《人工智能》PPT课件 谢榕 武汉大学

 
课件内容： 
人工智能绪论 
主要内容：什么是人工智能、人类智能与人工智能、人工智能研究什么、人工智能发展简史、人工智能应用领域、人工智能发展趋势 
1.1 什么是人工智能? 
智能的定义、人工智能的定义（智能机器/学科/能力）、人工智能分类（弱人工智能/通用人工智能/超人工智能） 
1.2 人类智能与人工智能 
认知过程及其主要任务、人类智能的计算机模拟（冯·诺依曼体系结构计算机/神经网络计算机/量子计算机）、图灵测试、新图灵测试、ChatGPT 
1.3 人工智能研究什么？ 
人工智能的知识体系、人工智能的技术架构、人工智能的技术特征 
1.4 人工智能发展简史 
达特茅斯会议（Dartmouth）、中国人工智能发展历程和重要事件、人工智能主要学派（符号主义/联结主义/行为主义） 
1.5 人工智能应用领域 
人工智能传统应用、人工智能新型应用 
1.6 人工智能发展趋势 
趋势1：发展深度学习技术，构建深度学习芯片、趋势2：研发新的类脑学习算法和模型结构、趋势3：人机融合智能（马斯克脑机接口人体实验）、趋势4：人工生命、讨论：人工智能是否会超过人类智能？ 
1.7 本章小结 
知识表示与知识图谱 
主要内容：知识与知识表示、经典知识表示方法、知识图谱 
2.1 知识与知识表示 
什么是知识？、人工智能系统所关心的知识、什么是知识表示、知识表示方法分类 
2.2 经典知识表示方法 
状态空间法（什么是状态空间法？、状态空间法三要点、状态空间法对问题状态的描述、状态空间图、例：十五数码难题、例：猴子和香蕉问题）、问题归约法（什么是问题归约法？、问题归约表示、与或图的构成规则、与或图、例：梵塔难题）、谓词逻辑法（命题逻辑局限性、谓词逻辑、谓词演算、一阶谓词逻辑表示法、谓词逻辑表示法的应用、例：机器人行为规划问题）、语义网络法（语言/句子/语法/语义、什么是语义网络法？、语义网络的概念及结构、语义网络法的表示、语义网络特点、例：用语义网络表示事实）、经典知识表示方法小结 
2.3 知识图谱 
概述、知识图谱构建方法、知识图谱质量控制、知识图谱的应用、讨论：ChatGPT挑战知识图谱 
2.4 本章小结 
搜索求解 
主要内容：图搜索、随机搜索、博弈搜索 
3.1 概述 
如何求解现实世界中的问题？、搜索的定义、搜索求解常见算法 
3.2 图搜索 
图搜索策略（知识存储方式、关于图、数据结构（OPEN表、CLOSED表）、图搜索的基本思想、图搜索方法、主要搜索算法）、盲目搜索（宽度优先搜索、深度优先搜索、有限深度优先搜索、等代价搜索、例：八数码难题、例：城市交通问题）、启发式搜索（有序搜索算法、与/或树搜索算法AO*、A*算法、例：星际争霸寻路算法）、搜索算法性能分析 
3.3 随机搜索 
概述（什么是随机搜索？、典型随机搜索算法）、爬山算法（什么是爬山法？、爬山法的核心思想、爬山算法的基本步骤、爬山算法的局限性）、模拟退火算法（金属退火原理、模拟退火法的基本思想、模拟退火法的数学原理、模拟退火算法、模拟退火算法 vs. 爬山算法、模拟退火算法的应用） 
3.4 博弈搜索 
背景-人机大战、博弈与对策（博弈问题、对策问题、博弈搜索策略）、基本博弈搜索算法（极小极大搜索算法、alpha-beta剪枝算法、蒙特卡洛树搜索算法) 
3.5 本章小结 
机器学习 
主要内容：脑认知与人类学习机理、机器学习方法、机器学习算法 
4.1 脑认知与人类学习机理 
4.2 机器学习概述 
什么是机器学习？、机器学习研究的主要问题、机器学习系统（机器学习系统的定义、机器学习系统的工作原理、影响学习系统设计的重要因素、例：OPEN AI的捉迷藏游戏Hide & Seek）、机器学习的应用与研究（机器学习的应用、机器学习的发展史与趋势、机器学习的五大流派、机器学习的研究方向） 
4.3 机器学习方法 
机器学习的分类、机器学习的主要策略（机械学习、示例学习、解释学习、类比学习、归纳学习）、各种学习方法的比较 
4.4 机器学习算法 
概述（机器学习算法、与传统基于规则的方法区别、何时使用机器学习？、机器学习算法的理性认识、机器学习的任务类型）、机器学习分类（有监督学习、无监督学习、半监督学习、强化学习）、机器学习的基本流程、模型评估与选择、机器学习常见算法（线性回归、逻辑回归、决策树、支持向量机、K最邻近算法、朴素贝叶斯、集成学习、无监督学习） 
4.5 本章小结 
人工神经网络 
主要内容：生物学动因、神经网络基本原理、常见人工神经网络、构建人工神经网络的策略、人工神经网络的应用 
5.1 生物学动因 
生物神经元、生物神经系统、生物神经网络的特性、与人工神经网络的映射关系 
5.2 神经网络基本原理 
概述（什么是人工神经网络？、人工神经网络的发展历程、人工神经网络的特点、人工神经网络的学习能力）、人工神经元模型（什么是人工神经元？、人工神经元模型、激励函数、几种常见的人工神经元模型、其它神经元模型）、人工神经网络结构（什么是人工神经网络？、人工神经网络基本特性、人工神经网络的类型、人工神经网络的网络结构、人工神经网络的学习算法） 
5.3 常见人工神经网络 
感知器、反向传播神经网络、其它神经网络 
5.4 构建人工神经网络的策略 
5.5 人工神经网络的应用 
5.6 本章小结 
深度学习 
主要内容：深度学习常用模型、网络优化与正则化、深度学习开发框架 
6.1 概述 
概述（人工智能发展历程、人工智能的发展进入一个新的阶段、深度学习的起源、深度学习的技术发展、深度学习的技术爆发、深度学习的技术颠覆、小结：深度学习发展历史的四次浪潮）、什么是深度学习？（人类的“学习”、机器的“学习”、深度学习的定义、人工智能/机器学习/深度学习/强化学习/神经网络的关系、人工智能的三大学习：机器学习/深度学习/强化学习、深度学习有多“深”？）、深度学习工作原理（深度学习的基本思想、深度学习的训练过程）、深度学习应用领域（自动语音识别、计算机视觉、自然语言处理、计算机博弈、其它领域）、深度学习面临的主要挑战（大数据集需求、硬件需求、过拟合问题、超参数优化、黑箱问题） 
6.2 深度学习常用模型 
概述、卷积神经网络（什么是卷积神经网络（CNN）？、CNN的核心思想、CNN的工作原理、CNN的架构、卷积层/池化层/全连接层、几种典型的CNN（LeNet-5、AlexNet、Inception网络、残差网络））、循环神经网络（为什么需要循环神经网络？、什么是循环神经网络（RNN）？ 、RNN的核心思想、RNN架构、RNN的算法、RNN的主要问题、RNN的典型应用）、生成式对抗网络（什么是生成对抗网络（GANs）？、GANs的工作原理、GANs的训练过程、GANs的基本模型、GANs算法、GANs的改进、深度卷积生成对抗网络（DCGANs）、GANs的应用（向量空间运算、文本转图像、生成有趣的GANs图像））、注意力机制（为什么引入注意力机制？、什么是注意力机制？、Encoder-Decoder框架、Soft Attention模型、Self Attention模型）、Transformer模型（为什么Transformer模型重要？、Transformer模型的家谱、Transformer模型时间线、Transformer模型架构、Transformer模型关键组件）、大语言模型（LLM） 
6.3 网络优化与正则化 
概述（常见的神经网络、神经网络的表达能力、神经网络应用中的主要问题、网络优化与正则化方法）、网络优化（什么是网络优化？、为什么需要网络优化？、网络优化的难点、优化算法（批量大小选择、学习率调整、梯度估计修正）、逐层归一化（什么是逐层归一化？、为什么需要逐层归一化？、逐层归一化的主要方法（BatchNorm、LayerNorm、BatchNorm vs. LayerNorm））、网络正则化（什么是网络正则化？、为什么需要网络正则化？、网络正则化的主要方法（Dropout正则化、数据增强）） 
6.4 深度学习开发框架 
概述（什么是深度学习开发框架？、深度学习开发框架的作用、深度学习开发框架发展历程、深度学习开源开发框架）、几种常见开发框架（Google TensorFlow、Facebook Pytorch、百度飞桨PaddlePaddle、华为MindSpore、开发框架的对比）、深度学习开放数据集（MNIST手写体数字集、ImageNet数据集）、应用实例（TensorFlow手写体识别、MindSpore手写数字识别） 
6.5 本章小结 
强化学习 
主要内容：强化学习基本原理、强化学习算法、讨论、强化学习的应用 
7.1 概述 
人工智能/机器学习/深度学习/强化学习/人工神经网络之间的关系、机器学习的分类、监督学习/无监督学习/半监督学习的学习标注、为什么需要强化学习？ 
7.2 强化学习基本原理 
什么是强化学习？、强化学习的基本组成、例：吃豆人游戏（Pacman）、强化学习工作原理、强化学习设计需要考虑的问题、强化学习的训练过程（马尔可夫决策过程、目标函数、值函数、贝尔曼方程） 
7.3 强化学习算法 
主流强化学习算法（按环境建模分类）、Q-Learning算法（Q-Learning的基本组成、从训练中学习每个(state  action)对应Q-值、Q学习：一种异策略的时序差分学习算法） 
7.4 讨论 
讨论 I：如何改进强化学习算法、讨论 II：深度强化学习、讨论 III：Exploration-Exploitation问题 
7.5 强化学习的应用 
AlphaGo Zero 
7.6 本章小结 
推理技术 
主要内容：确定性推理、不确定性推理、模糊推理、其它推理 
8.1 知识推理技术概述 
8.2 确定性推理 
概述、消解原理、规则演绎系统、知识推理技术应用 
8.3 不确定性推理 
概述、概率推理、主观Bayes方法、可信度方法、证据理论 
8.4 模糊推理 
概述、模糊集合及其运算、模糊矩阵及其运算、模糊关系及其合成、模糊逻辑及其推理、模糊系统的研究范畴 
8.5 其它推理 
基于语义网络的推理、基于神经网络的推理、基于知识图谱的推理 
8.6 本章小结 
计算智能 
主要内容：免疫算法、遗传算法、群智能算法 
9.1 概述 
9.2 免疫算法 
人工智能中的仿生技术（什么是免疫？、生物免疫系统（定义、组成、主要功能、生物免疫机制）、免疫学基本理论（免疫学三大基本原理、免疫学基本概念和术语））、人工免疫系统（人工免疫系统与生物免疫系统的对应关系、什么是人工免疫系统？、人工免疫系统的基本思想、人工免疫系统的研究现状（研究内容与范围）、人工免疫算法（人工免疫算法的发展、人工免疫算法的基本原理、人工免疫算法的基本步骤、人工免疫算子设计、几种典型的人工免疫算法（阴性选择算法、免疫遗传算法、克隆选择算法、基于疫苗接种的免疫算法、人工免疫网络算法））、与其它计算智能方法的比较 
9.3 遗传算法 
概述（达尔文进化论）、遗传算法基本机理（遗传算法基本思想、遗传算法基本概念、遗传算法基本组成、适应度函数、、例：货郎担问题、遗传操作（选择/交叉/变异））、遗传算法求解步骤（简单遗传算法的求解步骤、遗传算法的特点、讨论：遗传算法需要解决的问题（群体如何设定？、算法如何终止？、如何确定适应度函数？）、遗传算法的改进算法）、遗传算法求解举例、遗传算法最新应用 
9.4 群智能算法 
群智能研究背景、生物群体运动模型、群智能基本算法（蚁群算法、粒子群算法） 
9.5 本章小结 
人工智能应用开发 
主要内容：人工智能应用开发方法、人工智能应用开发子流程、应用实例 
10.1 概述 
人工智能应用开发的目的、人工智能应用开发面临的挑战、人工智能应用开发方法（传统软件应用开发方法、人工智能应用开发全流程、人工智能应用开发与传统软件应用开发的对比） 
10.2 人工智能应用开发子流程 
数据准备、算法选择与开发、算力架构设计、模型训练、模型评估与调优、应用生成、评估和发布、应用维护 
10.3 应用实例 
10.4 本章小结