《人工智能應(yīng)用導(dǎo)論》全套教學(xué)課件

人工智能應(yīng)用導(dǎo)論全套可編輯PPT課件項(xiàng)目一認(rèn)識(shí)人工智能——揭開人工智能的面紗項(xiàng)目二駕馭物體識(shí)別——讓機(jī)器更聰明項(xiàng)目三語(yǔ)音識(shí)別技術(shù)應(yīng)用——讓機(jī)器對(duì)你言聽計(jì)從項(xiàng)目四人臉識(shí)別技術(shù)應(yīng)用——機(jī)器也認(rèn)識(shí)你項(xiàng)目五多姿多彩的生活——人工智能應(yīng)用秀項(xiàng)目一

認(rèn)識(shí)人工智能——揭開人工智能的面紗全套可編輯PPT課件目錄CONTNETS人工智能知識(shí)認(rèn)知人工智能應(yīng)用支撐認(rèn)知人工智能技術(shù)發(fā)展歷程探究1234探究新職業(yè)——人工智能訓(xùn)練師知識(shí)目標(biāo)1.了解人工智能的定義。2.理解現(xiàn)代人工智能及分類。3.了解人工智能發(fā)展歷程。4.了解我國(guó)人工智能發(fā)展現(xiàn)狀和戰(zhàn)略規(guī)劃。技能目標(biāo)1.會(huì)搜集信息、辨別信息。2.能制作符合模型訓(xùn)練要求的圖像數(shù)據(jù)集。素養(yǎng)目標(biāo)1.樹立文化自信，增強(qiáng)民族自豪感。2.培養(yǎng)學(xué)生正確面對(duì)曲折和困難的人生觀。人工智能知識(shí)認(rèn)知01全套可編輯PPT課件一、人工智能的概念23145（5）應(yīng)用領(lǐng)域的“人工智能”。人工智能是一門綜合學(xué)科，主旨是研究和開發(fā)出智能實(shí)體，在這一點(diǎn)上它屬于工程學(xué)。（4）研究領(lǐng)域的人工智能。人工智能是研究、開發(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)的一門新的技術(shù)學(xué)科，它是計(jì)算機(jī)科學(xué)的一個(gè)分支。（2）《人工智能標(biāo)準(zhǔn)化白皮書（2018年）》里的人工智能。人工智能是利用數(shù)字計(jì)算機(jī)或者由數(shù)字計(jì)算機(jī)控制的機(jī)器。（3）人工智能之父眼里的人工智能。人工智能之父——約翰·麥卡錫對(duì)人工智能的定義是“制造智能機(jī)器的科學(xué)與工程，特別是智能計(jì)算機(jī)程序”。（1）新華詞典在線版里的人工智能。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，研究應(yīng)用計(jì)算機(jī)來(lái)模擬人類的某些智力活動(dòng)，從而代替人類的某些腦力勞動(dòng)。全套可編輯PPT課件名人故事如果說(shuō)阿蘭圖靈是人工智能的奠基者,駝明斯基則可以說(shuō)是人工智能的推動(dòng)者。其一生雖不像圖靈那樣傳奇,但也足以享譽(yù)后世。聯(lián)合發(fā)起達(dá)特茅斯會(huì)議人工智能的起源,公認(rèn)是1956年的達(dá)特茅斯會(huì)議。這年夏季,達(dá)特茅斯學(xué)院數(shù)學(xué)助理教授麥卡錫(JohnMcCarthy)、時(shí)任哈佛大學(xué)數(shù)學(xué)與神經(jīng)學(xué)初級(jí)研究員的馬文明斯基、IBM信息研究經(jīng)理羅切斯特(NathanielRochester)、信息論的創(chuàng)始人克勞德香農(nóng)(Claude

Shannon)等一批有遠(yuǎn)見卓識(shí)的年輕人聚集在一起,圍繞著“自動(dòng)計(jì)算機(jī)”、“如何為計(jì)算機(jī)編程使其能夠使用語(yǔ)言”、"神經(jīng)網(wǎng)絡(luò)”、“計(jì)算規(guī)模理論”等-系列對(duì)于當(dāng)時(shí)的世人而言完全陌生的話題,共同進(jìn)行了探討和研究,并首次提出了"人工智能”這一術(shù)語(yǔ),標(biāo)志著“人工智能”這門新興學(xué)科的正式誕生。（二）感知智能感知智能是指機(jī)器具有類似人的感知能力，如視覺、聽覺等，不僅可以聽懂、看懂，還可以基于此做出判斷并做出反饋或采取行動(dòng)，即“能聽會(huì)說(shuō)，能看會(huì)認(rèn)”。（一）計(jì)算智能計(jì)算智能是指機(jī)器可以像人類一樣存儲(chǔ)、計(jì)算和傳遞信息，幫助人類存儲(chǔ)和快速處理海量數(shù)據(jù)，有利于算法的優(yōu)化和硬件的技術(shù)進(jìn)步。這一階段是感知智能和認(rèn)知智能的基礎(chǔ)。（三）認(rèn)知智能認(rèn)知智能是指機(jī)器能夠像人一樣主動(dòng)思考并采取行動(dòng)，全面輔助或替代人類工作，是人工智能的最高級(jí)形態(tài)，也是行業(yè)未來(lái)的著力點(diǎn)。二、人工智能的三個(gè)方面三、人工智能的未來(lái)人工智能在未來(lái)是否會(huì)擁有意識(shí)，現(xiàn)在我們還不得而知。但是，很多研發(fā)人員和工程師希望人工智能可以擁有意識(shí)。數(shù)字克隆人是人工智能在未來(lái)的發(fā)展方向之一。數(shù)字克隆人是人類個(gè)體的思維方式和興趣愛好的數(shù)字復(fù)制品，但是，數(shù)字克隆人的開發(fā)可能只是一種用于實(shí)現(xiàn)人格的技術(shù)。2015年左右，人們已經(jīng)開發(fā)出用于實(shí)現(xiàn)此目標(biāo)的傳感技術(shù)。由此實(shí)現(xiàn)了很多事情，例如，根據(jù)圖像來(lái)推測(cè)面部表情，并將其與情緒關(guān)聯(lián)等。今后利用傳感技術(shù)模擬人格的嘗試會(huì)越來(lái)越多。知識(shí)鏈接金融本來(lái)就是數(shù)字的游戲，不過現(xiàn)在正從數(shù)字（number）轉(zhuǎn)向數(shù)據(jù)（data）。金融機(jī)構(gòu)通過數(shù)據(jù)分析客戶信用，進(jìn)行詐騙檢測(cè)、證券交易等。三、金融3現(xiàn)階段，工業(yè)企業(yè)在智能制造趨勢(shì)下紛紛開始探索智能化轉(zhuǎn)型的路徑，基于工業(yè)大數(shù)據(jù)分析的工業(yè)智能蘊(yùn)藏著巨大商業(yè)價(jià)值的革命性技術(shù)，越來(lái)越多地受到企業(yè)青睞。一、工業(yè)1人工智能可以在醫(yī)療行業(yè)多個(gè)流程中發(fā)揮價(jià)值，問診、醫(yī)療報(bào)告生成、初步篩查、醫(yī)療影像的輔助診斷等。四、醫(yī)療4目前，人工智能在商業(yè)中得到了廣泛的應(yīng)用，其包括智能客服機(jī)器人、決策支持、預(yù)測(cè)營(yíng)銷、語(yǔ)音搜索、圖像識(shí)別等，相信人工智能在商業(yè)中的應(yīng)用將有著良好的發(fā)展前景。二、商業(yè)2人工智能技術(shù)發(fā)展歷程探究02一、人工智能的第一次高峰1950年，一名在校大四學(xué)生馬文·明斯基與他的同學(xué)鄧恩·埃德蒙建造了世界上第一臺(tái)神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)，這被視為人工智能的起點(diǎn)。1956年，在達(dá)特茅斯學(xué)院舉辦的一次會(huì)議上，計(jì)算機(jī)專家約翰·麥卡錫提出了“人工智能”一詞。人們?cè)谶_(dá)特茅斯會(huì)議上正式確立了人工智能這一術(shù)語(yǔ)，對(duì)人工智能的學(xué)術(shù)研究也正式拉開序幕。二、人工智能的第一次低谷20世紀(jì)70年代，人工智能進(jìn)入了一段痛苦而艱難的歲月?？蒲腥藛T在人工智能的研究中對(duì)項(xiàng)目難度預(yù)估不足，導(dǎo)致與美國(guó)國(guó)防高級(jí)研究計(jì)劃署的合作計(jì)劃失敗，使人工智能的前景蒙上了一層陰影。與此同時(shí)，社會(huì)輿論的壓力也慢慢壓向人工智能這邊，導(dǎo)致很多研究經(jīng)費(fèi)被轉(zhuǎn)移到了其他項(xiàng)目上。當(dāng)時(shí)，人工智能面臨三個(gè)技術(shù)瓶頸：①計(jì)算機(jī)性能不足。②問題的復(fù)雜性高。③數(shù)據(jù)量嚴(yán)重不足。三、人工智能的崛起1980年，卡內(nèi)基梅隆大學(xué)為數(shù)字設(shè)備公司設(shè)計(jì)了一套名為XCON的“專家系統(tǒng)”。這是一種采用人工智能程序的系統(tǒng)，是具有完整專業(yè)知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能系統(tǒng)，可以簡(jiǎn)單地將其理解為“知識(shí)庫(kù)+推理機(jī)”的組合。這套系統(tǒng)在1986年之前能為公司每年節(jié)省下來(lái)超過4000萬(wàn)美元的經(jīng)費(fèi)。這種商業(yè)模式衍生出了像Symbolics、LispMachines等和IntelliCorp、Aion等硬件、軟件公司。在這個(gè)時(shí)期，僅專家系統(tǒng)產(chǎn)業(yè)的價(jià)值就高達(dá)5億美元，人工智能應(yīng)用再次進(jìn)入繁榮期。四、人工智能的第二次低谷1987年，蘋果和IBM公司生產(chǎn)的臺(tái)式機(jī)性能都超過了Symbolics等廠商生產(chǎn)的專家系統(tǒng)通用計(jì)算機(jī)，從此，專家系統(tǒng)風(fēng)光不再，曾經(jīng)轟動(dòng)一時(shí)的人工智能系統(tǒng)就此宣告結(jié)束其歷史進(jìn)程，人工智能應(yīng)用再次進(jìn)入低谷期。五、人工智能再次崛起1997年5月11日，IBM的計(jì)算機(jī)系統(tǒng)“深藍(lán)”戰(zhàn)勝了國(guó)際象棋世界冠軍卡斯帕羅夫。20世紀(jì)90年代中期，隨著AI技術(shù)尤其是神經(jīng)網(wǎng)絡(luò)技術(shù)的逐步發(fā)展，以及人們對(duì)AI開始抱有客觀理性的認(rèn)知，人工智能技術(shù)開始進(jìn)入平穩(wěn)發(fā)展時(shí)期。2006年，Hinton在神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)領(lǐng)域取得突破，人類又一次看到機(jī)器趕超人類的希望，這是人工智能標(biāo)志性的技術(shù)進(jìn)步。2009年，IBM首席執(zhí)行官彭明盛首次提出“智慧地球”這一概念。1978年3月，鄧小平發(fā)表了“科學(xué)技術(shù)是生產(chǎn)力”的重要講話，提出“向科學(xué)技術(shù)現(xiàn)代化進(jìn)軍”的戰(zhàn)略決策。20世紀(jì)70年代末至20世紀(jì)80年代前期，一些人工智能相關(guān)項(xiàng)目已被納入國(guó)家科研計(jì)劃。一、科研起步階段二、產(chǎn)業(yè)快速發(fā)展階段清華大學(xué)成功研發(fā)出的人臉識(shí)別系統(tǒng)以及智能問答技術(shù)都已經(jīng)獲得了應(yīng)用。中科院自動(dòng)化所成功研發(fā)了“寒武紀(jì)”芯片并建成了類腦智能研究平臺(tái)。華為也推出了MoKA人工智能系統(tǒng)。知識(shí)鏈接新技術(shù)推動(dòng)學(xué)科建設(shè)和催生新職業(yè)。2018年4月，教育部在研究制定《高等學(xué)校引領(lǐng)人工智能創(chuàng)新行動(dòng)計(jì)劃》時(shí)確定設(shè)立人工智能專業(yè)，進(jìn)一步完善中國(guó)高校人工智能學(xué)科體系，旨在培養(yǎng)中國(guó)人工智能產(chǎn)業(yè)的應(yīng)用型人才，推動(dòng)人工智能一級(jí)學(xué)科建設(shè)。三、國(guó)家戰(zhàn)略規(guī)劃發(fā)展階段四、國(guó)際上人工智能領(lǐng)域的發(fā)展現(xiàn)狀（一）資源層：數(shù)據(jù)及算力的大幅提升將AI推向浪潮之巔（二）技術(shù)環(huán)境：開源框架大幅降低開發(fā)門檻（三）外部環(huán)境：政策助力，人工智能迎來(lái)發(fā)展良機(jī)知識(shí)鏈接探究新職業(yè)——人工智能訓(xùn)練師03一、創(chuàng)建圖像分類模型（5）信息填寫完成后，單擊“完成創(chuàng)建”按鈕即可創(chuàng)建成功。在左側(cè)導(dǎo)航欄“我的模型”標(biāo)簽頁(yè)中即可看到所創(chuàng)建的模型。（4）在信息填寫頁(yè)面中填入“模型名稱”“郵箱地址”“聯(lián)系方式”和“業(yè)務(wù)描述”，選擇“模型歸屬”，所有帶有星號(hào)的選項(xiàng)都必須填寫。（1）打開EasyDL圖像官網(wǎng)，進(jìn)入EasyDL圖像頁(yè)面。（3）進(jìn)入圖像分類模型管理界面，在左側(cè)的導(dǎo)航欄中，選擇“我的模型”標(biāo)簽頁(yè)。（2）單擊“立即使用”按鈕，在彈出來(lái)的“選擇模型類型”對(duì)話框中選擇“圖像分類”選項(xiàng)，進(jìn)入登錄界面，輸入賬號(hào)和密碼。二、上傳數(shù)據(jù)（1）選擇左側(cè)導(dǎo)航欄中的“數(shù)據(jù)總覽”標(biāo)簽頁(yè)，單擊“創(chuàng)建數(shù)據(jù)集”按鈕，進(jìn)入創(chuàng)建數(shù)據(jù)集信息填寫頁(yè)面。01（2）按照提示填寫信息。在“數(shù)據(jù)集名稱”一欄可輸入你自己取的數(shù)據(jù)集名稱，其他均為默認(rèn)項(xiàng)，無(wú)需修改。02（3）數(shù)據(jù)集創(chuàng)建成功后，在界面中將出現(xiàn)該模型的數(shù)據(jù)集信息，包括版本、數(shù)據(jù)集ID、數(shù)據(jù)量、標(biāo)注類型、標(biāo)注狀態(tài)、清洗狀態(tài)等。03（4）單擊“導(dǎo)入”鏈接，進(jìn)入導(dǎo)入數(shù)據(jù)頁(yè)面，在“數(shù)據(jù)標(biāo)注狀態(tài)”一欄選中“無(wú)標(biāo)注信息”單選按鈕，在“導(dǎo)入方式”一欄選擇“本地導(dǎo)入”和“上傳壓縮包”選項(xiàng)。04（5）此時(shí)數(shù)據(jù)開始導(dǎo)入，數(shù)據(jù)導(dǎo)入狀態(tài)，等待數(shù)據(jù)全部導(dǎo)入。05三、標(biāo)注數(shù)據(jù)（1）數(shù)據(jù)集導(dǎo)入完成后，可以看到最近導(dǎo)入狀態(tài)已更新為“已完成”，數(shù)據(jù)量、標(biāo)注狀態(tài)操作都有變化。（2）添加標(biāo)簽“貓”和“狗”，單擊“添加標(biāo)簽”按鈕，輸入“貓”，單擊“確定”按鈕，標(biāo)簽就添加成功了。（3）標(biāo)簽添加完成后，即可進(jìn)行數(shù)據(jù)標(biāo)注。（5）利用相同的方法完成“貓”的圖像的標(biāo)注，全部標(biāo)注完成后的效果。（4）選中所有代表狗的圖像，單擊右側(cè)標(biāo)簽欄下對(duì)應(yīng)的標(biāo)簽名“狗”，即可進(jìn)行標(biāo)注。四、訓(xùn)練模型（2）添加完數(shù)據(jù)集，訓(xùn)練模型頁(yè)面的添加數(shù)據(jù)集效果，其他參數(shù)取默認(rèn)值，然后單擊“開始訓(xùn)練”按鈕。（3）在彈出的對(duì)話框中，單擊“繼續(xù)訓(xùn)練”按鈕，即可繼續(xù)進(jìn)行訓(xùn)練。（5）在版本配置界面，可以查看該訓(xùn)練任務(wù)的開始時(shí)間、任務(wù)時(shí)長(zhǎng)、訓(xùn)練時(shí)長(zhǎng)及訓(xùn)練算法等基本信息。（4）單擊“訓(xùn)練狀態(tài)”→“訓(xùn)練中”旁的感嘆號(hào)圖標(biāo)，可查看訓(xùn)練進(jìn)度。（1）選擇模型訓(xùn)練，進(jìn)入訓(xùn)練模型頁(yè)面，分別選擇模型、選擇算法、添加數(shù)據(jù)集。五、校驗(yàn)和發(fā)布（1）單擊“校驗(yàn)”鏈接，進(jìn)入校驗(yàn)?zāi)Ｐ晚?yè)面，單擊“啟動(dòng)校驗(yàn)”按鈕，再單擊頁(yè)面中間的“點(diǎn)擊添加圖片”按鈕。（2）校驗(yàn)完成后，在頁(yè)面中可以看到模型的識(shí)別結(jié)果，在頁(yè)面右側(cè)可以查看預(yù)測(cè)分類及其對(duì)應(yīng)的置信度。（6）進(jìn)入“體驗(yàn)H5”的“完成”頁(yè)面。此時(shí)即可拿起手機(jī)，掃二維碼進(jìn)行測(cè)試。（4）回到我的模型列表中，模型服務(wù)狀態(tài)為“發(fā)布中”。（5）模型發(fā)布成功后，服務(wù)狀態(tài)為“已發(fā)布”，同時(shí)操作頁(yè)面中會(huì)增加“體驗(yàn)H5”鏈接。（3）選擇“發(fā)布模型”進(jìn)入發(fā)布模型頁(yè)面，填寫服務(wù)名稱和接口地址，完成后單擊“提交申請(qǐng)”按鈕后進(jìn)入發(fā)布狀態(tài)。一、認(rèn)識(shí)人工智能訓(xùn)練師人工智能訓(xùn)練師的主要任務(wù)包括以下五個(gè)方面。（1）標(biāo)注和加工圖片、文字、語(yǔ)音等業(yè)務(wù)的原始數(shù)據(jù)。（2）分析提煉專業(yè)領(lǐng)域特征，訓(xùn)練和評(píng)測(cè)人工智能產(chǎn)品相關(guān)算法、功能和性能。（3）設(shè)計(jì)人工智能產(chǎn)品的交互流程和應(yīng)用解決方案。（4）監(jiān)控、分析、管理人工智能產(chǎn)品應(yīng)用數(shù)據(jù)。（5）調(diào)整、優(yōu)化人工智能產(chǎn)品參數(shù)和配置。二、人工智能訓(xùn)練師典型工作任務(wù)（一）數(shù)據(jù)標(biāo)注數(shù)據(jù)標(biāo)注是使用工具對(duì)未經(jīng)處理的圖片、文本、語(yǔ)音及其他原始數(shù)據(jù)進(jìn)行加工處理，并進(jìn)一步轉(zhuǎn)換為機(jī)器可識(shí)別信息的過程。（二）模型訓(xùn)練人工智能的模型本質(zhì)上就是訓(xùn)練機(jī)器用不同的算法來(lái)掌握一個(gè)個(gè)不同的規(guī)則，然后舉一反三。知識(shí)鏈接知識(shí)拓展人工智能訓(xùn)練師職業(yè)技能標(biāo)準(zhǔn)1.具備扎實(shí)的人工智能學(xué)科知識(shí)和技能，包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語(yǔ)言處理等相關(guān)領(lǐng)域的理論和實(shí)踐能力。2.能夠熟練運(yùn)用常用的人工智能算法和工具，如TensorFlow、PyTorch、Scikit-learn等，用于數(shù)據(jù)預(yù)處理、模型訓(xùn)練和評(píng)估。3.具備良好的編程能力，熟悉常見的編程語(yǔ)言，如Python、Java、C++等，能夠編寫高效且可維護(hù)的代碼。4.具備豐富的數(shù)據(jù)處理和數(shù)據(jù)分析經(jīng)驗(yàn)，能夠從大規(guī)模數(shù)據(jù)中提取特征、進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)可視化等，為模型的訓(xùn)練提供有力支持。5.能夠獨(dú)立完成人工智能項(xiàng)目的設(shè)計(jì)、開發(fā)和部署，具備項(xiàng)目管理和團(tuán)隊(duì)協(xié)作的能力，能夠有效地與產(chǎn)品經(jīng)理、工程師和領(lǐng)導(dǎo)進(jìn)行溝通。6.具備出色的問題解決和創(chuàng)新能力，能夠從多個(gè)角度分析和解決復(fù)雜的人工智能問題，提供有效的解決方案和改進(jìn)建議。人工智能應(yīng)用支撐認(rèn)知04一、人工智能技術(shù)基礎(chǔ)支撐——算力AI芯片部署的位置有云端、終端兩種。云端，即數(shù)據(jù)中心，在深度學(xué)習(xí)的訓(xùn)練階段需要極大的數(shù)據(jù)量和運(yùn)算量，單一處理器無(wú)法獨(dú)立完成，因此，訓(xùn)練環(huán)節(jié)只能在云端實(shí)現(xiàn)。（三）AI芯片應(yīng)用近年來(lái)，已有不少超算中心運(yùn)用了人工智能芯片和服務(wù)器來(lái)強(qiáng)化其算力，用于提升對(duì)人工智能產(chǎn)業(yè)的服務(wù)能力，也可以說(shuō)是對(duì)傳統(tǒng)超算中心進(jìn)行“AI化”。（四）智算中心算力（也稱作計(jì)算力），是設(shè)備的計(jì)算能力，也是數(shù)據(jù)處理的能力。AI的許多數(shù)據(jù)處理涉及矩陣乘法和加法。（一）人工智能的算力從廣義范疇上講，面向AI計(jì)算應(yīng)用的芯片都可以稱為AI芯片。在狹義上，AI芯片指專門針對(duì)AI算法做了特殊加速設(shè)計(jì)的芯片，以GPU、FPGA、ASIC為代表的AI芯片，是基于傳統(tǒng)芯片架構(gòu)對(duì)某類特定算法或者場(chǎng)景進(jìn)行AI計(jì)算加速的芯片。（二）AI芯片二、人工智能技術(shù)基礎(chǔ)支撐——算法1234（一）算法的定義算法是指在解決某個(gè)問題的時(shí)候，按照某種計(jì)算方法及步驟進(jìn)行處理的過程。（二）機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)用于研究怎樣讓計(jì)算機(jī)具備像人類一樣的學(xué)習(xí)能力，通過數(shù)據(jù)或經(jīng)驗(yàn)不斷優(yōu)化計(jì)算機(jī)算法的性能，是人工智能的核心部分。機(jī)器學(xué)習(xí)根據(jù)學(xué)習(xí)方式的不同可以分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)三類。（三）深度學(xué)習(xí)的概念深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，是指通過模仿人類大腦的思考和學(xué)習(xí)方式。（四）神經(jīng)網(wǎng)絡(luò)的概念生物神經(jīng)網(wǎng)絡(luò)是指由生物的大腦神經(jīng)元、細(xì)胞、觸點(diǎn)等組成的網(wǎng)絡(luò)。三、人工智能技術(shù)基礎(chǔ)支撐——數(shù)據(jù)（一）數(shù)據(jù)采集（二）數(shù)據(jù)的采集源及采集方式（四）數(shù)據(jù)預(yù)處理（五）數(shù)據(jù)標(biāo)注（三）采集的數(shù)據(jù)類型劃分通常情況下，數(shù)據(jù)可以被分為非結(jié)構(gòu)化數(shù)據(jù)、結(jié)構(gòu)化數(shù)據(jù)以及半結(jié)構(gòu)化數(shù)據(jù)三種類型。在數(shù)據(jù)處理流程中，采集的數(shù)據(jù)決定了數(shù)據(jù)分析挖掘的上限。第一類是終端數(shù)據(jù)。第二類是開放數(shù)據(jù)。第三類是專有平臺(tái)的數(shù)據(jù)。第四類是物理數(shù)據(jù)。第五類是主觀性數(shù)據(jù)。第六類是數(shù)據(jù)庫(kù)的數(shù)據(jù)。1.數(shù)據(jù)清洗2.數(shù)據(jù)集成3.數(shù)據(jù)變換4.數(shù)據(jù)規(guī)約標(biāo)注原始數(shù)據(jù)并準(zhǔn)備將其應(yīng)用于機(jī)器學(xué)習(xí)模型和其他AI工作流的過程稱為數(shù)據(jù)標(biāo)注。知識(shí)鏈接1.數(shù)理邏輯方法與專家系統(tǒng)2.模糊控制技術(shù)3.計(jì)算智能與進(jìn)化計(jì)算及遺傳算法5.神經(jīng)網(wǎng)絡(luò)4.分布式人工智能與多智能體技術(shù)0105040302人工智能技術(shù)的主要技術(shù)領(lǐng)域有以下五個(gè)方面。感謝觀看人工智能應(yīng)用導(dǎo)論

項(xiàng)目二

駕馭物體識(shí)別——讓機(jī)器更聰明目錄CONTNETS植物檢測(cè)手寫數(shù)字識(shí)別探究鳶尾花品種1234識(shí)別圖像中的動(dòng)物知識(shí)目標(biāo)1.了解圖像識(shí)別、生物特征識(shí)別。2.了解智能識(shí)別的應(yīng)用及發(fā)展。3.了解圖像分類問題類型以及常見圖像分類方法步驟。技能目標(biāo)1.能根據(jù)項(xiàng)目需求采用合理方法進(jìn)行數(shù)據(jù)采集。2.會(huì)對(duì)采集后的數(shù)據(jù)進(jìn)行簡(jiǎn)單處理。3.能夠聯(lián)系實(shí)際生活，列舉出智能識(shí)別的應(yīng)用。素養(yǎng)目標(biāo)1.培養(yǎng)學(xué)生科技創(chuàng)新意識(shí)。2.養(yǎng)成正向的人工智能對(duì)社會(huì)發(fā)展的價(jià)值觀。植物檢測(cè)01一、植物檢測(cè)中的數(shù)據(jù)采集要實(shí)現(xiàn)目標(biāo)檢測(cè)，就需要對(duì)有答案的目標(biāo)圖片進(jìn)行學(xué)習(xí)。本次植物檢測(cè)項(xiàng)目需要檢測(cè)上海青、生菜、芹菜和苦苣菜四類植物，因此，我們需要大量采集這四類植物不同生長(zhǎng)狀態(tài)、不同角度的圖像數(shù)據(jù)，為后續(xù)的數(shù)據(jù)標(biāo)注、機(jī)器學(xué)習(xí)做準(zhǔn)備。目前采集圖像數(shù)據(jù)的方式有很多種，比如以下幾種：（1）使用手機(jī)（相機(jī)）拍攝照片。（2）使用手機(jī)（相機(jī)）拍攝視頻，然后轉(zhuǎn)換為圖像。（3）使用爬蟲技術(shù)從網(wǎng)絡(luò)上獲取。二、數(shù)據(jù)標(biāo)注（一）安裝LabelImg工具在進(jìn)行數(shù)據(jù)標(biāo)注之前，需要先安裝LabelImg。在Anaconda中安裝和啟動(dòng)LabelImg的方法如下：（1）打開Anacondaprompt，輸入命令pipinstalllabelimg進(jìn)行安裝。（2）安裝成功后，直接輸入命令labelimg即可打開LabelImg標(biāo)注工具。LabelImg軟件界面，如圖2-1所示。二、數(shù)據(jù)標(biāo)注（二）使用LabelImg標(biāo)注并制作植物檢測(cè)的數(shù)據(jù)集（1）準(zhǔn)備兩個(gè)文件夾JPEGImages和Annotations，將要進(jìn)行標(biāo)注的圖片全部放到JPEGImages里面，Annotations用來(lái)保存標(biāo)注好的xml圖像信息文件。01（2）選擇數(shù)據(jù)集格式。02（4）打開要標(biāo)注的圖像文件后，使用工具欄中的Create\nRectBox開始畫框。04（3）加載數(shù)據(jù)和確定數(shù)據(jù)保存文件夾。03（5）點(diǎn)擊左側(cè)工具欄的NextImage圖標(biāo)轉(zhuǎn)到下一張圖片。05三、搭建YOLOv3虛擬環(huán)境（一）創(chuàng)建虛擬環(huán)境步驟1：打開AnacondaPrompt，輸入condacreate-ntf_115python==3.7指令，即創(chuàng)建一個(gè)名字為tf_115的虛擬環(huán)境。接著會(huì)提示是否繼續(xù)，輸入“y”繼續(xù)創(chuàng)建，如圖2-6所示。步驟2：安裝tensorflow-gpu1.15版本，并測(cè)試tensorflow是否成功調(diào)用GPU。輸入命令pipinstalltensorflow-gpu==1.15。注意：本任務(wù)對(duì)應(yīng)的是tensorflow-gpu1.15版本。三、搭建YOLOv3虛擬環(huán)境（二）安裝本任務(wù)需要的其他庫(kù)打開AnacondaPrompt，注意要先進(jìn)入之前創(chuàng)建的tf_115的虛擬環(huán)境（即輸入命令condaactivatetf_115），然后分別輸入以下命令：pipinstallopencv-pythonpipinstallkeras==2.1.5pipinstallpillowpipinstallmatplotlibpipinstallnumpypipinstallh5py==2.10運(yùn)行命令后的效果如圖2-11所示。四、制作數(shù)據(jù)集23145（5）修改model_data文件夾下的voc_classes.txt文件，將類別修改為植物檢測(cè)中的四類標(biāo)注信息。（4）運(yùn)行voc_annotation.py文件，會(huì)得到3個(gè)后綴為.txt的文件，它們對(duì)應(yīng)的是訓(xùn)練集、測(cè)試集以及驗(yàn)證集的圖片的名稱。（2）回到PyCharm中，在VOC2007文件夾中新建train_text.py文件，并寫入如下代碼，目的是將我們的xml文件切分為訓(xùn)練集和測(cè)試集，這里設(shè)置的兩者比例是8∶2。（3）此時(shí)，test.txt、train.txt、val.txt這幾個(gè)文件并不能直接被YOLOv3讀取，需要再進(jìn)行一次轉(zhuǎn)換。（1）把數(shù)據(jù)集文件夾放在項(xiàng)目文件夾的根目錄下。五、使用Kmeans算法獲得先驗(yàn)框anchor_box事實(shí)上，制作完數(shù)據(jù)集后就可以對(duì)其進(jìn)行訓(xùn)練了。但是因?yàn)楫?dāng)前的anchor_box是原作者在coco數(shù)據(jù)集上通過Kmeans得到的，并不一定適合我們現(xiàn)在的植物檢測(cè)數(shù)據(jù)集，所以我們需要在植物檢測(cè)數(shù)據(jù)上使用Kmeans得到9個(gè)適合當(dāng)前數(shù)據(jù)集的anchor_box，以得到最好的檢測(cè)框。六、模型訓(xùn)練（一）制作生成器在開始訓(xùn)練之前，我們需要把數(shù)據(jù)集制作成一個(gè)生成器的結(jié)構(gòu)，以便一邊訓(xùn)練，一邊讀取數(shù)據(jù)，可以大大減輕內(nèi)存的壓力。（四）main函數(shù)定義一個(gè)main函數(shù)，并對(duì)其進(jìn)行調(diào)用。（五）建立文件夾目錄在keras-yolo3-master文件夾下建立文件夾目錄logs/000，用于保存訓(xùn)練生成的模型。（二）編寫其他函數(shù)與構(gòu)建模型編寫其他函數(shù)用來(lái)讀取txt文件中的數(shù)據(jù)以及構(gòu)建訓(xùn)練模型。具體內(nèi)容包括獲取數(shù)據(jù)標(biāo)注的標(biāo)簽名稱、獲取anchors_box、創(chuàng)建模型結(jié)構(gòu)。（三）編寫訓(xùn)練函數(shù)我們?cè)谟?xùn)練時(shí)還可以使用回調(diào)函數(shù)對(duì)訓(xùn)練過程進(jìn)行控制。比如，使用ModelCheckpoint()函數(shù)可以自動(dòng)保存最佳的模型，使用ReduceLRonPlateau()函數(shù)可以控制學(xué)習(xí)自動(dòng)率衰減。知識(shí)鏈接一、目標(biāo)檢測(cè)算法——YOLO（二）YOLOv2YOLOv2是YOLO系列的第一個(gè)改進(jìn)版本，它首次提出了以DarkNet19作為主干網(wǎng)絡(luò)，并使用全卷積代替了全連接。（四）YOLOv4YOLOv4是YOLO系列的第三個(gè)改進(jìn)版本，它將YOLOv3中的算法和目前主流的算法通過實(shí)驗(yàn)進(jìn)行整合。（一）YOLOv1YOLOv1首先將resize（圖像大小）調(diào)整到448×448并輸入448×448×3的一個(gè)彩色圖像，然后輸出7×7×30的多維向量。這里的7×7×30可分為7×7和30兩個(gè)部分。（三）YOLOv3YOLOv3是YOLO系列的第二個(gè)改進(jìn)版本，它將YOLOv2中的DarkNet19改為特征提出能力更強(qiáng)的DarkNet53。1234知識(shí)鏈接搭建植物檢測(cè)模型訓(xùn)練平臺(tái)需要用到Anaconda、PyCharm和Keras。Anaconda使用的是一個(gè)開源的Python發(fā)行版本，包含了conda、Python等180多個(gè)科學(xué)包及其依賴項(xiàng)。PyCharm是由JetBrains打造的一款PythonIDE，帶有一整套可以幫助用戶在使用Python語(yǔ)言開發(fā)時(shí)提高其效率的工具。Keras是一個(gè)用Python編寫的高級(jí)神經(jīng)網(wǎng)絡(luò)API。三、植物檢測(cè)模型訓(xùn)練平臺(tái)搭建（一）VOC數(shù)據(jù)集VOC數(shù)據(jù)集實(shí)際上是一個(gè)名為PASCALVOC的世界級(jí)的計(jì)算機(jī)視覺挑戰(zhàn)賽中的數(shù)據(jù)集，很多模型都基于此數(shù)據(jù)集推出，如目標(biāo)檢測(cè)領(lǐng)域的YOLO、SSD等。（二）COCO數(shù)據(jù)集COCO數(shù)據(jù)集的英文全稱為MicrosoftCommonObjectsinContext（MSCOCO），它是一個(gè)包括大規(guī)模的對(duì)象檢測(cè)、分割、關(guān)鍵點(diǎn)檢測(cè)和字幕數(shù)據(jù)集。二、目標(biāo)檢測(cè)中的公開數(shù)據(jù)集小貼士拍攝花朵小技巧1.靈活找角度有時(shí)候拍照會(huì)發(fā)現(xiàn)怎么拍都不好看，那可能就是角度的問題，你要多用雙腳尋找好的角度，靈活運(yùn)用不同的角度，拍照后對(duì)比一下，選出最好看的一張來(lái)。2.學(xué)會(huì)構(gòu)圖構(gòu)圖是欣賞者的第一感，它決定了畫面的沖擊力，給人整體觀感上的美。構(gòu)圖一是要大氣，線條、輪廓要鮮明、有力，畫面要完整，細(xì)部符合黃金分割律；這么說(shuō)可能有點(diǎn)抽象，最簡(jiǎn)單的構(gòu)圖辦法就是把手機(jī)自帶的九宮格線對(duì)上，焦點(diǎn)選在線條之間的交叉點(diǎn)上。3.裁剪大小如果沒有特別需求（比如做壁紙或者封面）的話，可以裁剪、自定義尺寸最好，裁剪的目的是為了精準(zhǔn)構(gòu)圖，還是用構(gòu)圖線作參考，把邊角上雜七雜八的畫面都裁掉。這些不裁可能會(huì)干擾視線。探究鳶尾花品種02一、確定鳶尾花最佳的品種數(shù)k值（一）導(dǎo)入相關(guān)的第三方庫(kù)及模塊因?yàn)橐獙?duì)鳶尾花樣本數(shù)據(jù)進(jìn)行聚類，在讀取樣本數(shù)據(jù)的基礎(chǔ)上，除進(jìn)行聚類操作外，還要計(jì)算輪廓系數(shù)和繪制輪廓系數(shù)的變化折線圖，所以要通過以下代碼導(dǎo)入相關(guān)的第三方庫(kù)及模塊。fromsklearn.clusterimportKMeansfromsklearn.metricsimportsilhouette_scoreimportmatplotlib.pyplotaspltimportpandasasp一、確定鳶尾花最佳的品種數(shù)k值（二）繪制k值與輪廓系數(shù)的變化關(guān)系圖假設(shè)k的取值范圍為[2，8]，在不同k值條件下，對(duì)樣本數(shù)據(jù)進(jìn)行聚類訓(xùn)練，然后計(jì)算對(duì)應(yīng)的輪廓系數(shù)，最后繪制出k值與輪廓系數(shù)的變化關(guān)系圖。實(shí)現(xiàn)代碼如下。1iris_datas=pd.read_csv(r'data\iris.csv',sep=',')2sc=[]3foriinrange(2,9):4kmeans=KMeans(n_clusters=i,random_state=151).fit(iris_datas)5score=silhouette_score(iris_datas,kmeans.labels_)6sc.append(score)7plt.plot(range(2,9),sc,linestyle='-')8plt.xlabel('k')二、繪制鳶尾花聚類后的結(jié)果散點(diǎn)圖（一）按k=3對(duì)鳶尾花樣本數(shù)據(jù)進(jìn)行聚類鳶尾花有4個(gè)特征數(shù)據(jù)，取所有特征數(shù)據(jù)進(jìn)行k均值算法訓(xùn)練，代碼如下。iris_datas=pd.read_csv(r'data\iris.csv',sep=',')kmeans3=KMeans(n_clusters=3,random_state=151).fit(iris_datas)訓(xùn)練結(jié)束后，通過以下代碼觀察聚類后的簇號(hào)分布情況。kmeans3.labels_代碼的運(yùn)行結(jié)果，如圖2-28所示。二、繪制鳶尾花聚類后的結(jié)果散點(diǎn)圖（二）繪制聚類后樣本的散點(diǎn)圖為比較直觀清晰地了解聚類后的樣本分布情況，按鳶尾花不同的特征數(shù)據(jù)來(lái)繪制對(duì)應(yīng)散點(diǎn)圖，用不同的顏色來(lái)區(qū)分樣本類別。代碼如下。1plt.rcParams['font.sans-serif']=['SimHei']2plt.figure(figsize=(15,8))3ax1=plt.subplot(221)4plt.scatter(iris_datas['Sepal.Length'],iris_datas['Sepal.Width'],c=kmeans3.labels_)5ax1.set_xlabel('(a)花萼長(zhǎng)度')6ax1.set_ylabel('花萼寬度')7ax2=plt.subplot(222)知識(shí)鏈接（一）何為聚類分析聚類分析是一種典型的無(wú)監(jiān)督學(xué)習(xí)，也就是在事先不知道每個(gè)樣本的類別，沒有對(duì)應(yīng)標(biāo)簽值的情況下，將未知類別的樣本按照一定的規(guī)則劃分成若干個(gè)類簇。（三）聚類性能度量聚類性能度量指標(biāo)用于對(duì)聚類后的結(jié)果進(jìn)行評(píng)估，分為內(nèi)部指標(biāo)和外部指標(biāo)兩大類。外部指標(biāo)要事先指定聚類模型作為參考來(lái)評(píng)估聚類結(jié)果的好壞，稱為有標(biāo)簽的評(píng)估；而內(nèi)部指標(biāo)是指不借助任何外部參考，只用參與聚類的樣本本身評(píng)估聚類結(jié)果的好壞。（二）常見聚類方法1.基于劃分的聚類2.基于層次的聚類3.基于密度的聚類一、聚類分析知識(shí)鏈接二、k均值聚類k均值聚類算法原理易懂、易于實(shí)現(xiàn)，當(dāng)簇間的區(qū)別較明顯時(shí)，聚類效果較好。（一）k均值聚類算法原理k均值算法通過樣本間的距離來(lái)衡量它們之間的相似度，兩個(gè)樣本距離越遠(yuǎn)，則相似度越低，否則相似度越高。（二）K均值聚類算法步驟及流程要通過KMeans類來(lái)構(gòu)建一個(gè)k均值模型，然后利用該模型進(jìn)行聚類。k均值模型的主要參數(shù)。（四）認(rèn)識(shí)KMeans類1.k的初值2.初始質(zhì)心的選擇3.簇號(hào)4.聚類結(jié)束條件（三）k均值算法應(yīng)用提示01040302知識(shí)鏈接什么是降維？為什么要降維？前文已經(jīng)談到，在衡量采用什么方法來(lái)分析數(shù)據(jù)之前，最好能對(duì)數(shù)據(jù)的全貌有一個(gè)可視化的了解，能從中發(fā)現(xiàn)一些內(nèi)在規(guī)律或啟示，以便更好地指導(dǎo)人們選擇相對(duì)合理的方法來(lái)解決問題。通常只在二維或三維的空間可視化數(shù)據(jù)，但原始數(shù)據(jù)的實(shí)際維度可能是四維甚至更高維度。采用數(shù)據(jù)降維的方法將原始數(shù)據(jù)的維度降為二維或三維，以便進(jìn)行可視化處理來(lái)直觀了解數(shù)據(jù)的分布。除此之外，數(shù)據(jù)降維還有提高計(jì)算速度、提高模型擬合度等好處。三、數(shù)據(jù)降維小貼士數(shù)據(jù)降維的注意事項(xiàng)1.確定降維目標(biāo)：在進(jìn)行數(shù)據(jù)降維時(shí)，需要明確其目標(biāo)，通常是將數(shù)據(jù)壓縮或轉(zhuǎn)換成更少的特征并保留其變化率中最重要的部分。對(duì)于不同的應(yīng)用場(chǎng)合，可以確定不同的數(shù)據(jù)降維目標(biāo)。2.確定降維算法：選擇適當(dāng)?shù)慕稻S算法是非常重要的，可以通過PCA、LDA、t-SNE和UMAP等算法進(jìn)行數(shù)據(jù)降維，要根據(jù)數(shù)據(jù)特點(diǎn)、降維目標(biāo)、所需時(shí)間等綜合考慮選擇使用哪種算法。3.數(shù)據(jù)的預(yù)處理：在進(jìn)行降維之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如歸一化、標(biāo)準(zhǔn)化等，以消除數(shù)據(jù)集的分散性，減少噪聲影響。4.檢查數(shù)據(jù)質(zhì)量：在進(jìn)行降維之前，需要檢查數(shù)據(jù)質(zhì)量，數(shù)據(jù)質(zhì)量不高會(huì)影響降維結(jié)果的準(zhǔn)確性。如果數(shù)據(jù)存在異常值或不符合分布，需要進(jìn)行必要的處理，如刪除異常值、填充缺失值等。5.選擇適當(dāng)?shù)木S度個(gè)數(shù)：在進(jìn)行降維之后，需要確定數(shù)據(jù)的最終維數(shù)，不同問題下最適合使用的維度個(gè)數(shù)不同。選擇合適的維度個(gè)數(shù)可以充分體現(xiàn)數(shù)據(jù)的重要特征，同時(shí)也可以減少噪聲和冗余。識(shí)別圖像中的動(dòng)物03一、ImageAI模塊的安裝安裝Pillow模塊，安裝命令如下。pip3installpillow安裝Matplotlib模塊，安裝命令如下。pip3installmatplotlib安裝Numpy的版本在1.13.1以上，安裝命令如下。pip3installnumpy安裝TensorFlow的版本在1.4.0以上，安裝命令如下。pip3installtensorflow安裝OpenCV模塊，安裝命令如下。pip3installopencv-python安裝SciPy的版本在0.19.1以上，安裝命令如下。pip3installscipy二、ImageAI模塊實(shí)現(xiàn)物體檢測(cè)ImageAI模塊中提供了ObjectDetection物體檢測(cè)的方法，調(diào)用此方法后，使用預(yù)先訓(xùn)練好的模型文件，在模型選擇上首選YOLO，因?yàn)樗俣瓤?，yolo.h5就是YOLO算法的權(quán)重文件，加載模型文件后，就可以根據(jù)模型文件的內(nèi)置算法從圖像中進(jìn)行物體檢測(cè)。具體代碼如下。fromimageai.DetectionimportObjectDetectionimportosexecution_path=os.getcwd()detector=ObjectDetection()detector.setModelTypeAsYOLOv3()detector.setModelPath(os.path.join(execution_path,"models/yolo.h5"))detector.loadModel()detections=detector.detectObjectsFromImage(input_image=os.path.join(execution_path,"pandas.png"),output_image_path=os.path.知識(shí)鏈接ImageAI支持圖像文件的文件路徑（默認(rèn)）、圖像數(shù)組和圖像文件流3種輸入類型，以及圖像文件（默認(rèn)）和數(shù)字?jǐn)?shù)組2種輸出類型。這意味著可以在生產(chǎn)應(yīng)用程序中執(zhí)行對(duì)象檢測(cè)，例如，在以上述任何格式返回文件的Web服務(wù)器和系統(tǒng)上。要使用numpy數(shù)組或文件流輸入執(zhí)行對(duì)象檢測(cè)，只需在.detectObjectsFromImage()函數(shù)或.detectCustomObjectsFromImage()函數(shù)中聲明輸入類型。請(qǐng)參見下面的示例。detections=detector.detectObjectsFromImage(input_type="array”,input_image=image_array,output_image_path=os.path.join(execution_path,"image.jpg”))#numpy數(shù)組輸入detections=detector.detectObjectsFromImage(input_type="stream",input_image=image_stream,output_image_path=os.path.join(execution_path,"test2new.jpg"))#文件流輸入手寫數(shù)字識(shí)別04（一）導(dǎo)入相關(guān)的庫(kù)因?yàn)橐婕拔募僮骱蛨D像處理，所以要在源程序文件中導(dǎo)入os庫(kù)和Image模塊。代碼如下。importosfromPILimportImage（二）定義轉(zhuǎn)換函數(shù)imgtotext本函數(shù)首先將含有數(shù)字的圖像進(jìn)行縮放和灰度化處理，然后對(duì)圖像逐行掃描，按每個(gè)像素點(diǎn)的像素灰度值大小將其轉(zhuǎn)換成0或者1，轉(zhuǎn)換規(guī)則如下。大于等于128：轉(zhuǎn)換成0（表示白色）。小于128：轉(zhuǎn)換成1（表示黑色）。（三）調(diào)用函數(shù)生成TXT文件通過如下形式調(diào)用函數(shù)imgtotext，將寫有數(shù)字“3”的圖像信息保存為文本信息。imgtotext(r'data\3.jpg',r'data\3_0.txt')一、數(shù)字圖像信息轉(zhuǎn)存為TXT文件（二）生成所有樣本的特征值和標(biāo)簽值所有的訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)分別保存在trainingDigits、testDigits文件夾下，因此，需要定義一個(gè)函數(shù)convert2dataset，將文件夾下所有的TXT文件轉(zhuǎn)換成樣本的特征值及對(duì)應(yīng)的標(biāo)簽值，代碼如下所示。1defconvert2dataset(file_path):2list_file=os.listdir(file_path)3m=len(list_file)4datas=np.zeros((m,1024))5labels=[]6foriinrange(m):7num=int(list_file[i][0])8labels.append(num)9datas[i,:]=txt2array（一）定義一個(gè)樣本的數(shù)據(jù)轉(zhuǎn)換函數(shù)定義函數(shù)txt2array，將一個(gè)TXT文件數(shù)據(jù)轉(zhuǎn)換成數(shù)值類型的數(shù)組，代碼如下所示。1deftxt2array(filename):2X=np.zeros((1,1024))3f=open(filename)4foriinrange(32):5lineStr=f.readline()6forjinrange(32):7X[0,32*i+j]=int(lineStr[j])8returnX二、批量生成樣本數(shù)據(jù)導(dǎo)入模塊sklearn.neighbors中的KNeighborsClassifier分類器，代碼如下。fromsklearn.neighborsimportKNeighborsClassifier（一）導(dǎo)入KNN類（二）構(gòu)建分類模型利用KNeighborsClassifier類生成KNN模型對(duì)象，代碼如下。knn=KNeighborsClassifier(n_neighbors=43,weights='distance',p=2)三、構(gòu)建KNN模型四、訓(xùn)練KNN模型（一）用訓(xùn)練集x_train、y_train來(lái)訓(xùn)練模型調(diào)用fit方法對(duì)模型進(jìn)行訓(xùn)練，代碼如下。knn.fit(x_train,y_train)上述代碼實(shí)際上就是讓模型“記住”每個(gè)樣本的特征值對(duì)應(yīng)的是哪個(gè)數(shù)字標(biāo)簽，經(jīng)過大量樣本的這種反復(fù)訓(xùn)練，模型就知道靠哪些特征值來(lái)識(shí)別出對(duì)應(yīng)的數(shù)字了。（二）對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估為了解該模型訓(xùn)練后的效果，可以從準(zhǔn)確率方面做觀察，執(zhí)行以下代碼。knn=score(x_train,y_train)執(zhí)行結(jié)果如下。Out[88]:1.0五、評(píng)估模型效果（一）測(cè)試模型性能測(cè)試模型性能就是基于測(cè)試樣本用訓(xùn)練后的模型來(lái)預(yù)測(cè)對(duì)應(yīng)的分類標(biāo)簽值y_labels，并將其與真實(shí)的標(biāo)簽值y_test進(jìn)行對(duì)比，來(lái)驗(yàn)證模型的正確率、召回率和F1值等性能指標(biāo)。代碼如下。1fromsklearn.metricsimportclassification_report2y_pred=knn.predict(x_test)3print(classification_report(y_test,y_pred))代碼行1導(dǎo)入classification_report類，代碼行2對(duì)模型進(jìn)行測(cè)試，代碼行3是輸出模型性能測(cè)試報(bào)告，報(bào)告內(nèi)容如圖2-40所示。五、評(píng)估模型效果（二）通過交叉表了解模型的錯(cuò)分情況為更全面地了解所有數(shù)字的識(shí)別情況，可以通過計(jì)算標(biāo)簽的真實(shí)值與預(yù)測(cè)值的交叉表來(lái)詳細(xì)了解0～9當(dāng)中每個(gè)數(shù)字被錯(cuò)誤分類的整體分布情況。執(zhí)行以下代碼以生成混淆矩陣。1fromsklearn.metricsimportconfusion_matrix2y_test=np.array(y_test)3confusion_matrix(y_test,y_pred)4pd.crosstab(y_test,y_pred,rownames=['真實(shí)值'],colnames=['預(yù)測(cè)值'],margins=True)代碼行1導(dǎo)入計(jì)算混淆矩陣函數(shù)，代碼行2進(jìn)行類型轉(zhuǎn)換，將y_test轉(zhuǎn)換成與y_pred同類型的變量。代碼行3生成測(cè)試集的實(shí)際值與預(yù)測(cè)值的混淆矩陣，代碼行4生成分類結(jié)果對(duì)比交叉表。運(yùn)行結(jié)果如圖2-43所示。知識(shí)鏈接1.樣本特征提取樣本特征提取是分類器工作的首要任務(wù)，如果待分類對(duì)象沒有提取特征，也就沒有分類的依據(jù)，就無(wú)從辨別對(duì)象的種類。2.正、負(fù)樣本針對(duì)分類問題，正樣本是指想要正確分類出的類別所對(duì)應(yīng)的樣本，負(fù)樣本是指不屬于這一類別的樣本。3.分類器分類器通過學(xué)習(xí)得到一個(gè)目標(biāo)函數(shù)或模型（以下統(tǒng)稱為模型），它能把樣本的特征集X映射到一個(gè)預(yù)先定義的類別號(hào)y。（二）分類器如何工作分類是數(shù)據(jù)挖掘、智能分析中的一種非常重要的方法，利用分類器能夠把數(shù)據(jù)映射到給定類別的某一個(gè)類別，從而提供對(duì)數(shù)據(jù)有價(jià)值的觀察視角，可以幫助機(jī)器更好地理解數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)。（一）什么是分類器一、分類器知識(shí)鏈接二、幾種主要的分類器（一）決策樹決策樹是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過構(gòu)成決策樹來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。（五）神經(jīng)網(wǎng)絡(luò)分類器神經(jīng)網(wǎng)絡(luò)分類器由輸入層、隱藏層和輸出層構(gòu)成，它通過模仿人腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)及其某些活動(dòng)機(jī)理，來(lái)呈現(xiàn)人腦的許多特征。（四）支持向量機(jī)支持向量機(jī)是一種有監(jiān)督學(xué)習(xí)方式，可以進(jìn)行分類，也可以進(jìn)行回歸分析。（二）貝葉斯分類器貝葉斯分類器就是對(duì)于給定的分類項(xiàng)，利用貝葉斯定理，求解該分類項(xiàng)在預(yù)先給定條件下各類別中出現(xiàn)的概率，哪個(gè)概率最大，就將其劃分為哪個(gè)類別。（三）k近鄰分類器把每個(gè)具有n個(gè)特征的樣本看作n維空間的一個(gè)點(diǎn)，對(duì)于給定的新樣本，先計(jì)算該點(diǎn)與其他點(diǎn)的距離（相似度），然后將新樣本指派為周圍k個(gè)最近鄰的多數(shù)類。感謝觀看

人工智能應(yīng)用導(dǎo)論

項(xiàng)目三

語(yǔ)音識(shí)別技術(shù)應(yīng)用——讓機(jī)器對(duì)你言聽計(jì)從目錄CONTNETS語(yǔ)音數(shù)據(jù)采集聊天機(jī)器人語(yǔ)音轉(zhuǎn)文字1234語(yǔ)音合成5校園智能客服知識(shí)目標(biāo)1.理解語(yǔ)音識(shí)別原理。2.了解語(yǔ)音識(shí)別技術(shù)應(yīng)用。3.了解自然語(yǔ)言處理關(guān)鍵技術(shù)。技能目標(biāo)1.會(huì)語(yǔ)音采集和處理的方法。2.能調(diào)用API進(jìn)行語(yǔ)音識(shí)別的應(yīng)用開發(fā)。素養(yǎng)目標(biāo)1.培養(yǎng)精益求精、專心細(xì)致的工作作風(fēng)。2.培養(yǎng)數(shù)據(jù)保護(hù)意識(shí)。語(yǔ)音數(shù)據(jù)采集01任務(wù)實(shí)施1.安裝pyaudio、wave依賴庫(kù)。我們采用pipinstall命令方式。2.新建一個(gè)Python文件，通過importpyaudio創(chuàng)建PyAudio對(duì)象，打開聲卡，創(chuàng)建緩存空間。3.錄音10秒，并且將音頻數(shù)據(jù)存儲(chǔ)到列表。5.錄音結(jié)束后，停止并關(guān)閉聲卡，參考代碼。不管從數(shù)據(jù)安全還是資源管理方面，這一步操作都是必需的。4.通過wave庫(kù)將音頻數(shù)據(jù)寫到wav格式的文件中。SMART32154知識(shí)鏈接一、語(yǔ)音識(shí)別的過程語(yǔ)音識(shí)別是一個(gè)非常復(fù)雜的任務(wù)，能達(dá)到今天的實(shí)際應(yīng)用水準(zhǔn)實(shí)屬不易。它涉及的技術(shù)領(lǐng)域主要有信號(hào)處理、模式識(shí)別、概率論、發(fā)聲機(jī)理、聽覺機(jī)理和人工智能等。大家都知道，機(jī)器只能處理數(shù)字信號(hào)，不能直接處理人的語(yǔ)音信號(hào)。另外，人在說(shuō)話的時(shí)候，語(yǔ)速有快有慢，每個(gè)人的語(yǔ)音、語(yǔ)調(diào)也不盡相同，且說(shuō)話時(shí)周圍可能有一定的噪音影響。此外，即便發(fā)音相同（如“擬定”“你定”），但到底表達(dá)的是什么意思還要結(jié)合語(yǔ)境和上下文來(lái)進(jìn)一步確定。還有，機(jī)器要進(jìn)行預(yù)學(xué)習(xí)，以了解人類在語(yǔ)言交流中要用到哪些語(yǔ)料庫(kù)等。不難想象，想讓機(jī)器聽懂人的話是很困難的任務(wù)，語(yǔ)音識(shí)別過程如圖3-7所示。知識(shí)鏈接一、語(yǔ)音識(shí)別的過程1.語(yǔ)音信號(hào)處理2.特征提取3.聲學(xué)模型4.語(yǔ)言模型5.解碼搜索（一）語(yǔ)音識(shí)別的關(guān)鍵要素（1）采集一小段語(yǔ)音，把它轉(zhuǎn)換成數(shù)字信號(hào)，然后進(jìn)行預(yù)加重、分幀和濾波處理，將其分成若干小段。（2）按FBank特征或梅爾頻率倒譜系數(shù)（MelFrequencyCepstralCoefficients，MFCC）特征進(jìn)行特征提取工作，為聲學(xué)模型提供合適的特征向量。（二）語(yǔ)音識(shí)別的具體步驟0102知識(shí)鏈接二、語(yǔ)音信號(hào)文件wav格式wav是微軟開發(fā)的一種文件格式規(guī)范。wav文件分為兩部分。第一部分是“總文件頭”，包括chunkID和ChunkSize兩個(gè)信息。chunkID，其值為“RIFF”，占四個(gè)字節(jié)；ChunkSize，其值是整個(gè)wav文件除去chunkID和ChunkSize，后面所有文件大小的字節(jié)數(shù)，占四個(gè)字節(jié)。第二部分是Format，其值為“wave”，占四個(gè)字節(jié)。它包括兩個(gè)子chunk（塊），分別是“fmt”和“data”。fmt子chunk中定義了該文件格式的參數(shù)信息，對(duì)于音頻而言，包括采樣率、通道數(shù)、位寬、編碼等等；data部分是“數(shù)據(jù)塊”，即一幀一幀的二進(jìn)制數(shù)據(jù)，對(duì)于音頻而言，就是原始的PCM數(shù)據(jù)。從語(yǔ)音識(shí)別的原理可以知道，將語(yǔ)音數(shù)據(jù)文件存儲(chǔ)為wav格式是最好的。知識(shí)鏈接三、Python語(yǔ)音識(shí)別庫(kù)Python使用者可通過各大平臺(tái)提供的開源API在線使用一些語(yǔ)音識(shí)別服務(wù)，且其中大部分也提供了PythonSDK。如PyPI（PythonPackageIndex，Python語(yǔ)言的官方軟件包索引）中就有很多現(xiàn)成的語(yǔ)音識(shí)別軟件包，包括：Apiai；google-cloud-speech；pocketsphinx；SpeechRcognition；watson-developer-cloud；wit。法律小貼士關(guān)于個(gè)人收集音頻、視頻證據(jù)的相關(guān)法律規(guī)定根據(jù)《最高人民法院關(guān)于民事訴訟證據(jù)的若干規(guī)定》第六十八條以侵害他人合法權(quán)益或者違反法律禁止性規(guī)定的方法取得的證據(jù)，不能作為認(rèn)定案件事實(shí)的依據(jù)。第六十九條下列證據(jù)不能單獨(dú)作為認(rèn)定案件事實(shí)的依據(jù)：（一）未成年人所作的與其年齡和智力狀況不相當(dāng)?shù)淖C言；（二）與一方當(dāng)事人或者其代理人有利害關(guān)系的證人出具的證言；（三）存有疑點(diǎn)的視聽資料；（四）無(wú)法與原件、原物核對(duì)的復(fù)印件、復(fù)制品；（五）無(wú)正當(dāng)理由未出庭作證的證人證言。因此，如果錄音證據(jù)的持有者采用了侵犯他人隱私或者違反法律禁止性的規(guī)定，比如錄有他人隱私或在其工作或住所竊聽取得的錄音資料，仍然會(huì)被排除使用。另外，單憑錄音、視頻證據(jù)單證一個(gè)事實(shí)，證據(jù)容易有瑕疵，需要其他書證或者證人證言佐證。語(yǔ)音轉(zhuǎn)文字02任務(wù)實(shí)施1.進(jìn)入百度AI官網(wǎng)，注冊(cè)賬號(hào)并領(lǐng)取語(yǔ)音識(shí)別服務(wù)資源，創(chuàng)建語(yǔ)音識(shí)別應(yīng)用。（1）通過單擊百度AI官網(wǎng)首頁(yè)右上角的“登錄”鏈接，如圖3-15所示，進(jìn)入用戶注冊(cè)頁(yè)面，如圖3-16所示，填寫注冊(cè)信息完成注冊(cè)。任務(wù)實(shí)施1.進(jìn)入百度AI官網(wǎng)，注冊(cè)賬號(hào)并領(lǐng)取語(yǔ)音識(shí)別服務(wù)資源，創(chuàng)建語(yǔ)音識(shí)別應(yīng)用。（2）注冊(cè)成功后請(qǐng)登錄，單擊頁(yè)面右上角的“管理控制臺(tái)”，如圖3-17所示，進(jìn)入管理中心頁(yè)面，接著打開左側(cè)產(chǎn)品服務(wù)列表，選擇“人工智能”→“語(yǔ)音技術(shù)”，進(jìn)入“語(yǔ)音技術(shù)-概覽”頁(yè)面，選擇“創(chuàng)建應(yīng)用”。任務(wù)實(shí)施1.進(jìn)入百度AI官網(wǎng)，注冊(cè)賬號(hào)并領(lǐng)取語(yǔ)音識(shí)別服務(wù)資源，創(chuàng)建語(yǔ)音識(shí)別應(yīng)用。（3）在創(chuàng)建應(yīng)用頁(yè)面填寫新應(yīng)用的信息完成應(yīng)用創(chuàng)建，如圖3-20所示。創(chuàng)建成功后單擊左側(cè)的“應(yīng)用列表”可以查看列表信息，包括應(yīng)用的AppID、APIKey和SecretKey，這些信息后面調(diào)用API的時(shí)候需要用到。應(yīng)用列表頁(yè)面。（4）在“語(yǔ)音技術(shù)-概覽”頁(yè)面領(lǐng)取語(yǔ)音識(shí)別和語(yǔ)音合成的免費(fèi)資源額度。任務(wù)實(shí)施2.安裝Python依賴包baidu-aip和SpeechRecognition。前面已經(jīng)安裝過wave和pyaudio庫(kù)了，此處我們就可以直接引用，但還需要安裝baidu-aip和SpeechRecognition包，參考命令如下：pipinstallbaidu-aippipinstallSpeechRecognition3.學(xué)習(xí)百度的官方文檔，根據(jù)官方文檔簡(jiǎn)介和接口說(shuō)明編寫代碼實(shí)現(xiàn)語(yǔ)音轉(zhuǎn)文本功能。4.從result中提取轉(zhuǎn)換后的文本并輸出到屏幕。5.在輸出文本后，播放錄音進(jìn)行校對(duì)。小貼士錄音轉(zhuǎn)換成文字的注意事項(xiàng)首先，最重要的一點(diǎn)是確保高質(zhì)量的錄音文件，錄音質(zhì)量有別于錄像錄音，可以說(shuō)是以聲音來(lái)創(chuàng)造文本的一種方式。其次，需要根據(jù)錄音內(nèi)容的主題選擇合適的錄音轉(zhuǎn)換軟件，不同的軟件具有不同的適用范圍，如果選擇的軟件不符合錄音文件的特點(diǎn)，可能會(huì)影響轉(zhuǎn)換文本的質(zhì)量，不僅影響表達(dá)效果，還可能使文本內(nèi)容無(wú)法正確地理解，從而影響后期應(yīng)用。再次，要在錄音前做好充分的準(zhǔn)備，如進(jìn)行錄音場(chǎng)所的檢查，確保環(huán)境安靜，除去外界雜音和其它可能影響錄音質(zhì)量的因素，使錄音文件質(zhì)量達(dá)到最佳；同時(shí)，還要根據(jù)具體錄音內(nèi)容確定好順序，了解對(duì)象能力，劃分段落，幫助避免不必要的重復(fù)說(shuō)話，并加快錄音轉(zhuǎn)換文本的速度和質(zhì)量。最后，在轉(zhuǎn)換文本的過程中，要確保錄音轉(zhuǎn)換質(zhì)量，注意檢查關(guān)鍵詞的拼寫及語(yǔ)法，檢查翻譯和術(shù)語(yǔ)的準(zhǔn)確性，以及句子的連貫性，確保文本盡量形象地表達(dá)出錄音內(nèi)容，讓讀者能夠準(zhǔn)確理解錄音的主題，可以在每段文字之后留出一點(diǎn)時(shí)間來(lái)檢查其質(zhì)量。知識(shí)鏈接1234（一）通過硬件輸入聲音信號(hào)（二）對(duì)輸入的音頻進(jìn)行信號(hào)處理，即進(jìn)行幀（毫秒級(jí)）拆分（三）形成音素（四）將音素組成字詞并串連成句一、語(yǔ)音識(shí)別的原理知識(shí)鏈接二、語(yǔ)音識(shí)別技術(shù)（一）端點(diǎn)檢測(cè)（二）特征提?。ㄋ模┱Z(yǔ)音識(shí)別開源平臺(tái)和開放平臺(tái)（三）聲學(xué)模型01040302語(yǔ)音合成03任務(wù)實(shí)施參考官網(wǎng)技術(shù)文檔中的“接口說(shuō)明”，調(diào)用synthesis方法將text轉(zhuǎn)換成音頻并以MP3文件保存到本地。3與“語(yǔ)音轉(zhuǎn)文字任務(wù)”一樣，導(dǎo)入AipSpeech，再利用百度應(yīng)用賬號(hào)創(chuàng)建一個(gè)client對(duì)象。14.利用playsound播報(bào)MP3音頻文件。4定義變量text，用來(lái)存儲(chǔ)從鍵盤輸入的文本內(nèi)容，也就是我們需要轉(zhuǎn)換為語(yǔ)音的文本內(nèi)容。2知識(shí)鏈接一、語(yǔ)音語(yǔ)音包括三大關(guān)鍵部分——語(yǔ)音信息、語(yǔ)音音色和語(yǔ)音韻律。語(yǔ)音信息是指說(shuō)話的內(nèi)容，就是要轉(zhuǎn)換成語(yǔ)言的文本信息的內(nèi)容。語(yǔ)音音色是指說(shuō)話者聲音的特色、個(gè)性，俗話說(shuō)的“未見其人先聞其聲”就說(shuō)明了音色的重要性。對(duì)于語(yǔ)音合成來(lái)說(shuō)，音色的選擇與內(nèi)容要匹配，比如，播報(bào)新聞聯(lián)播的聲音用動(dòng)漫里面的“娃娃音”就不合適。語(yǔ)音韻律就是說(shuō)話的方式，即說(shuō)話時(shí)聲音的高低、快慢等。知識(shí)鏈接二、語(yǔ)音合成技術(shù)原理語(yǔ)音合成技術(shù)中的聲學(xué)系統(tǒng)合成從最初只能合成元音和單音到現(xiàn)在已經(jīng)與真人發(fā)聲無(wú)異的效果，科學(xué)家們經(jīng)過了長(zhǎng)期的努力。根據(jù)技術(shù)實(shí)現(xiàn)方式大致可以將語(yǔ)言合成技術(shù)分為以下六個(gè)階段。1.機(jī)械模擬階段2.電子合成器階段3.共振峰合成器階段4.單元挑選拼接合成階段5.基于HMM參數(shù)合成階段6.基于深度學(xué)習(xí)的語(yǔ)音合成階段（二）聲學(xué)系統(tǒng)部分1.文本結(jié)構(gòu)與語(yǔ)種判斷當(dāng)需要合成的文本輸入后，先要判斷是什么語(yǔ)種，再根據(jù)對(duì)應(yīng)語(yǔ)種的語(yǔ)法規(guī)則，把整段文字切分為單個(gè)的句子。2.文本標(biāo)準(zhǔn)化在輸入需要合成的文本中，若有阿拉伯?dāng)?shù)字或字母，則需要將其轉(zhuǎn)化為文字。3.文本轉(zhuǎn)音素在漢語(yǔ)的語(yǔ)音合成中，基本上是以拼音對(duì)文字標(biāo)注的。4.句讀韻律預(yù)測(cè)人類在語(yǔ)言表達(dá)的時(shí)候總是附帶著語(yǔ)氣與感情，TTS合成的音頻是為了模仿真實(shí)的人聲，所以需要對(duì)文本進(jìn)行韻律預(yù)測(cè)。（一）語(yǔ)言分析部分知識(shí)鏈接三、語(yǔ)音合成技術(shù)API服務(wù)現(xiàn)在我國(guó)各大AI企業(yè)都有對(duì)應(yīng)的免費(fèi)開放的API為開發(fā)者提供應(yīng)用服務(wù)，例如，百度2018年6月份就發(fā)布了百度語(yǔ)音識(shí)別無(wú)限量使用。表3-1列舉了我國(guó)提供語(yǔ)音合成技術(shù)API的部分企業(yè)和其語(yǔ)音合成的技術(shù)優(yōu)勢(shì)。知識(shí)鏈接四、語(yǔ)音合成的應(yīng)用（二）智能服務(wù)類智能服務(wù)類產(chǎn)品包括智能語(yǔ)音機(jī)器人、智能音響應(yīng)用等。智能語(yǔ)音機(jī)器人產(chǎn)品遍布各行各業(yè)。（三）特殊領(lǐng)域一些特殊領(lǐng)域也非常需要語(yǔ)音合成。比如，對(duì)于視障人士來(lái)講，以往只能依賴雙手來(lái)獲取信息。（一）App應(yīng)用類語(yǔ)音合成技術(shù)在銀行、醫(yī)院的信息播報(bào)系統(tǒng)，汽車導(dǎo)航系統(tǒng)及自動(dòng)應(yīng)答呼叫中心等都有廣泛應(yīng)用。聊天機(jī)器人04任務(wù)實(shí)施1.導(dǎo)入requests、json、time和random依賴庫(kù)。3.定義一個(gè)函數(shù)xiaoxin，調(diào)用YungeAPI，發(fā)送text然后獲得回復(fù)。2.利用random函數(shù)和time方法創(chuàng)建一個(gè)隨機(jī)字符串，用來(lái)區(qū)分每一次對(duì)話的對(duì)象。4.調(diào)用xiaoxin函數(shù)，創(chuàng)建閑聊機(jī)器人，為了不間斷聊天，我們循環(huán)輸入問題并調(diào)用xiaoxin函數(shù)。知識(shí)鏈接一、神經(jīng)網(wǎng)絡(luò)（一）神經(jīng)元結(jié)構(gòu)1943年，心理學(xué)家WarrenMcCulloch和數(shù)學(xué)家WalterPits發(fā)明了神經(jīng)元模型，非常類似人類的神經(jīng)元，x1到xm模擬樹突的輸入，不同的權(quán)重參數(shù)衡量不同的輸入對(duì)輸出的影響，通過加權(quán)求和、增加偏置值的方式傳輸出來(lái)，再通過激活函數(shù)，得到輸出，傳遞下去。（二）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)是由多個(gè)神經(jīng)元組成的網(wǎng)絡(luò)，如圖3-53所示。以手寫數(shù)字識(shí)別的項(xiàng)目為例，它們由像素組成，每個(gè)像素的值作為輸入層的x1到xn，輸入層的信號(hào)傳給不同深度、數(shù)量的神經(jīng)元，并進(jìn)行加權(quán)計(jì)算，神經(jīng)元再把信號(hào)傳給下一級(jí)，最后輸出一個(gè)結(jié)果y，代表是0～9中的某個(gè)數(shù)字。二、聊天機(jī)器人（三）Disney——用虛構(gòu)人物解決犯罪問題迪士尼使用聊天機(jī)器人來(lái)扮演動(dòng)畫電影中的角色，邀請(qǐng)電影的粉絲一起解決電影中的犯罪問題。（四）聯(lián)合國(guó)兒童基金會(huì)——幫助邊緣化社區(qū)這款機(jī)器人專注于通過民意調(diào)查收集大規(guī)模數(shù)據(jù)，定期發(fā)布針對(duì)一系列緊急社會(huì)問題的民意調(diào)查，用戶（即“U-Reporters”）可以回復(fù)他們的意見。（一）Endurance——阿爾茨海默病患者的伴侶俄羅斯科技公司Endurance開發(fā)了伴侶聊天機(jī)器人，通過機(jī)器人采集聊天記錄，醫(yī)生和家人可以通過患者與機(jī)器人的聊天記錄來(lái)判斷患者識(shí)別記憶功能的潛在退化和患者病情惡化的交流障礙。（二）Casper——幫助失眠者度過漫漫長(zhǎng)夜Casper是一個(gè)旨在讓失眠者與其他人交談的網(wǎng)絡(luò)聊天機(jī)器人，可驅(qū)散失眠者的孤獨(dú)，陪伴其度過漫漫長(zhǎng)夜。三、聊天機(jī)器人API01（一）圖靈機(jī)器人API圖靈機(jī)器人具有智能對(duì)話、知識(shí)庫(kù)、技能服務(wù)三種核心功能，它能準(zhǔn)確地對(duì)中文語(yǔ)義進(jìn)行理解，人們可以借助圖靈機(jī)器人的API接口，根據(jù)自己的需要?jiǎng)?chuàng)建聊天機(jī)器人、客服機(jī)器人、領(lǐng)域?qū)υ拞柎饳C(jī)器人、兒童陪伴機(jī)器人等在線服務(wù)。02（二）青云客API青云客提供了聊天機(jī)器人的調(diào)用接口，并提供了API文檔，目前不需要注冊(cè)，完全免費(fèi)。03（三）騰訊閑聊機(jī)器人API騰訊閑聊機(jī)器人基于AILab領(lǐng)先的NLP引擎能力、數(shù)據(jù)運(yùn)算能力和千億級(jí)互聯(lián)網(wǎng)語(yǔ)料數(shù)據(jù)的支持，同時(shí)集成了廣泛的知識(shí)問答能力，可實(shí)現(xiàn)上百種自定義屬性配置，以及男、女不同的語(yǔ)言風(fēng)格及說(shuō)話方式，從而讓聊天變得更睿智、簡(jiǎn)單和有趣。小貼士聊天機(jī)器人背后的風(fēng)險(xiǎn)（一）數(shù)據(jù)安全風(fēng)險(xiǎn)以ChatGPT用戶數(shù)據(jù)泄漏事故為例，在使用AI產(chǎn)品的過程中，相關(guān)個(gè)人、金融、商業(yè)隱私等的敏感信息數(shù)據(jù)存儲(chǔ)于各個(gè)AIGC公司的數(shù)據(jù)庫(kù)中，一旦泄露容易對(duì)用戶的個(gè)人隱私安全造成威脅。（二）虛假、違法信息傳播風(fēng)險(xiǎn)AI產(chǎn)品的開發(fā)和改進(jìn)需要一個(gè)包含公眾反饋的迭代過程，而當(dāng)下市場(chǎng)上的產(chǎn)品架構(gòu)遠(yuǎn)遠(yuǎn)未到成熟階段，不可避免地存在漏洞。一旦被攻擊者利用，加入偽裝數(shù)據(jù)或者惡意樣本，會(huì)讓模型產(chǎn)生不正確或誤導(dǎo)性的結(jié)果，甚至可能生成虛假信息、誘騙信息等不良信息，破壞網(wǎng)絡(luò)輿論生態(tài)。（三）知識(shí)產(chǎn)權(quán)/著作權(quán)侵權(quán)風(fēng)險(xiǎn)AI產(chǎn)品，尤其是聊天機(jī)器人的答案生成需要依托于海量的文本數(shù)據(jù)，通過對(duì)數(shù)據(jù)集進(jìn)行監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)從而優(yōu)化輸出的內(nèi)容。（四）深度偽造風(fēng)險(xiǎn)AI產(chǎn)品還存在著被用于制作虛假的文本、音頻、視頻等深度偽造的內(nèi)容的風(fēng)險(xiǎn)。例如AI換臉、語(yǔ)音模擬、人臉合成、視頻生成等深度偽造技術(shù)應(yīng)用場(chǎng)景。校園智能客服05（二）分詞處理——jieba庫(kù)中文自然語(yǔ)言分詞處理中最簡(jiǎn)單實(shí)用的就是jieba分詞處理，也稱為jieba庫(kù)，是完全“MadeinChina”的一個(gè)分詞處理技術(shù)。（一）建立問答庫(kù)FAQ（FrequentlyAskedQuestions）指常見問題的解答，具體形式是問題和與問題相關(guān)的答案組成的問答對(duì)（QApair）。（三）分詞過濾——停用詞在信息檢索中，為節(jié)省存儲(chǔ)空間和提高搜索效率，在處理自然語(yǔ)言數(shù)據(jù)（或文本）之前或之后會(huì)自動(dòng)過濾掉某些字或詞，這些字或詞即被稱為停用詞（StopWords）。一、構(gòu)建語(yǔ)料庫(kù)二、語(yǔ)料庫(kù)訓(xùn)練基于信息檢索是實(shí)現(xiàn)智能問答系統(tǒng)的經(jīng)典方法，詞頻—逆向文檔頻度（TermFrequency-InverseDocumentFrequency，TF-IDF）就是其中常用的信息檢索算法。TF-IDF算法是一種針對(duì)關(guān)鍵詞的統(tǒng)計(jì)分析方法，用來(lái)評(píng)估一個(gè)詞對(duì)一個(gè)文件集或者一個(gè)語(yǔ)料庫(kù)的重要程度。TF-IDF算法認(rèn)為，一個(gè)詞的重要程度跟它在文章中出現(xiàn)的次數(shù)成正比，但跟它在語(yǔ)料庫(kù)中出現(xiàn)的次數(shù)成反比。TF-IDF實(shí)際包含兩層含義：一層是TF（TermFrequency），表示“詞頻”；另一層是IDF（InverseDocumentFrequency），表示“逆向文檔頻率”。三、句子相似度計(jì)算句子相似度是指兩個(gè)句子之間相似的程度，在自然語(yǔ)言處理中有很大的用處。譬如，在對(duì)話系統(tǒng)、文本分類、信息檢索、語(yǔ)義分析等應(yīng)用場(chǎng)景中，它可以提供更快的檢索信息方式，并且得到的信息更加準(zhǔn)確。若要快速為輸入的問題找到對(duì)應(yīng)的回答，就需要計(jì)算輸入的句子與語(yǔ)料庫(kù)中句子的相似度，找出相似度最高的幾個(gè)句子從而為解答做準(zhǔn)備。這里我們利用詞袋模型來(lái)實(shí)現(xiàn)。詞袋模型（Bag-of-WordsModel）是在自然語(yǔ)言處理和信息檢索（IR）下被簡(jiǎn)化的表達(dá)模型，在此模型下可以像用一個(gè)袋子裝著組成句子的詞一樣的方式來(lái)表現(xiàn)句子，這種表現(xiàn)方式不考慮文法以及詞的順序。四、輸入問題獲取答案在完成以上三個(gè)步驟后，我們就可以輸入問題，計(jì)算句子的相似度，從而從語(yǔ)料庫(kù)中搜索到最匹配的回答，參考代碼如圖3-67所示，這里找出了相似度值排名前三的回答，最終輸出相似度最高（即排名第一）的回答。知識(shí)鏈接一、機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)是一個(gè)多學(xué)科交叉領(lǐng)域，涵蓋計(jì)算機(jī)科學(xué)、概率論知識(shí)、統(tǒng)計(jì)學(xué)知識(shí)、近似理論知識(shí)。目前有以下幾種定義。（1）機(jī)器學(xué)習(xí)是一門人工智能的科學(xué)，該領(lǐng)域的主要研究對(duì)象是人工智能，特別是如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的性能。（2）機(jī)器學(xué)習(xí)是對(duì)能通過經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法的研究。（3）機(jī)器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗(yàn)，以此優(yōu)化計(jì)算機(jī)系統(tǒng)的性能。（一）機(jī)器學(xué)習(xí)的定義1.有監(jiān)督學(xué)習(xí)有監(jiān)督學(xué)習(xí)是從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是輸入和輸出，也可以說(shuō)是特征和目標(biāo)，訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。2.無(wú)監(jiān)督學(xué)習(xí)與有監(jiān)督學(xué)習(xí)相比，無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練集是沒有人為標(biāo)注的。無(wú)監(jiān)督機(jī)器學(xué)習(xí)的應(yīng)用模式主要包括聚類算法和關(guān)聯(lián)規(guī)則抽取。（二）機(jī)器學(xué)習(xí)算法的分類0102知識(shí)鏈接二、自然語(yǔ)言處理（一）自然語(yǔ)言處理的概念指用計(jì)算機(jī)對(duì)自然語(yǔ)言的形、音、義等信息進(jìn)行處理，即對(duì)字、詞、句、篇章的輸入、輸出、識(shí)別、分析、理解、生成等的操作和加工。（二）自然語(yǔ)言處理的一般流程在自然語(yǔ)言處理時(shí)，通常有獲取語(yǔ)料、語(yǔ)料預(yù)處理、特征工程、特征選擇、模型選擇、模型訓(xùn)練、模型評(píng)估7個(gè)步驟。也有部分學(xué)者弱化模型選擇和模型評(píng)估這兩個(gè)步驟。（三）自然語(yǔ)言處理的常用技術(shù)1.語(yǔ)言處理基礎(chǔ)技術(shù)2.語(yǔ)言處理應(yīng)用技術(shù)3.理解與交互技術(shù)4.文本審核技術(shù)5.智能寫作技術(shù)知識(shí)鏈接三、搜索技術(shù)搜索技術(shù)滲透于各種人工智能系統(tǒng)中，在專家系統(tǒng)、自然語(yǔ)言處理、自動(dòng)程序設(shè)計(jì)、模式識(shí)別、機(jī)器人學(xué)、信息檢索和博弈等領(lǐng)域均有廣泛的應(yīng)用。搜索是大多數(shù)人生活的一部分。幾乎每個(gè)人都有找不到鑰匙而檢查口袋、翻箱倒柜的經(jīng)歷，而更多的時(shí)候，搜索可能是在大腦中直接進(jìn)行的，人的思維過程就可以看作一個(gè)搜索過程。你可能突然想不起一個(gè)英文單詞的拼寫，忘掉了身邊同事的名字，唱不出曾經(jīng)爛熟于心的歌詞，這個(gè)時(shí)候就需要你在大腦中進(jìn)行搜索，通常很快就能得出答案。但是計(jì)算機(jī)處理搜索和人的思維過程不完全相同。計(jì)算機(jī)能夠更加深刻地體現(xiàn)出符號(hào)主義的思想。以大家熟悉的走迷宮為例。假設(shè)我們面前有一幅迷宮圖，如圖3-75所示，通常我們會(huì)用一支筆或直接用手指點(diǎn)在圖上向出口的方向移動(dòng)。感謝觀看

人工智能應(yīng)用導(dǎo)論

項(xiàng)目四

人臉識(shí)別技術(shù)應(yīng)用——機(jī)器也認(rèn)識(shí)你目錄CONTNETS人臉檢測(cè)照片智能搜索人臉特征提取1234人臉識(shí)別5口罩檢測(cè)賦能衛(wèi)生防護(hù)知識(shí)目標(biāo)1.了解人臉識(shí)別的基本流程。2.了解計(jì)算機(jī)視覺庫(kù)基本知識(shí)。3.知道卷積神經(jīng)網(wǎng)絡(luò)及其原理。技能目標(biāo)1.會(huì)用Dlib庫(kù)進(jìn)行人臉檢測(cè)。2.能利用已訓(xùn)練的模型face_net進(jìn)行人臉識(shí)別。3.能調(diào)用人臉識(shí)別模型進(jìn)行人臉特征提取并存儲(chǔ)。素養(yǎng)目標(biāo)1.培養(yǎng)學(xué)生技術(shù)服務(wù)人類的意識(shí)。2.樹立正確的肖像保護(hù)意識(shí)，關(guān)愛五官有殘缺的弱勢(shì)群體。3.培養(yǎng)學(xué)生保護(hù)隱私、合理文明使用視頻的意識(shí)。人臉檢測(cè)01任務(wù)實(shí)施1231.獲取實(shí)時(shí)的視頻流在實(shí)施本任務(wù)前，需要具備一個(gè)攝像頭，并且已經(jīng)配置好OpenCV的環(huán)境（可以使用pip3installopencv-python下載）。2.在視頻流中使用Haar分類器進(jìn)行人臉檢測(cè)在開始本任務(wù)之前，我們可以通過以下方式得到已經(jīng)訓(xùn)練好的人臉檢測(cè)模型haarcascade_frontalface_default.xml。3.保存人臉ROI區(qū)域在機(jī)器視覺、圖像處理中，在被處理的圖像中以方框、圓、橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域，這個(gè)區(qū)域被稱為感興趣區(qū)域ROI。知識(shí)鏈接一、計(jì)算機(jī)視覺庫(kù)——OpenCV23145（五）OpenCV中的繪圖函數(shù)OpenCV繪圖函數(shù)主要有cv2.line()、cv2.circle()、cv2.rectangle()等，分別用來(lái)繪制直線、圓形、矩形、橢圓，以及添加文字。（四）利用OpenCV保存圖像使用函數(shù)cv2.imwrite()來(lái)保存一個(gè)圖像。保存時(shí)首先需要一個(gè)文件名，之后才是要保存的圖像，如cv2.imwrite（'lena2.png'，img）。（二）利用OpenCV讀入圖像使用函數(shù)cv2.imread（filepath，flags）讀入圖像。filepath是指圖像在此程序的工作路徑或者完整路徑，flags是讀取該圖像的方式。（三）利用OpenCV顯示圖像讀入圖像后使用函數(shù)cv2.imshow()可以顯示圖像。在顯示圖像時(shí)，窗口會(huì)自動(dòng)調(diào)整為圖像大小。（一）安裝OpenCV進(jìn)入命令提示符窗口，輸入pipinstallopencv-python（這里請(qǐng)注意，我們安裝的是opencv-python，而不是opencv）。知識(shí)鏈接二、使用Haar分類器進(jìn)行人臉檢測(cè)的原理Haar特征是用于物體檢測(cè)的矩形的數(shù)字圖像特征。這類矩形特征模板由兩個(gè)或多個(gè)全等的黑白矩形相鄰組合而成（一）Haar特征對(duì)于一幅灰度的圖像，積分圖像中的任意一點(diǎn)（x，y）的值是指從該圖像的左上角到這個(gè)點(diǎn)所構(gòu)成的矩形區(qū)域內(nèi)所有的點(diǎn)的灰度值之和。（二）積分圖Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（即弱分類器），通過對(duì)這些弱分類器進(jìn)行加權(quán)和獲得最終分類器（即強(qiáng)分類器）。通過積分圖像我們獲得了大量的人臉特征，要從中選出最好的特征就要使用Adaboost分類器。（三）Adaboost分類器案例分析衛(wèi)浴門店自動(dòng)抓取人臉信息：2021年央視“3·15”晚會(huì)點(diǎn)名某衛(wèi)浴門店收集人臉數(shù)據(jù)的問題。該衛(wèi)浴門店在全國(guó)上千家門店，每個(gè)門店安裝有人臉識(shí)別功能的攝像頭，消費(fèi)者只要走進(jìn)門店，在不知情的情況下，就會(huì)被攝像頭抓取并自動(dòng)生成編號(hào)，標(biāo)注顧客第幾次到店、男女、年齡等信息。所涉收集人臉數(shù)據(jù)，能通過人臉識(shí)別信息解決精準(zhǔn)營(yíng)銷，抓取的人臉數(shù)據(jù)信息累計(jì)上億。安防公司泄露人臉信息：2019年2月，深圳某“AI+安防”公司人臉識(shí)別數(shù)據(jù)庫(kù)缺乏保護(hù)，導(dǎo)致大規(guī)模的數(shù)據(jù)泄露。該數(shù)據(jù)庫(kù)包含了超過256萬(wàn)用戶的信息，包括身份證號(hào)碼、地址、出生日期、識(shí)別其身份的位置。分析：人臉是重要的隱私信息，利用各種技術(shù)和手段，在未經(jīng)同意允許或批準(zhǔn)的前提下，通過公開或非法手段，收集、保存、盜取正常的人臉數(shù)據(jù)，一旦信息出現(xiàn)泄露，不僅被不法分子進(jìn)行用于詐騙，更可能被反復(fù)販賣牟利。人臉特征提取023.獲得人臉特征向量在main函數(shù)中調(diào)用這兩個(gè)函數(shù)，即可獲得人臉特征向量。4.搭建人臉特征庫(kù)搭建人臉特征庫(kù)最簡(jiǎn)單的方法是直接保存人臉圖片，但是這種方法有兩個(gè)缺點(diǎn)：①在進(jìn)行網(wǎng)絡(luò)傳輸時(shí)開銷較大；②在終端進(jìn)行加載時(shí)速度較慢（因?yàn)樾枰匦抡业饺四槪@取特征）。1.獲得人臉ROI區(qū)域這里可以將人臉檢測(cè)任務(wù)的實(shí)現(xiàn)過程通過get_face_roi()函數(shù)封裝起來(lái)，方便后面直接調(diào)用。2.獲取人臉特征接下來(lái)，我們定義一個(gè)函數(shù)get_face_features()，用來(lái)獲取人臉特征。任務(wù)實(shí)施知識(shí)鏈接一、人臉特征和人臉特征提取方法人臉特征提取是指通過一些數(shù)字來(lái)表征人臉信息。常見的人臉特征分為幾何特征和表征特征兩類。幾何特征是指眼睛、鼻子和嘴等面部器官之間的幾何關(guān)系，如距離、面積和角度等。各器官之間歐氏距離、角度及其大小和外形被量化成一系列參數(shù)，用來(lái)衡量人臉特征，所以對(duì)眼、鼻、嘴等器官的定位工作就十分重要。在用于人臉特征提取的算法中，為了減少計(jì)算量，只利用了一些直觀的特征。而在實(shí)際應(yīng)用中，需要用到的幾何特征點(diǎn)不能精確選擇，從而限制了它的應(yīng)用范圍。另外，當(dāng)出現(xiàn)光照變化、人臉有外物遮擋或發(fā)生面部表情變化等情況時(shí)，幾何特征變化較大，魯