目录
一、人工智能是什么？可以做什么？
人工智能(Artificial Intelligence):
人工智能的技术发展路线：
产业发展驱动因素：数据、算力、算法
二、人工智能这个工具的使用原理入门
神经网络⭕数学基础
1.神经网络的生物表示
1.1 整理神经元的工作
2 神经网络的数学表示
3.神经网络必备的一些数学基础
3.1 Sigmoid 函数
3.2偏置
三、人工智能应用大类中【文本生成算法模型】的复现详解
【卷积模型】多篇sci、ei第一作者的Abner
【机器学习预测模型代码解析】多篇SCI、EI论文
四、🚄人工智能交叉应用领域分享
⭕1. 人工智能应用领域：安防
⭕人工智能应用领域：金融
⭕人工智能应用领域：医疗
⭕人工智能应用领域：交通
⭕人工智能应用领域：制造
⭕人工智能应用领域：零售
⭕人工智能应用领域：农业
⭕深度学习—神经网络
⭕深度学习—卷积神经网络
⭕深度学习—循环神经网络
⭕深度学习—图神经网络
⭕深度学习—长短期记忆神经网络
一、人工智能是什么？可以做什么？
人工智能(Artificial Intelligence):
👉主要是指在各类机器载体（手机、电脑、交通工具、机器人、机械设备等）上模拟并拥有类似生物/超越生物的智能（感知、学习、推理、交流等）。
👉人工智能初期属于计算机科学的分支，研究领域涉及计算机视觉、自然语言处理、机器学习、语音处理等，同时又与多个学科紧密相关，包括自动控制、电子技术、数学、心理学、语言学、哲学等。
人工智能的技术发展路线：
人工智能典型算法历经萌芽期、稳定爬升期和成熟期三个发展阶段
👉人工智能典型算法的发展阶段，将近年来出现GPT-3模型、ViT模型、BERT模型等划分至技术【萌芽阶段】
👉将具有一定技术沉淀但仍需持续迭代的卷积神经网络、长短期记忆神经网络、循环神经网络等划分至技术【稳定爬升阶段】
产业发展驱动因素：数据、算力、算法
✈数据层面：近年来全球数据规模持续增长，IDC预计到2025年全球数据量将达到175ZB
✈算法层面：伴随技术的不断发展，机器学习、计算机视觉、自然语言处理、语音处理、知识图谱等AI核心技术相关算法持续迭代优化。
✈算力层面：1971年芯片算力从0.06MIPS快速增长15.8TOPS以上
问题1：大家觉得驱动人工智能发展的因素【还有】哪些呢？
产业发展驱动因素：人工智能产业政策
具体而言，美国加拿大人工智能研发方面的投资👉欧盟致力于推进新的人工智能立法提案👉英国打造世界人工智能创新中心👉日本则强化人工智能应用，加快数字化转型👉韩国加强人工智能战略引领，助力本国经济复苏👉新加坡为人工智能研究追加投资，推进政府的数字化转型⭕中国则更加注重推动人工智能与传统产业融合。
产业发展驱动因素：人工智能人才规模
问题2：这些人都在哪些地方卷呢？卷的高地又在哪里？
一些科学家和哲学家认为，人工智能有可能最终演化成一种与人类共生的智能形态，它们将与人类合作，共同解决人类面临的各种问题。那么在这种共生关系中，人工智能将不再是人类的附属品或工具，而是成为与人类平等的合作伙伴，它们将在很多方面为人类提供帮助，如提供医疗保健、教育、交通等服务，同时也尊重人类的权利和尊严。
当然，也有一些人持有不同的观点，他们认为人工智能的发展可能会导致一些负面的影响，如失业、隐私泄露、道德和伦理问题等；因此，需要谨慎对待人工智能的发展，加强对其的监管和管理，以确保其安全和可控。
总之，人工智能的最终演变结果取决于我们如何定义和发展它，如果我们能够正确地引导和管理人工智能的发展，它就有可能成为一种与人类共生的智能形态，为人类带来更加美好的未来。
二、人工智能这个工具的使用原理入门
神经网络⭕数学基础
神经网络学习的数学基础学习
神经网络的生物表示
神经网络的数学表示
神经网络必备的数学基础
⭕在人工智能领域，神经网络（Neural Network，NN）是近年来的热门话题，也是大家觉得神秘莫测的一部分，今天我将带着大家去了解一下神经网络是什么，以及数学是怎样参与其中的。为了帮助大家直观地理解，类比或多或少有些粗糙，不当之处还请见谅。
💡本节知识参考了很多文献，其中最主要的就是涌井良幸的《深度学习的数学》。
1.神经网络的生物表示
看过以往的科幻电影、动画片就知道，人工智能是人们很早就有的想法。那么，早期研究的人工智能和用神经网络实现的人工智能有哪些不同呢？
💡答案就是用神经网络实现的人工智能能够自己学习过去的数据。以往的人工智能需要人们事先将各种各样的知识教给机器，这在工业机器人等方面取得了很大成功。
1.1 整理神经元的工作
问题：神经元细胞为什么要进行判断，为什么信号要超过一定值才会进行反应？
对于生命来说，神经元忽略微小的输入信号，这是十分重要的。⚠反之，如果神经元对于任何微小的信号都变得兴奋，神经系统就将“情绪不稳定”。
转换成人工神经网络就是计算值≥阈值就输出
💪让我们整理一下已经考察过的神经元点火的结构：
(i) 来自其他多个神经元的信号之和成为神经元的输入。
(ii) 如果这个信号之和超过神经元固有的阈值，则点火。
(iii) 神经元的输出信号可以用数字信号 0 和 1 来表示。即使有多个输出端，其值也是同一个。
这就是基础神经元的信号处理过程，也是目前科学家对于我们如何去思考给出的一些答案。
2 神经网络的数学表示
首先，我们用数学式表示输入信号。由于输入信号是来自相邻神经元的输出信号，所以根据 (iii)，输入信号也可以用“有”“无”两种信息表示。因此，用变量x表示输入信号时，如下所示。
根据 (iii)，输出信号可以用表示点火与否的“有”“无”两种信息来表示。因此，用变量 y 表示输出信号时，如上图所示。☝
从 (i) 和 (ii) 可知，神经元点火与否是根据来自其他神经元的输入信号的和来判定的，但这个求和的方式应该不是简单的求和。💡例如在网球比赛中，对于来自视觉神经的信号和来自听觉神经的信号，大脑是通过改变权重来处理的。💡因此，神经元的输入信号应该是考虑了权重的信号之和。用数学语言来表示的话。
💡例如，来自相邻神经元 1、2、3 的输入信号分别为x1、x2、x3，则神经元的输入信号之和可以如下表示（我们给个代号表达式（1））。
w就是表示大家的权重
根据 (ii)，神经元在信号之和超过阈值时点火，不超过阈值时不点火。于是，利用式 (1)，点火条件可以如下表示。👇
加权的x，即输入信号之和【小于】阈值，y就是0，【大于】阈值y就是1。
为了在数学上更好的表达，我们这里引进一个【单位跃迁函数】💡
而这个函数也就是我们经常听到的【激活函数】刚刚的也就是激活函数的整个推导过程👊
3.神经网络必备的一些数学基础
3.1 Sigmoid 函数
先来看看它的图形，Sigmoid 函数 的输出值是大于 0 小于 1 的任意值。此外，该函数连续、光滑，也就是说可导。这两种性质使得Sigmoid 函数很容易处理。
3.2偏置
我们将激活函数中的-θ换成+b ，因为我们常见的一次函数是不是就是y=ax+b？为了更好去处理和理解它，我们可以将激活函数处理成了这样，这也是深度学习中常见、用的激活函数💡
总结！！！
结构可以如下图所示:
将这样的神经单元连接为网络状，就形成了神经网络。
三、人工智能应用大类中【文本生成算法模型】的复现详解
【卷积模型】多篇sci、ei第一作者的Abner
- 原理：图像卷积的意义和作用
- 应用：卷积在实际应用中的操作
- 实战：卷积算法模型的经典代码复现
【卷积核心】录播+源码+课件链接：https://pan.baidu.com/s/1SOYYqlt9z_Ck50ar18BUMQ?pwd=6666
【机器学习预测模型代码解析】多篇SCI、EI论文
- ChatGPT的宏观分析与人工智能行业分析
- 模型分类与机器学习的【底层原理】
- 新冠感染预测模型设计的【代码解析】
- 机器学习模型的【超详细总结】
【预测模型】源码+录播+课件链接：https://pan.baidu.com/s/1IsSlixickoEY8kfgsFJB2g?pwd=6666
四、🚄人工智能交叉应用领域分享
⭕深度学习算法
💡神经网络
💡卷积神经网络
💡循环神经网络
💡图神经网络
💡长短期记忆神经网络
💡自编码器
💡生成对抗网络
⭕人工智能应用总览：人工智能作为驱动全球产业数字化转型的核心技术，被广泛应用在金融、安防、制造、交通、医疗、教育、零售等多个领域。👉按照IT基础设施、技术渗透率和全球市场规模三大维度对人工智能技术的底层基础以及应用成熟度进行分析。
综合来看，人工智能在 【金融】、【安防】和【零售】领域技术融合程度高，【医疗】、【制造】领域未来发展空间较大。
伴随技术的快速发展，未来人工智能在多个领域也会呈现 技术渗透程度不断加深的趋势。💡
⭕1. 人工智能应用领域：安防
👉伴随人工智能、5G通信、物联网等新兴技术的快速发展，安防产业正从传统的视频监控向智能安防方向转变，并逐步渗透到千行百业。
👉从产业构成来看，AI+安防产业涵盖前端感知层（智能摄像机、传感设备等）、网络层（5G传输网络等）、后端服务平台层（智能计算设备、存储设备等），其中AI相关算法（人脸识别、机器学习等）主要涉及前端摄像机等感知设备以及后端智能服务器相关领域。
🌟未来，拥有AI芯片和算法的智能摄像机将得到广泛应用，从原有的后端决策转移到前端/边缘端决策，减少后端数据处理压力，降低网络带宽时延，进一步提升安防场景决策的时效性和准确性，由此带动全球智能安防产业规模不断扩大。
⭕人工智能应用领域：金融
人工智能技术成为继互联网技术之后变革金融行业的全新力量，👉以其在机器学习、语音处理、图像识别、文字提取等方面的强大能力，逐渐渗透金融业务全价值链，从而不断拓展金融服务的广度和深度，大幅提高金融行业的经营效率。
👉具体来看，人工智能与金融行业的融合体现在产品创新、精准营销、智慧运营、风险控制等方面，在智能投研、智能投顾、智能客服、智能营销、智能运营、智能合规、💡智能理赔、智能身份识别、智能风控等细分领域全面赋能金融业创新发展。
⭕人工智能应用领域：医疗
人工智能技术在医疗影像、药物研发等细分领域实现广泛应用，应用程度逐步加深💡
当前，机器学习、深度学习、计算机视觉、自然语言处理等AI技术在医疗多个领域实现应用。
【医疗影像方面】👉利用计算机视觉、深度学习技术实现了心血管、肺结节、眼底等多种疾病影像筛查
【 在健康管理方面】👉借助可穿戴设备等多样化手段，AI为人们身体健康提供精细化指导。
未来，伴随技术的持续进步，人工智能将会在医疗领域发挥更大价值，持续提升人类的健康水平和幸福指数。
其中图像分割更是医学图像处理中的核心技术之一，在临床诊断、治疗和手术导航等方面具有重要的应用价值；此外，多模态医学影像融合也是目前研究的热点之一。
⭕人工智能应用领域：交通
人工智能技术在交通领域的应用主要涵盖智能车辆以及智能交通管理平台等领域。
👉典型的智能驾驶系统主要由环境感知、决策规划和控制执行三部分构成，其中决策规划主要被AI算法和AI芯片所主导，结合环境感知所获取的数据信息，实现车辆轨迹预测和行驶路线规划。
智能交通管理平台的核心为数字管理平台，👉其包含地图、数据、AI算法、控制、视觉、计算六大能力，为城市交通、交通枢纽、高速运输等各场景赋能。此外，感知设备、边缘计算等路侧、边缘侧基础设施也为智慧交通的实现提供持续动力。
⭕人工智能应用领域：制造
全球新冠疫情的蔓延导致供应链断裂、劳动力短缺等问题出现，一定程度上制约了全球制造企业的正常运营👉人工智能在制造业中的应用能够有效抵御相关风险，推动制造业走向【数字化、智能化】的道路。
🌟借助AI技术，制造业在对海量工业数据的深度集成和分析的基础上，实现柔性化、自动化和网络化生产，大幅提高制造业生产效率。
⭕人工智能应用领域：零售
人工智能促进零售企业降本增效、提升消费者购物体验。💡计算机视觉、自然语言处理等AI技术在零售场景中的落地应用，为零售行业的参与主体、不同业务环节赋能，进而实现对零售行业的整体升级和改造。
💪未来，以大型零售企业为主导的人工智能技术中台（通用化AI智能服务综合设施）建设将成为“人工智能+零售”的主流技术趋势。此外，人工智能技术也将逐渐覆盖零售的全产业链条和线上线下多零售业态。
⭕人工智能应用领域：农业
人工智能驱动农业向精准化、智慧化方向发展
人工智能技术和可提供实时数据的物联网传感器可以提高作物产量，降低粮食生产成本。👉目前，人工智能与农业领域的结合已经逐步体现在播种、施肥、除草、灌溉、病虫害防治等农业生产的多个环节。
🚀未来，随着人工智能技术与农业场景的深度融合，人工智能赋能农业将逐步由作业管理走向农业预测，农业生产的集约化、精准化、智慧化程度将进一步提高。
⭕深度学习—神经网络
神经网络：具有适应性简单单元组成的广泛并行互联网络，
💡神经网络（Neural Network）：由数千甚至数百万个紧密互连的简单处理节点组成，其主要包括输入层（输入数据）、中间层/隐藏层（学习复杂决策边界）和输出层（输出结果）。
神经网络可以用于回归，但主要应用于分类问题。💡如上图所示：输入层表示输入图像（64维向量），中间层使用Sigmoid等非线性函数对于输入层数据进行计算，输出层使用非线性函数对于中间层数据进行计算。
💡神经网络通过采取设置中间层的方式，利用单一算法学习各种决策边界，调节中间层数量以及层的深度，神经网络可学习更复杂的边界特征，而得出更加准确的结果。
⭕深度学习—卷积神经网络
卷积神经网络：以【图像识别】核心的深度学习算法
💡卷积神经网络（Convolutional Neural Network,CNN）：由数千甚至数百万个紧密互连的简单处理节点组成，其主要包括输入层、卷积层、池化层、全连接层和输出层，适合处理图片、视频等类型数据。
1980年，日本科学家福岛邦彦提出一个包含卷积层、池化层的神经网络结构。👉在此基础上，Yann Lecun将BP算法应用到该神经网络结构的训练上，形成当代卷积神经网络的雏形
💡卷积层：图片输入转化成RGB对应的数字，然后通过卷积核做卷积，目的是提取输入中的主要特征，卷积层中使用同一卷积核对每个输入样本进行【卷积操作】
💡池化层：作用在于减小卷积层产生的特征图尺寸（压缩特征映射图尺寸有助于降低后续网络处理的负载）
💡全连接层：计算激活值然后通过激活函数计算各单元输出值（激活函数包括Sigmoid、tanh、ReLU等）
💡输出层：使用似然函数计算各类别似然概率。
⭕深度学习—循环神经网络
循环神经网络：用于处理序列数据的神经网络
💡循环神经网络（Recurrent Neural Network,RNN）：是一类以序列数据（指相互依赖的数据流，比如时间序列数据、信息性的字符串、对话等）为输入，在序列的演进方向进行递归且所有节点（循环单元）按链式连接的神经网络。⚠目前，语言建模和文本生成、机器翻译、语音识别、生成图像描述、视频标记是RNN应用最多的领域。
⭕深度学习—图神经网络
图神经网络：用于处理图结构数据的神经网络
💡图神经网络（Graph Neural Networks，GNN）：将图数据和神经网络进行结合，在图数据上面进行端对端的计算，具备端对端学习、擅长推理、可解释性强的特点。
图神经网络发展出多个分支，主要包括💡图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络等。
图神经网络的训练框架如下：👉首先，每个节点获取其相邻节点的所有特征信息，将聚合函数（如求和或取平均）应用于这些信息。 聚合函数的选择必须不受节点顺序和排列的影响。👉之后，将前一步得到的向量传入一个神经网络层（通常是乘以某个矩阵），然后使用非线性激活函数（如ReLU）来获得新的向量表示。
⚠目前，图神经网络在许多领域的实际应用中都展现出强大的表达能力和预测能力，如物理仿真、科学研究、生物医药、金融风控等。
⭕深度学习—长短期记忆神经网络
💡长短期记忆神经网络（Long Short-Term Memory,LSTM）：LSTM是一种特殊的循环神经网络（RNN）。传统RNN在训练中，随着训练时间的加长和层数的增多，很容易出现梯度爆炸或梯度消失问题，导致无法处理长序列数据，LSTM可有效解决传统RNN“长期依赖”问题。
⚠LSTM应用领域主要包括文本生成、机器翻译、语音识别、生成图像描述和视频标记等。
⭕深度学习—自编码器
自编码器：通过期望输出等同于输入样本的过程，实现对输入样本抽象特征学习。
典型深度无监督学习模型包括自编码器、受限波尔兹曼机与生成对抗网络。💡自编码器（Autoencoder,AE）：包括编码器和解码器两部分，其中编码器将高维输入样本映射到低维抽象表示，实现样本压缩与降维；解码器将抽象表示转换为期望输出，实现输入样本的复现。👉自码器的输入与期望输出均为无标签样本，隐藏层输出则作为样本的抽象特征表示。
自编码器仅通过最小化输入样本与重构样本之间的误差来获取输入样本的抽象特征表示，无法保证自编码器提取到样本的本质特征。💡为避免上述问题，需要对自编码器添加约束或修改网络结构，进而产生稀疏自编码器、去噪自编码器、收缩自编码器等改进算法。
⚠自编码器凭借其优异的特征提取能力，主要应用于目标识别、文本分类、图像重建等诸多领域。
⭕深度学习—生成对抗网络
生成对抗网络：通过对抗训练机制使得生成器生成以假乱真的样本
💡生成对抗网络（Generative Adversarial Network,GAN）：通过使用对抗训练机制对两个神经网络进行训练，避免反复应用马尔可夫链学习机制带来的配分函数计算，明显提高应用效率。
💡生成对抗网络包含一组相互对抗模型—判别器和生成器，判别器目的是正确区分真实数据和生成数据，使得判别准确率最大化，生成器是尽可能逼近真实数据的潜在分布。👉生成器类似于造假钞的人，其制造出以假乱真的假钞，判别器类似于警察，尽可能鉴别出假钞，最终造假钞的人和警察双方在博弈中不断提升各自能力。
