(diǎn)n、將其作為后續(xù)節(jié)點(diǎn)。這樣，每次進(jìn)行節(jié)點(diǎn)擴(kuò)展時(shí)，搜索算法計(jì)算未訪問節(jié)點(diǎn)集合中每個(gè)節(jié)點(diǎn)評(píng)價(jià)函數(shù)的大小，選取評(píng)價(jià)函數(shù)值最小的節(jié)點(diǎn)來擴(kuò)展。第二章智能之源：模型與算法---基于搜索的問題求解啟發(fā)式搜索：A*算法對(duì)于未訪問節(jié)點(diǎn)集合中的某個(gè)節(jié)點(diǎn)n，A*算法評(píng)價(jià)節(jié)點(diǎn)n取值大小的評(píng)價(jià)函數(shù)f(n)由兩部分構(gòu)成：函數(shù)g(n)：表示從初始節(jié)點(diǎn)到當(dāng)前節(jié)點(diǎn)n的實(shí)際距離。函數(shù)h(n)：表示當(dāng)前節(jié)點(diǎn)n到目標(biāo)節(jié)點(diǎn)的直線距離。函數(shù)h(n)也稱為啟發(fā)函數(shù)。于是，A*算法的評(píng)價(jià)函數(shù)定義為f(n)=g(n)+h(n)。在這種評(píng)價(jià)函數(shù)評(píng)估中，只有滿足以下條件的節(jié)點(diǎn)才優(yōu)先被擴(kuò)展為后續(xù)節(jié)點(diǎn)：從初始節(jié)點(diǎn)到該節(jié)點(diǎn)的實(shí)際距離與該節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的直線距離之和最小。

第二章智能之源：模型與算法---基于搜索的問題求解決策樹是一種通過樹形結(jié)構(gòu)進(jìn)行分類的方法。在決策樹中，樹形結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)表示對(duì)分類目標(biāo)在屬性上的一個(gè)判斷，每個(gè)分支代表基于該屬性做出的一個(gè)判斷，最后樹形結(jié)構(gòu)中每個(gè)葉子節(jié)點(diǎn)代表一種分類結(jié)果。決策樹將分類問題分解為若干基于單個(gè)信息的推理任務(wù)，采用樹狀結(jié)構(gòu)來逐步完成決策判斷。事實(shí)上，人們?cè)谶壿嬐评磉^程中經(jīng)常使用決策樹的思想。第二章智能之源：模型與算法---決策樹游樂場經(jīng)營者希望基于如上歷史數(shù)據(jù)，通過天氣狀況（如晴、雨、多云）、溫度高低、濕度大小、風(fēng)力強(qiáng)弱四個(gè)氣象特點(diǎn)來預(yù)測游客是否來游樂場游玩。第二章智能之源：模型與算法---決策樹一旦構(gòu)建起來了決策樹。如果需要判斷某一天游客是否會(huì)來游樂場游玩，只要了解當(dāng)天的天氣、溫度、濕度和風(fēng)力等屬性，根據(jù)已建立的決策樹，層層遞進(jìn)推斷即可。使用決策樹進(jìn)行分類的優(yōu)點(diǎn)在于其決策過程由樹形結(jié)構(gòu)來完成，易于理解，比如可清楚地了解在決策的每一步依次使用了何種屬性來進(jìn)行判斷。第二章智能之源：模型與算法---決策樹決策樹：構(gòu)建決策樹構(gòu)建決策樹來解決實(shí)際生活中的問題時(shí)，需按照一定的順序選擇劃分屬性。通常，性能好的決策樹隨著劃分不斷進(jìn)行，決策樹分支節(jié)點(diǎn)的“純度”會(huì)越來越高，即其所包含樣本盡可能屬于相同類別。為了逐次選出最優(yōu)屬性，可以采用信息增益（informationgain）這一指標(biāo)。信息增益被用來衡量樣本集合復(fù)雜度（不確定性）所減少的程度。即信息增益可被用來判斷節(jié)點(diǎn)所對(duì)應(yīng)集合的“純度”。{3,7,12,13}：去游樂場{1,2,8,9,11}：無法判斷“多云”節(jié)點(diǎn)所得集合純度大于“晴”節(jié)點(diǎn)所得集合純度第二章智能之源：模型與算法---決策樹如何計(jì)算信息增益呢？這里需要引入信息熵的概念。在社會(huì)生活中我們不斷從外界接收信息。對(duì)于不同的信息，如何去判斷信息量的大小呢？比如，“太陽明天從東邊升起”和“明天可能會(huì)遇見月全食”這兩條信息，很顯然兩者蘊(yùn)含的信息量不一樣。前者是確定性信息，信息量??；后者具有不確定性，信息量較大。香農(nóng)提出了“信息熵”（entropy）的概念，用來度量信息量的大小。直覺上而言，對(duì)一個(gè)不確定的信息（很少出現(xiàn)）的了解需要更多的信息。相反，如果對(duì)某件事已經(jīng)有了較多了解，就不需要太多信息了。從信息論的角度來看，對(duì)信息的度量等于計(jì)算信息不確定性的多少。克勞德·艾爾伍德·香農(nóng)（ClaudeElwoodShannon,1916年4月30日-2001年2月24日，美國數(shù)學(xué)家、信息論的創(chuàng)始人）第二章智能之源：模型與算法---決策樹第二章智能之源：模型與算法---決策樹第二章智能之源：模型與算法---決策樹根據(jù)表2.4.2的統(tǒng)計(jì)情況，可如下計(jì)算天氣狀況每個(gè)屬性值（即每個(gè)分支節(jié)點(diǎn)）的信息熵：為什么“多云”的信息熵為0、“晴”和“雨”信息熵相等第二章智能之源：模型與算法---決策樹一旦計(jì)算得到天氣狀況三個(gè)屬性值（晴，多云，雨）的信息熵后，可進(jìn)一步計(jì)算天氣狀況的信息增益。天氣狀況的信息增益如下計(jì)算：第二章智能之源：模型與算法---決策樹決策樹的生成過程就是使用滿足劃分準(zhǔn)則的特征不斷的將數(shù)據(jù)集劃分為純度更高，不確定性更小的子集的過程。對(duì)于當(dāng)前數(shù)據(jù)集D的每一次的劃分，都希望根據(jù)某特征劃分之后的各個(gè)子集的純度更高，不確定性更小。信息增益代表了在一個(gè)條件下，信息復(fù)雜度（不確定性）減少的程度。信息增益大減少信息不確定性靠近決策樹的根節(jié)點(diǎn)第二章智能之源：模型與算法---決策樹在現(xiàn)實(shí)生活中，往往需要分析若干變量之間的關(guān)系，如碳排放量與氣候變暖之間的關(guān)系、某商品的廣告投入量與銷售量之間的關(guān)系等，這種分析不同變量之間存在關(guān)系的研究叫回歸分析，刻畫不同變量之間關(guān)系的模型稱為回歸模型。一旦確定了回歸模型，就可以進(jìn)行預(yù)測等分析工作，如從碳排放量預(yù)測氣候變化程度、從廣告投入量預(yù)測商品銷售量等。

第二章智能之源：模型與算法---回歸分析表2.5.1給出了莫納羅亞山（夏威夷島的活火山）從1970年到2005年間每5年的二氧化碳濃度，單位是百萬分比濃度（partspermillion，簡稱ppm）。問題：可否從表2.5.1所給出的數(shù)據(jù)出發(fā)，得到該地區(qū)每5年二氧化碳濃度變化的數(shù)學(xué)模型（即時(shí)間年份和二氧化碳濃度之間的關(guān)聯(lián)關(guān)系），來對(duì)未來每5年的二氧化碳濃度進(jìn)行預(yù)測。第二章智能之源：模型與算法---回歸分析一般情況下，為了簡化問題，往往假設(shè)模型是符合線性分布，以利于計(jì)算。二氧化碳濃度=a×?xí)r間+b

海量數(shù)據(jù)中有個(gè)大秘密：數(shù)據(jù)其實(shí)可以說話尋找“ax+b”形成的一條直線，使得這條直線盡可能靠近或穿過這8組(x,y)數(shù)據(jù)，即能夠以最小的誤差來擬合這8組(x,y)數(shù)據(jù)。讓所有樣本數(shù)據(jù)點(diǎn)離直線盡可能的“近”。這里的“近”被定義為預(yù)測數(shù)值和實(shí)際數(shù)值之間的差第二章智能之源：模型與算法---回歸分析數(shù)據(jù)可以說話二氧化碳濃度=1.5344×?xí)r間年份–2698.9預(yù)測與回溯第二章智能之源：模型與算法---回歸分析在現(xiàn)實(shí)生活中，常需要估計(jì)某個(gè)事情發(fā)生的概率。例如，A和B是兩支球隊(duì)，在過去十年中，A隊(duì)和B隊(duì)一共進(jìn)行了100場正式比賽，其中A隊(duì)取得65次勝利?；谶@樣的事實(shí)，可以說A隊(duì)?wèi)?zhàn)勝B隊(duì)的概率是65%。如果下周A隊(duì)和B隊(duì)之間有一場正式比賽，A隊(duì)?wèi)?zhàn)勝B隊(duì)的概率是多少？基于已發(fā)生的歷史事實(shí)，一般會(huì)預(yù)測A隊(duì)下周戰(zhàn)勝B隊(duì)的概率是65%，而不考慮下周出戰(zhàn)的A隊(duì)中有兩名主力缺陣、B隊(duì)新引進(jìn)了多名高水平外援等新的因素。這一計(jì)算概率方法稱為頻率學(xué)派概率，該方法從歷史數(shù)據(jù)中計(jì)算某個(gè)事件的概率，認(rèn)為只要采樣足夠多，則事件發(fā)生的頻率就可無限逼近真實(shí)概率。第二章智能之源：模型與算法---貝葉斯分析與頻率學(xué)派概率不同，基于貝葉斯框架概率的計(jì)算方法認(rèn)為某個(gè)事件發(fā)生的概率不僅與先前這個(gè)事件發(fā)生的概率相關(guān)（稱為先驗(yàn)概率），而且也與后期計(jì)算該事件概率時(shí)所觀測到的“新近”信息有關(guān)（稱為似然概率）。在貝葉斯概率計(jì)算中，有一個(gè)“先驗(yàn)概率”（如A隊(duì)?wèi)?zhàn)勝B隊(duì)的概率是65%），然后通過觀測得到了一些新增信息（如球隊(duì)主力隊(duì)員缺陣與否、主場或客場比賽、教練等），分析這些新增信息是增強(qiáng)了“先驗(yàn)概率”還是削弱了“先驗(yàn)概率”，由此得到既考慮了歷史事實(shí)又重視了當(dāng)前事實(shí)的“后驗(yàn)概率”。貝葉斯概率計(jì)算公式表達(dá)如下：后驗(yàn)概率=先驗(yàn)概率×似然概率（即新增信息所帶來的調(diào)節(jié)程度）第二章智能之源：模型與算法---貝葉斯分析：

事件A發(fā)生的先驗(yàn)概率，與事件B無關(guān)事件A發(fā)生前提下事件B發(fā)生的概率，也稱“似然概率”事件B發(fā)生的先驗(yàn)概率，也稱“標(biāo)準(zhǔn)化常量”事件B發(fā)生前提下A發(fā)生發(fā)生的概率，也是事件A的后驗(yàn)概率

第二章智能之源：模型與算法---貝葉斯分析貝葉斯推斷：廣告郵件自動(dòng)識(shí)別在互聯(lián)網(wǎng)產(chǎn)業(yè)日益蓬勃發(fā)展的今天，很多用戶可能都有過郵箱被不感興趣的廣告郵件所充斥的經(jīng)歷?；谪惾~斯推斷，現(xiàn)在來設(shè)計(jì)一個(gè)簡單的廣告郵件自動(dòng)識(shí)別系統(tǒng)。假設(shè)采集到了10000個(gè)郵件樣本，其中有4000封郵件被認(rèn)定為廣告郵件、6000封被認(rèn)定為正常郵件。這4000封廣告郵件中，出現(xiàn)“紅包”關(guān)鍵詞的有1000封，而在6000封正常郵件中僅有6封包含“紅包”這個(gè)詞。請(qǐng)問這封包含了“紅包”單詞的郵件是不是廣告郵件呢？從已知?dú)v史事實(shí)來看，它很有可能是廣告郵件，如何用貝葉斯推斷來計(jì)算這個(gè)可能性呢？第二章智能之源：模型與算法---貝葉斯分析貝葉斯公式小試牛刀第二章智能之源：模型與算法---貝葉斯分析雖然在人們的“先驗(yàn)”中，郵件中存在“紅包”就會(huì)被大家以極大概率判定為廣告郵件，但過年期間人們喜歡通過電子郵件拜年，在郵件中會(huì)經(jīng)常出現(xiàn)“紅包”單詞。假設(shè)在過年期間采集到了10000個(gè)郵件樣本，其中有4000封郵件被認(rèn)定為廣告郵件、6000封被認(rèn)定為正常郵件。這4000封廣告郵件中，出現(xiàn)“紅包”關(guān)鍵詞的有1000封，在6000封正常郵件（大多以拜年為主）中有5000封包含了“紅包”這個(gè)詞。根據(jù)貝葉斯定理，在過年期間收到了一封出現(xiàn)“紅包”關(guān)鍵詞的郵件，該郵件被認(rèn)為是正常郵件的后驗(yàn)概率為：第二章智能之源：模型與算法---貝葉斯分析感知機(jī)中神經(jīng)元有兩個(gè)操作：一是“匯總”與之相連的輸入項(xiàng)傳遞而來的所有信息；二是對(duì)匯總后的信息做一個(gè)處理（圖2.7.3中神經(jīng)元的處理規(guī)則是判斷其匯總信息是否大于0.5，然后基于這個(gè)判斷輸出1或0）。如果有更多的輸入，感知機(jī)的處理方法也是一樣的，只不過需要更多權(quán)值w。這就是感知機(jī)的工作方法。中央溝下顳葉

皮質(zhì)區(qū)(IT)頂葉皮質(zhì)區(qū)(PP)顳中區(qū)(MT)視覺感知存在層次回路、而非“開門見山”。因此要將網(wǎng)絡(luò)結(jié)構(gòu)“變深”神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：感知機(jī)（perceptrons）第二章智能之源：模型與算法---神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：模型結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)構(gòu)成：輸入層、輸出層以及隱藏層，每個(gè)隱藏層中包含了若干神經(jīng)元。每個(gè)神經(jīng)元完成物理反應(yīng)、化學(xué)反應(yīng)和信息流通任務(wù)有1個(gè)輸入層，2個(gè)隱藏層（hiddenlayer）和1個(gè)輸出層從輸入層開始，第一個(gè)隱藏層包含了3個(gè)神經(jīng)元（用圓圈表示）、第二個(gè)隱藏層包含了4個(gè)神經(jīng)元。給定某個(gè)隱藏層，該隱藏層中的神經(jīng)元之間沒有任何連接。每個(gè)神經(jīng)元與其前后相鄰層中的每個(gè)神經(jīng)元均相連。第二個(gè)隱藏層中的每個(gè)神經(jīng)元接受與之相連第一個(gè)隱藏層中所有神經(jīng)元通過不同權(quán)重傳遞過來的“信息總和”，然后對(duì)匯總所得的信息進(jìn)行處理，再將處理后信息向后傳遞。稱為全連接神經(jīng)網(wǎng)絡(luò)，即每個(gè)神經(jīng)元均與其前后相鄰層中的神經(jīng)元相連。可見，一旦給出了圖2.7.4神經(jīng)網(wǎng)絡(luò)，輸入數(shù)據(jù)從輸入層開始，經(jīng)過兩個(gè)隱藏層，逐層抽象，最后在輸出層得到輸出結(jié)果。層層遞進(jìn)、逐層抽象第二章智能之源：模型與算法---神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)用于手寫體識(shí)別輸入層接受一幅圖像的所有像素點(diǎn)信息，輸出層是一個(gè)10維的向量，每個(gè)維度對(duì)應(yīng)0—9這十個(gè)數(shù)字。對(duì)于給定一幅圖像，經(jīng)過圖2.7.5神經(jīng)網(wǎng)絡(luò)處理后，輸出10維向量，取10維向量中值最高的那個(gè)維度作為識(shí)別結(jié)果。比如，圖2.7.5中輸入的圖像是“2”，那么所輸出10維向量中第三維（注意：第一維對(duì)應(yīng)的是0）概率值應(yīng)該最大，從而將輸入圖像識(shí)別為2。其他識(shí)別任務(wù)？圖像類別模式第二章智能之源：模型與算法---神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)第三章智能之力：賦能之術(shù)數(shù)據(jù)聚類和頻繁子集挖掘等知識(shí)生成的方法：這些方法可從數(shù)據(jù)中辨析事物之間存在的關(guān)聯(lián)關(guān)系（即將下雨和燕子低飛同時(shí)發(fā)生、面包和牛奶同時(shí)被購買等）。深度學(xué)習(xí)是大數(shù)據(jù)時(shí)代一種有效的人工智能學(xué)習(xí)方法，這一方法從標(biāo)注大數(shù)據(jù)出發(fā)，通過逐層遞進(jìn)、不斷抽象的方式來獲得原始數(shù)據(jù)表征。深度學(xué)習(xí)在圖像理解、語音識(shí)別和自然語言分析等方面取得了顯著成效。但是，這一方法依賴于人工標(biāo)注的海量數(shù)據(jù)，不可避免具有“人工+智能”的不足，而非“人工智能”。人工智能算法可創(chuàng)造繪畫、音樂、海報(bào)和詩句等，初步具備了創(chuàng)意能力。人類在創(chuàng)作過程中會(huì)融入情感，受閱