電子信息科學(xué)技術(shù)導(dǎo)論-第2版課件第9章-人工智能

電子信息科學(xué)技術(shù)導(dǎo)論第9章人工智能主要內(nèi)容人工智能概述9.1人工智能的工程實(shí)現(xiàn)9.6經(jīng)典機(jī)器學(xué)習(xí)9.3知識(shí)圖譜9.5深度學(xué)習(xí)9.4人工智能應(yīng)用框架流程9.22016年，AlphaGo通過(guò)學(xué)習(xí)歷史棋譜，以4:1的成績(jī)大戰(zhàn)圍棋冠軍李世石。2017年，AlphaGoZero無(wú)師自通，僅通過(guò)自我博弈學(xué)習(xí)，以100：0的不敗戰(zhàn)績(jī)絕殺“前輩”AlphaGo。著名的圍棋人機(jī)大戰(zhàn)，重新掀起一波人工智能熱。時(shí)間18世紀(jì)末工業(yè)1.0創(chuàng)造了機(jī)器工廠的“蒸汽時(shí)代”20世紀(jì)初電力廣泛應(yīng)用蒸汽機(jī)信息物聯(lián)系統(tǒng)1970年代初今天工業(yè)2.0將人類帶入分工明確、大批量生產(chǎn)的流水線模式和“電氣時(shí)代”工業(yè)3.0應(yīng)用電子信息技術(shù)，進(jìn)一步提高生產(chǎn)自動(dòng)化水平自動(dòng)化、信息化工業(yè)4.0開(kāi)始應(yīng)用信息物理融合系統(tǒng)（CPS）復(fù)雜度悄悄來(lái)臨互聯(lián)網(wǎng)時(shí)代正在終結(jié)人工智能機(jī)器人交通工具（即無(wú)人機(jī)、無(wú)人駕駛等）VR（虛擬現(xiàn)實(shí)）9.1人工智能概述AI將催生“無(wú)用階層”嗎？人工/腦力勞動(dòng)：翻譯、記者...人工/體力勞動(dòng)：保安、保姆...什么是人工智能(AI)?全面實(shí)施戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃，加快人工智能等技術(shù)的研發(fā)和轉(zhuǎn)化，做大做強(qiáng)產(chǎn)業(yè)集群把發(fā)展智能制造作為主攻方向，推進(jìn)國(guó)家智能制造示范區(qū)、制造業(yè)創(chuàng)新中心建設(shè)人工智能：國(guó)家戰(zhàn)略(2017年政府工作報(bào)告)人工智能（ArtificialIntelligence），英文縮寫(xiě)為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。人工智能是對(duì)人的意識(shí)、思維的信息過(guò)程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過(guò)人的智能。什么是人工智能？人工智能有那些類型？弱人工智能，包含基礎(chǔ)的、特定場(chǎng)景下角色型的任務(wù)，如Siri等聊天機(jī)器人和AlphaGo等下棋機(jī)器人；通用人工智能，包含人類水平的任務(wù)，涉及機(jī)器的持續(xù)學(xué)習(xí)；強(qiáng)人工智能，指比人類更聰明的機(jī)器；195619741980198719932006AI的誕生1956達(dá)特矛斯會(huì)議，“人工智能”正式誕生孕育期電子計(jì)算機(jī)機(jī)器翻譯與NLP圖靈測(cè)試計(jì)算機(jī)下棋早期神經(jīng)網(wǎng)絡(luò)搜索式推理聊天機(jī)器人樂(lè)觀思潮所有的AI程序都只是“玩具”運(yùn)算能力計(jì)算復(fù)雜性常識(shí)與推理專家系統(tǒng)知識(shí)工程五代機(jī)神經(jīng)網(wǎng)絡(luò)重生未達(dá)預(yù)期削減投入摩爾定律統(tǒng)計(jì)機(jī)器學(xué)習(xí)AI廣泛應(yīng)用大數(shù)據(jù)計(jì)算能力應(yīng)用增多深度學(xué)習(xí)人工智能2020人工智能發(fā)展歷程手機(jī)中的AI人工智能應(yīng)用領(lǐng)域人工智能學(xué)科結(jié)構(gòu)人工智能幾大門(mén)派模擬腦的結(jié)構(gòu)模擬人的行為聰明的AI有學(xué)識(shí)的AI深度學(xué)習(xí)知識(shí)圖譜感知識(shí)別判斷思考語(yǔ)言推理符號(hào)學(xué)派聯(lián)結(jié)學(xué)派行為學(xué)派神經(jīng)網(wǎng)絡(luò)知識(shí)表示機(jī)器人模擬人的心智貝葉斯學(xué)派進(jìn)化學(xué)派類推學(xué)派特征提取特征1樣本數(shù)據(jù)樣本數(shù)據(jù)樣本數(shù)據(jù)…n預(yù)處理特征樣本集原始樣本集機(jī)器學(xué)習(xí)算法訓(xùn)練預(yù)測(cè)輸出驗(yàn)證集評(píng)價(jià)目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)特征1…n訓(xùn)練集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)特征1…n驗(yàn)證集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)改進(jìn)9.2人工智能應(yīng)用框架流程特征提取特征提取特征1樣本數(shù)據(jù)樣本數(shù)據(jù)樣本數(shù)據(jù)…n特征樣本集原始樣本集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)統(tǒng)計(jì)分析變換特征運(yùn)算特征選取是成敗的關(guān)鍵人腦是通過(guò)分級(jí)的、多層網(wǎng)絡(luò)模型來(lái)識(shí)別減少數(shù)據(jù)量，保留物體的有用信息低層信息預(yù)處理特征提取識(shí)別分類對(duì)效果影響極大手動(dòng)化特征工程非常耗時(shí)圖像識(shí)別的一般流程人腦識(shí)別圖像的過(guò)程機(jī)器學(xué)習(xí)則是研究機(jī)器模仿人類的學(xué)習(xí)過(guò)程，進(jìn)行知識(shí)和技能獲取，是一門(mén)涉及到計(jì)算機(jī)科學(xué)與技術(shù)、概率論與統(tǒng)計(jì)學(xué)和認(rèn)知科學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科。學(xué)習(xí)是人類區(qū)別于低級(jí)動(dòng)物，自身所具有的重要智能行為。其應(yīng)用十分廣泛，如：數(shù)據(jù)挖掘、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音和手寫(xiě)識(shí)別和機(jī)器人研發(fā)等各個(gè)領(lǐng)域。9.3經(jīng)典機(jī)器學(xué)習(xí)分類問(wèn)題：在有監(jiān)督學(xué)習(xí)任務(wù)中，預(yù)測(cè)變量為離散變量?；貧w問(wèn)題：在有監(jiān)督學(xué)習(xí)任務(wù)中，預(yù)測(cè)變量為連續(xù)變量?；貧w分析是一種用于確定兩種或兩種以上變量間相互依賴關(guān)系的統(tǒng)計(jì)分析方法。按照問(wèn)題所涉及變量的多少，可將回歸分析分為一元回歸分析和多元回歸分析。按照自變量與因變量之間是否存在線性關(guān)系，分為線性回歸分析和非線性回歸分析?；貧w分析的基本步驟如下：分析預(yù)測(cè)目標(biāo)，確定自變量和因變量；建立合適的回歸預(yù)測(cè)模型；

相關(guān)性分析；

檢測(cè)回歸預(yù)測(cè)模型，計(jì)算預(yù)測(cè)的誤差；

計(jì)算并確定預(yù)測(cè)值。最小二乘法又稱為最小平方法，是一種常用的數(shù)學(xué)優(yōu)化方法。最小二乘法的原理是通過(guò)最小化誤差平方和尋找與數(shù)據(jù)匹配的最佳函數(shù)。

對(duì)于一元線性回歸模型，總擬合誤差（即總殘差）最小。三個(gè)標(biāo)準(zhǔn)可供選擇：（1）用“殘差和”表示總擬合誤差，但“殘差和”會(huì)出現(xiàn)相互抵消的問(wèn)題。（2）用“殘差絕對(duì)值”表示總擬合誤差，但計(jì)算絕對(duì)值相對(duì)來(lái)說(shuō)較為麻煩。（3）用“殘差平方和”表示總擬合誤差。聚類經(jīng)常用于數(shù)據(jù)挖掘和模式識(shí)別。

聚類（ClusterAnalysis）是將數(shù)據(jù)集中的所有樣本根據(jù)相似度的大小進(jìn)行劃分，形成兩個(gè)或多個(gè)類（簇）的過(guò)程。簇是數(shù)據(jù)集中相似的樣本集合。聚類沒(méi)有訓(xùn)練過(guò)程，是一種無(wú)監(jiān)督學(xué)習(xí)。聚類算法可分為：基于劃分方法、基于層次方法、基于密度方法、基于網(wǎng)格方法基于模型方法

聚類的結(jié)果是類內(nèi)樣本的相似度高，類間樣本的相似度低。相似性的度量通常采用樣本間的距離來(lái)表示。

聚類是按照相似性大小，將無(wú)標(biāo)號(hào)的數(shù)據(jù)集劃分為若干類或簇的過(guò)程。常用的距離計(jì)算方法有：

歐氏距離

曼哈頓距離

明氏距離

歐氏距離

常用的幾種聚類算法：

K近鄰算法（KNN）

K均值聚類（K-means）

K中心點(diǎn)聚類（K-mediods）

支持向量機(jī)（SupportVectorMachine，SVM）是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原則基礎(chǔ)上的的機(jī)器學(xué)習(xí)方法，由CorinnaCortes和Vapnik等人于1995年首先提出。基本原理假設(shè)給定一個(gè)獨(dú)立同分布的訓(xùn)練樣本集，其中，該分類問(wèn)題為二類分類。線性分類

決策樹(shù)是一種典型的分類方法首先對(duì)數(shù)據(jù)進(jìn)行處理，利用歸納算法生成可讀的規(guī)則和決策樹(shù)，然后使用決策對(duì)新數(shù)據(jù)進(jìn)行分析。本質(zhì)上決策樹(shù)是通過(guò)一系列規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程。決策樹(shù)

決策樹(shù)的優(yōu)點(diǎn)1、推理過(guò)程容易理解，決策推理過(guò)程可以表示成IfThen形式；2、推理過(guò)程完全依賴于屬性變量的取值特點(diǎn)；3、可自動(dòng)忽略目標(biāo)變量沒(méi)有貢獻(xiàn)的屬性變量，也為判斷屬性變量的重要性，減少變量的數(shù)目提供參考。決策樹(shù)

決策樹(shù)算法決策樹(shù)的基本組成部分：決策結(jié)點(diǎn)、分支和葉子。年齡？學(xué)生？信譽(yù)？買(mǎi)青中老否是優(yōu)良不買(mǎi)買(mǎi)買(mǎi)不買(mǎi)決策樹(shù)中最上面的結(jié)點(diǎn)稱為根結(jié)點(diǎn)。是整個(gè)決策樹(shù)的開(kāi)始。每個(gè)分支是一個(gè)新的決策結(jié)點(diǎn)，或者是樹(shù)的葉子。每個(gè)決策結(jié)點(diǎn)代表一個(gè)問(wèn)題或者決策.通常對(duì)應(yīng)待分類對(duì)象的屬性。每個(gè)葉結(jié)點(diǎn)代表一種可能的分類結(jié)果

在沿著決策樹(shù)從上到下的遍歷過(guò)程中，在每個(gè)結(jié)點(diǎn)都有一個(gè)測(cè)試。對(duì)每個(gè)結(jié)點(diǎn)上問(wèn)題的不同測(cè)試輸出導(dǎo)致不同的分枝，最后會(huì)達(dá)到一個(gè)葉子結(jié)點(diǎn)。這一過(guò)程就是利用決策樹(shù)進(jìn)行分類的過(guò)程，利用若干個(gè)變量來(lái)判斷屬性的類別決策樹(shù)的表示

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)新的研究方向，近年來(lái)在語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)等多類應(yīng)用中取得突破性的進(jìn)展。深度學(xué)習(xí)的最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，高效地識(shí)別文字、圖像和聲音等數(shù)據(jù)。9.4深度學(xué)習(xí)

深度學(xué)習(xí)之所以被稱為“深度”，是相對(duì)支持向量機(jī)、決策樹(shù)、隨機(jī)森林等淺層學(xué)習(xí)算法而言的，深度學(xué)習(xí)所學(xué)得的模型中，非線性操作的層級(jí)數(shù)更多。

深度學(xué)習(xí)的發(fā)展大致分為萌芽期、發(fā)展期和爆發(fā)期三個(gè)階段。

萌芽期：1970年-2006年

爆發(fā)期：2012年-至今

萌芽期：1970年-2006年

深度學(xué)習(xí)的發(fā)展大致分為萌芽期、發(fā)展期和爆發(fā)期三個(gè)階段。

萌芽期：1970年-2006年

BP算法的出現(xiàn)使得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練變得簡(jiǎn)單可行，但由于當(dāng)時(shí)存在著一系列阻礙因素，如數(shù)據(jù)匱乏、運(yùn)算力不足、缺乏解釋性等原因，使得深度學(xué)習(xí)被計(jì)算機(jī)視覺(jué)和學(xué)術(shù)界所拋棄，只有少數(shù)科學(xué)家仍堅(jiān)持研究。

深度學(xué)習(xí)的發(fā)展大致分為萌芽期、發(fā)展期和爆發(fā)期三個(gè)階段。

發(fā)展期：2006年-2012年2006年Hinton在nature上發(fā)表了一篇文章Reducingthedimensionalityofdatawithneuralnetworks提出，棧式自編碼器+BP微調(diào)算法

深度學(xué)習(xí)的發(fā)展大致分為萌芽期、發(fā)展期和爆發(fā)期三個(gè)階段。

爆發(fā)期：2012年-至今

深度學(xué)習(xí)在各行各業(yè)蓬勃發(fā)展，充分展示了自己強(qiáng)大的能力。2012年Hinton實(shí)現(xiàn)的Alexnet在ImageNet圖像識(shí)別競(jìng)賽中獲得冠軍，促進(jìn)了深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域中的應(yīng)用。

深度神經(jīng)網(wǎng)絡(luò)以數(shù)據(jù)傳輸方向?yàn)闃?biāo)準(zhǔn)，大體可分為以下3類：

前饋深度網(wǎng)絡(luò)(Feed-ForwardDeepNetworks，F(xiàn)FDN)

雙向深度網(wǎng)絡(luò)(Bi-DirectionalDeepNetworks，BDDN)

反饋深度網(wǎng)絡(luò)(Feed-BackDeepNetworks，F(xiàn)BDN)

前饋深度網(wǎng)絡(luò)(Feed-ForwardDeepNetworks，F(xiàn)FDN)

由多個(gè)編碼器層疊加而成，如多層感知機(jī)(Multi-LayerPerceptrons，MLP)、卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks，CNN)等。

反饋深度網(wǎng)絡(luò)(Feed-BackDeepNetworks，F(xiàn)BDN)

由多個(gè)解碼器層疊加而成，如反卷積網(wǎng)絡(luò)(DeconvolutionalNetworks，DN)、層次稀疏編碼網(wǎng)絡(luò)(HierarchicalSparseCoding，HSC)等。

雙向深度網(wǎng)絡(luò)(Bi-DirectionalDeepNetworks，BDDN)

通過(guò)疊加多個(gè)編碼器層和解碼器層構(gòu)成(每層既可以包括單獨(dú)的編碼過(guò)程或解碼過(guò)程，也可以同時(shí)包含編碼過(guò)程和解碼過(guò)程)，如深度玻爾茲曼機(jī)(DeepBoltzmannMachines，DBM)、深度信念網(wǎng)絡(luò)(DeepBeliefNetworks，DBN)、棧式自編碼器(StackedAuto-Encoders，SAE)等。它們的關(guān)系如圖所示：卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是最早的人工神經(jīng)網(wǎng)絡(luò)模型之一，屬于前饋神經(jīng)網(wǎng)絡(luò)的一種。卷積神經(jīng)網(wǎng)絡(luò)中，信息只沿一個(gè)方向流動(dòng)，從輸入單元通過(guò)一個(gè)或多個(gè)隱藏層到達(dá)輸出單元，在網(wǎng)絡(luò)中沒(méi)有封閉環(huán)路，直接采用原始信號(hào)作為輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和圖像重建過(guò)程。

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成。

卷積層淺層卷積層提取如邊緣、線條、角度等低級(jí)特征，更高層的卷積層提取更高級(jí)的特征。卷積層是一個(gè)權(quán)值矩陣，由多個(gè)特征面組成。每個(gè)特征面由多個(gè)神經(jīng)元組成，神經(jīng)元與其輸入層的特征面進(jìn)行局部連接，然后把局部加權(quán)和傳遞給一個(gè)激活函數(shù)，就可以獲取卷積層中每個(gè)神經(jīng)元的輸出值。在卷積層中，同一特征映射的權(quán)值共享。卷積動(dòng)態(tài)過(guò)程卷積——特征提取大部分的特征提取都依賴于卷積運(yùn)算利用卷積算子對(duì)圖像進(jìn)行濾波，可以得到顯著的邊緣特征。卷積神經(jīng)網(wǎng)絡(luò)的4個(gè)關(guān)鍵技術(shù)：局部連接權(quán)值共享多卷積核池化局部連接權(quán)值共享多卷積核池化

全連接層

在多個(gè)卷積層和池化層后，連接著１個(gè)或多個(gè)全連接層。全連接層可以整合卷積層或者池化層中具有類別區(qū)分性的局部信息。最后一層全連接層的輸出值被傳遞給一個(gè)輸出層，通常采用Softmax邏輯回歸進(jìn)行分類，該層可稱為Softmax層。LeNet-5數(shù)字手寫(xiě)系統(tǒng)

循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork，RNN)是在自然語(yǔ)言處理方面有著良好的應(yīng)用。適合處理與時(shí)序有關(guān)的數(shù)據(jù)。它的輸入值既有來(lái)自輸入層的輸入也有隱藏層自身上一時(shí)刻的輸出值。基本循環(huán)神經(jīng)網(wǎng)絡(luò)基本循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，很難處理長(zhǎng)距離的依賴，非常容易產(chǎn)生梯度消失或者梯度爆炸問(wèn)題。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LongShortTermMemoryNetwork,LSTM)是一種改進(jìn)之后的循環(huán)神經(jīng)網(wǎng)絡(luò)，在原始RNN的隱藏層中再增加一個(gè)狀態(tài)C，成功的解決了原始循環(huán)神經(jīng)網(wǎng)絡(luò)的缺陷長(zhǎng)短期記憶網(wǎng)絡(luò)正向計(jì)算時(shí)，隱藏層的值與前向傳播狀態(tài)有關(guān)；反向計(jì)算時(shí)，隱藏層的值與反向傳播狀態(tài)有關(guān)。最終的輸出取決于正向和反向計(jì)算的加和。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)Alphago原理=深度+強(qiáng)化（自我對(duì)弈學(xué)習(xí)+蒙特卡羅樹(shù)搜索）強(qiáng)化學(xué)習(xí)是什么?強(qiáng)化學(xué)習(xí)方法起源于動(dòng)物心理學(xué)的相關(guān)原理，模仿人類和動(dòng)物學(xué)習(xí)的試錯(cuò)機(jī)制。是一種通過(guò)與環(huán)境交互，學(xué)習(xí)最優(yōu)的狀態(tài)到行動(dòng)的映射關(guān)系（即在某個(gè)狀態(tài)下，采取所有行為的概率分布），以獲得最大累積期望回報(bào)的學(xué)習(xí)方法強(qiáng)化學(xué)習(xí)vs其他機(jī)器學(xué)習(xí)（1）沒(méi)有監(jiān)督者，只有量化獎(jiǎng)勵(lì)信號(hào)；（2）反饋延遲，只有進(jìn)行到最后才知道當(dāng)下的動(dòng)作是好還是壞。（3）強(qiáng)化學(xué)習(xí)屬于順序決策，根據(jù)時(shí)間一步步?jīng)Q策行動(dòng)，訓(xùn)練數(shù)據(jù)不符合獨(dú)立同分布條件；（4）每一步行動(dòng)影響下一步狀態(tài)，以及獎(jiǎng)勵(lì)知識(shí)圖譜旨在描述真實(shí)世界中存在的各種實(shí)體或概念及其關(guān)系，一般用三元組表示知識(shí)圖譜亦可被看作是一張巨大的圖，節(jié)點(diǎn)表示實(shí)體或概念，邊則由屬性或關(guān)系構(gòu)成中國(guó)國(guó)家美國(guó)日本英國(guó)北京9,634,057平方公里13.5404億2069.3萬(wàn)北緯38°56'東經(jīng)116°20'3.1525億華盛頓9,629,091平方公里北緯38°53′西經(jīng)77°02'178平方公里16410平方公里1.26億377835平方公里東京2188平方公里東經(jīng)140°50'北緯35°44'……面積人口首都緯度經(jīng)度面積人口9.5知識(shí)圖譜知識(shí)圖譜構(gòu)建Web字典,術(shù)語(yǔ)表,百科,書(shū)本知識(shí)獲取++已有知識(shí)庫(kù)知識(shí)融合知識(shí)驗(yàn)證知識(shí)圖譜名稱規(guī)模Yago1千萬(wàn)實(shí)體，35萬(wàn)類別，1.8億事實(shí)，100種屬性，100語(yǔ)言Dbpedia4千萬(wàn)實(shí)體，250類別，5億事實(shí)，6000種屬性，F(xiàn)reebase2千5百萬(wàn)實(shí)體，2000主題，1億事實(shí)，4000種屬性谷歌知識(shí)圖譜5億實(shí)體名字，35億條事實(shí)NELL3百萬(wàn)實(shí)體名字，300類別500屬性，100萬(wàn)事實(shí)1千5百萬(wàn)學(xué)習(xí)規(guī)則基于人工規(guī)則的語(yǔ)義理解神話是孫楠和誰(shuí)合唱的？文法解析知識(shí)庫(kù)查詢SPARQL查詢語(yǔ)句生成答案生成孫楠和韓紅合唱了神話韓紅歌手6萬(wàn)歌曲260萬(wàn)專輯44萬(wàn)標(biāo)簽2000類param:singer孫楠#param:song神話#predicate:chorusWith神話是孫楠和誰(shuí)合唱的查詢神話這首歌曲的演唱者，演唱者要包括孫楠，輸出還包括的另外一個(gè)演唱者文法規(guī)則模板歌手6萬(wàn)歌曲260萬(wàn)專輯44萬(wàn)標(biāo)簽2000類互聯(lián)網(wǎng)各種音樂(lè)相關(guān)信息下載融合知識(shí)圖譜的成功應(yīng)用：現(xiàn)代搜索引擎半結(jié)構(gòu)化信息抽取半結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化數(shù)據(jù)文本數(shù)據(jù)實(shí)體對(duì)齊推理補(bǔ)充數(shù)據(jù)異構(gòu)數(shù)據(jù)整合重要度計(jì)算實(shí)體抽取屬性抽取屬性值決策關(guān)系建立知立方數(shù)據(jù)本體生成系統(tǒng)索引生成檢索系統(tǒng)實(shí)體識(shí)別本體庫(kù)Pattern挖掘標(biāo)簽消岐SPARQL查詢語(yǔ)句排序推理推薦統(tǒng)計(jì)Query展現(xiàn)檢索系統(tǒng)索引生成面向知識(shí)圖譜的Sogou搜索技術(shù)Gene

OntologyLOD

企業(yè)對(duì)知識(shí)圖譜根據(jù)內(nèi)部數(shù)據(jù)有大量的業(yè)務(wù)需求從兩方面來(lái)建設(shè)知識(shí)圖譜體系:

知識(shí)實(shí)體，算法企業(yè)知識(shí)圖譜的建立語(yǔ)義理解智能檢索與問(wèn)答數(shù)據(jù)關(guān)聯(lián)探索業(yè)務(wù)動(dòng)態(tài)擴(kuò)展非結(jié)構(gòu)化數(shù)據(jù)計(jì)算機(jī)難以理解數(shù)據(jù)使用專業(yè)程度過(guò)高多元異構(gòu)數(shù)據(jù)難以融合數(shù)據(jù)模式動(dòng)態(tài)變遷困難結(jié)構(gòu)化數(shù)據(jù)數(shù)據(jù)融合自由擴(kuò)展數(shù)據(jù)模式行業(yè)智能問(wèn)答業(yè)務(wù)需求技術(shù)方案數(shù)據(jù)挑戰(zhàn)知識(shí)圖譜助力企業(yè)商業(yè)智能通用知識(shí)圖譜+行業(yè)知識(shí)圖譜通用知識(shí)圖譜的廣度，行業(yè)知識(shí)圖譜的深度，相互補(bǔ)充，形成更加完善的知識(shí)圖譜

通用知識(shí)圖譜中的知識(shí)，可以作為行業(yè)知識(shí)圖譜構(gòu)建的基礎(chǔ)；而構(gòu)建的行業(yè)知識(shí)圖譜，再融合到通用知識(shí)圖譜中

通用知識(shí)圖譜行業(yè)知識(shí)圖譜通用知識(shí)圖譜創(chuàng)投專利大數(shù)據(jù)/人工智能涉及的主流平臺(tái)、語(yǔ)言與框架基礎(chǔ)平臺(tái)與工具Linux（Ubuntu/CentOS）Pyhton/Java/C++OpenStack、DockerHadoop、Spark云計(jì)算及大數(shù)據(jù)平臺(tái)人工智能平臺(tái)9.6人工智能工程實(shí)現(xiàn)TensorFlow、Keras

Caffe、CNTKPython標(biāo)準(zhǔn)庫(kù)

Python擁有一個(gè)強(qiáng)大的標(biāo)準(zhǔn)庫(kù)。Python語(yǔ)言的核心只包含數(shù)字、字符串、列表、字典、文件等常見(jiàn)類型和函數(shù)。

Python標(biāo)準(zhǔn)庫(kù)的主要功能有：

1)文本處理，包含文本格式化、正則表達(dá)式匹配、文本差異計(jì)算與合并、Unicode支持、二進(jìn)制數(shù)據(jù)處理等功能。

2)文件處理，包含文件操作、創(chuàng)建臨時(shí)文件、文件壓縮與歸檔、操作配置文件等功能。

3）操作系統(tǒng)功能，包含線程與進(jìn)程支持、IO復(fù)用、日期與時(shí)間處理、調(diào)用系統(tǒng)函數(shù)、日志（logging）等功能。

4)網(wǎng)絡(luò)通信，包含網(wǎng)絡(luò)套接字，SSL加密通信、異步網(wǎng)絡(luò)通信等功能。

5)網(wǎng)絡(luò)協(xié)議，支持HTTP，F(xiàn)TP，SMTP，POP，IMAP，NNTP，XMLRPC等多種網(wǎng)絡(luò)協(xié)議，并提供了編寫(xiě)網(wǎng)絡(luò)服務(wù)器的框架。

6)W3C格式支持，包含HTML，SGML，XML的處理。

7)其它功能，包括國(guó)際化支持、數(shù)學(xué)運(yùn)算、HASH、Tkinter等。

SciPyScipy是一個(gè)高級(jí)科學(xué)計(jì)算庫(kù)，它和NumPy聯(lián)系很密切，它一般都通過(guò)操控NumPy數(shù)組來(lái)進(jìn)行科學(xué)計(jì)算。Scipy有很多子模塊可以應(yīng)對(duì)不同的應(yīng)用，例如插值運(yùn)算、優(yōu)化算法、圖像處理、數(shù)學(xué)統(tǒng)計(jì)等。Scipy安裝：pipinstallscipy

NumPyNumPy是一個(gè)開(kāi)源的Python科學(xué)計(jì)算庫(kù)，其主要功能如下：ndarray，一個(gè)具有矢量運(yùn)算和復(fù)雜廣播能力的快速且節(jié)省空間的多維數(shù)組。用于對(duì)數(shù)組數(shù)據(jù)進(jìn)行快速運(yùn)算的標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)。線性代數(shù)、隨機(jī)數(shù)生成以及傅里葉變換功能。安裝NumPy命令行輸入pipinstallnumpy

PandasPandas數(shù)據(jù)類型Series可以看做為一個(gè)定長(zhǎng)的有序字典。任意的一維基本類型數(shù)據(jù)都可以用來(lái)構(gòu)造Series對(duì)象；就如同列表一樣，一個(gè)系列數(shù)據(jù)，其中每個(gè)數(shù)據(jù)對(duì)應(yīng)一個(gè)索引值。Series就是“豎起來(lái)”的listDataFrame是一種二維的數(shù)據(jù)結(jié)構(gòu)，非常接近于電子表格或者類似mysql數(shù)據(jù)庫(kù)的形式。它的豎行稱之為columns，橫行跟前面的Series一樣，稱之為index，也就是說(shuō)可以通過(guò)columns和index來(lái)確定一個(gè)單元數(shù)據(jù)的位置Scikit-learnScikit-learn的基本功能主要有：分類，回歸，聚類，數(shù)據(jù)降維，模型選擇和數(shù)據(jù)預(yù)處理。命令行輸入pipinstallScikit-learn。TensorFlow發(fā)展歷程與演進(jìn)2010年開(kāi)始，GoogleBrain建立DistBelief作為他們的第一代專有的機(jī)器學(xué)習(xí)系統(tǒng)。2015年11月9日以TensorFlow名稱在Apache2.0開(kāi)源許可證下發(fā)布。。2017年2月15日，發(fā)布了TensorFlow1.0版本。2019年發(fā)布了TensorFlow2.0版。還推出了TensorFlowHub，旨在促進(jìn)模型的可重復(fù)使用部分的發(fā)布、發(fā)現(xiàn)和使用。Tensorflow搭建配置--Windows系統(tǒng)環(huán)境安裝僅支持CPU的TensorFlow版本pip3install--upgradetensorflow要安裝GPU版本的TensorFlowpip3install--upgradetensorflow-gpu安裝后驗(yàn)證TensorFlow安裝是否成功，可以在命令行