人工智能与深度学习概述.pdf下载

[weixin_39821746]

⼈⼯智能与深度学习概述 ⽬录 ⼀、 什么是⼈⼯智能？ ⼈⼯智能（Artificial Intelligence），英⽂缩写为AI。它是研究、开发⽤于模拟、延伸和扩展⼈的智能的理论、⽅法、技术及应⽤系统的⼀ 门新技术科学。 企图了解智能的实质，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，相关研究包括机器⼈、语⾔识别、图像识别、⾃ 然语⾔处理和专家系统等。 ⼈⼯智能是对⼈的意识、思维的信息过程的模拟。⼈⼯智能不是⼈的智能，但能像⼈那样思考、也可能超过⼈的智能。 ⼈⼯智能通俗⽽⾔就是使⼀部机器的反应⽅式像⼈⼀样进⾏感知、认知、决策、执⾏的⼈⼯程序或系统。 ⼆、 ⼈⼯智能、机器学习、深度学习的关系 机器学习：⼀种实现⼈⼯智能的⽅法。 深度学习(DL)：⼀种实现机器学习的技术，⼈⼯神经⽹络是机器学习中的⼀个重要的算法，"深度"就是说神经⽹络中众多的层。 也就是说三者之间是包含与被包含的关系： ⼀些熟知的深度学习领域的前驱公司如下图： 三、深度学习⼊门基础 、 深度学习优势 1.以图像识别为例，我们对于深度学习的理想⽬标是能够让计算机向⼈⼀样理解图像，⽽实际⽬标却是让计算机将语义概念相似的图像划分 为同⼀类别。 2.图像识别⾯临的挑战： 语义鸿沟(Semantic Gap)现象：the gap between low-level visual features and high-level concepts （图像的底层视觉特性和⾼层语义概念之间的鸿沟） 例如：相似的视觉特性(color, texture, shape，…) ,不同的语义概念 ⼜例如：不相似的视觉特性,相同的语义概念 3.传统⽅法是⽤全局的视觉底层特性统计量表⽰图像，但这样会导致全局特征丢掉了图像细节，导致错误匹配。⽽且传统⽅法需要⼈⼯提取 图像特征，⾮常费时费⼒。很⼤程度上靠经验和运⽓，⽽深度学习则解决了这⼀个问题，深度学习是学习特征。 、 深度学习的⼀般过程: 、深度学习的数学基础 数据表⽰——标量、向量、矩阵和张量 （1）向量的范数、常见的向量 （2）常见的矩阵、矩阵的操作 优化的基础——导数及其应⽤ （1）导数、泰勒公式 （2）拉格朗⽇乘数法 概率模型的基础——概率论 （1）概率分布、边缘概率、条件概率 （2）期望、⽅差和协⽅差 、深度学习框架 深度学习框架的优势： 易⽤性：屏蔽底层，⽤户只需关注模型结构。同时，深度学习⼯具简化了计算，降低了深度学习⼊门门槛。 ⾼效性：灵活的移植性，可将代码部署到CPU/GPU/移动端上。选择具有分布式性能的深度学习⼯具会使模型训练更⾼效。 , 相关下载链接：https://download.csdn.net/download/qq_43934844/87504826?utm_source=bbsseo