1. 人类工业文明的演变

• 机械化时代：18世纪末，瓦特发明蒸汽机，工业设备开始发展。

• 电气化时代：19世纪末，爱迪生发明电灯，电力得到广泛应用。

• 信息化时代：20世纪50年代中期，电子信息技术和自动化技术兴起。

• 人工智能时代：21世纪，智能系统逐渐普及。

2. 人工智能概述

人工智能是通过人工方法在机器上实现的智能，旨在模拟、延伸和扩展人类智能，是一门技术科学。

3. 生活方式的转变

• 智能语音闹钟、灯光控制系统、自动驾驶、人脸识别考勤等技术改变了人们的生活方式。

• 智能购物、智慧医疗、智慧试衣等应用也日益普及。

4. 日常生活中的机器学习

• 人脸支付、商品推荐、智能物流、仓储机器人等都是机器学习在日常生活中的应用。

• 短视频推荐、搜索排序、新闻推荐、智能助手、图像编辑等也离不开机器学习技术。

• 机器学习还可用于指纹、人脸识别解锁，以及判断天气、西瓜的好坏等。

5. 机器学习的关键组件

• 数据：数据集由样本组成，样本由特征组成。更多且正确的数据有助于训练出更强大的模型。

• 模型：调整参数后的程序称为模型，深度学习模型由神经网络交织而成。

• 目标函数：用于量化模型的有效性，通过优化目标函数来提高模型性能，如平方误差损失函数、交叉熵损失函数等。

• 优化算法：用于搜索最佳参数以最小化损失函数，梯度下降是深度学习中常用的优化算法。

6. 常见的人工智能学习任务类型

• 多标签任务：单个样本可包含多个标签，如场景中的目标检测，同时识别“驴”、“狗”等多种对象。

• 序列问题：强调输入数据的先后顺序至关重要，例如语音识别、文本理解和视频剪辑。

• 无监督学习：训练过程中没有人为设定的标签，常用方法如聚类与分析和因果推断。

• 与环境互动：模型需要持续地与外部环境进行交互，获取信息并采取行动，这与强化学习密切相关。

• 强化学习：模型通过与环境不断交互，在一系列时间步骤中进行观察、决策、执行动作并最终获得奖励，以此来优化策略，是创建智能体的基础。

7. 深度学习的发展历程

• 早期萌芽：1940年代提出人工神经网络模型，旨在模拟人脑。

• 兴起与衰落：20世纪60到80年代，认知与知识系统（专家系统）为代表。

• 深度学习复兴：1985-1995年，人工神经网络重新受到重视，效果显著。

• 深度学习全面爆发：2005年至今，随着互联网、大数据、便宜的GPU及传感器的普及，深度学习进入快速发展时期，开启了AI的新时代。

8. 成功案例与里程碑网络模型

• 关键成就与突破：

  • 2012年：谷歌大脑团队利用深度神经网络，在观看YouTube视频后识别猫。

  • 2015年：VGGNet的出现，在深度上证明了模型性能与层数正相关，之后出现ResNet。

  • 2016年：AlphaGo战胜人类围棋冠军，标志着机器在复杂决策上达到新高度。

  • 2017年：CAPN（胶囊网络）提出了新的网络架构；OpenAI GPT系列模型在生成对话和文章方面表现出色。

  • 2018年后：图像生成、文字到图像或草图到图像的生成技术日趋成熟。

• 代表性网络模型：

  • ResNet：解决了深层网络的梯度消失问题，通过残差连接让网络变得任意大，保证了性能持续提升。

  • YOLO：一次遍历图像即可完成目标检测，速度快，实现实时检测。

  • Transformer：由Vaswani等人于2017年提出，成为现代NLP和视觉领域的核心架构。

9. 大学生代表介绍

华志斌：来自智源、小冰AI团队，以虚拟人身份参加，热爱文学与艺术，会作曲、写诗、作画，并分享原创作品。

10. PyTorch 现状介绍

• PyTorch：由Facebook AI研究小组开发的深度学习库，其Python实现版本受学术界和工业界的广泛欢迎。

• 技术特点：相比TensorFlow，PyTorch的API设计更简洁、优雅且易于理解，因此本次课程的学习方向确定为使用PyTorch。

11.总结：

这节课介绍了人类工业文明从机械化、电气化到信息化、人工智能时代的演变。人工智能通过模拟人类智能，改变了生活方式，如智能语音、自动驾驶等。机器学习的关键组件包括数据、模型、目标函数和优化算法。常见的学习任务有监督学习、无监督学习、强化学习等。深度学习从早期萌芽到全面爆发，取得了诸多成功案例，如图像识别、自然语言处理等。PPT还介绍了PyTorch等深度学习框架，以及人工智能在日常生活中的广泛应用。