高中人工智能新课标知识点梳理

高中人工智能新课标知识点梳理，高中人工智能， 新课标， 普通高中， 人工智能。

人工智能基础

• 1.新时代开启
  • 机器学习
    • 定义
      • 通过机器模拟人类认知能力
    • 如何学习
      • 从数据中
        • 监督学习
        • 无监督学习
      • 从行为中
        • 强化学习
  • AI运用
    • 医疗/安全/制造/自动驾驶
  • AI历史
    • 第一次浪潮(1956-1974)
      • 1964~1966 第一个自然语言对话程序 ELIZA
    • 第二次浪潮(1980-1987)
      • 专家系统
        • 解决具体领域问题
      • 子主题
      • 子主题
      • 子主题
    • 第三次浪潮(2011-)
      • 模型和算法发展
        • 统计学习
        • 支持向量机
        • 概率图模型
    • 横空出世
      • 1950年: :图灵测试
      • 1951: 闵斯基 第一个神经网络机器 SNARC
      • 1955年:搜素推理
• 2.察异辨花
  • 2.1分类
    • 图像、视频，文字，声音
  • 2.2 提取特征
    • 特征向量
      • 向量
        • 多个数字排成一组
    • 特征点和特征空间
      • 特征点：表示的点
      • 特征空间：特征点组成
  • 2.3分类器
    • 特征向量到预测类别的函数
    • 训练分类器
      • 训练
        • 算法：感知器
          • 优化：调整参数使得损失函数最小
          • 损失函数：度量分类器输出错误程度的数学化
        • 算法：支持向量机
          • 特征空间上分类间隔最大分类器
  • 2.4
    • 应用
      • 评判好坏
    • 测试
      • 实际使用
  • 2.5多类别分类
    • 归一化指数函数
      • 一个向量压缩到另外一个向量中，使每个元素在0，1之间，并且元素和为1
  • 2.62分类实际运用
    • 人脸预测/癌症预测
• 3.图像识别
  • 3.1基于手工特征的图像分类
    • 计算机辨识图像
      • 矩阵（matrix）：
      • 像素（pixel）：小格子
        • 分辨率：格子行数*列数
    • 图像特征
      • 人类：快速分辨
      • 机器：卷积运算
        • 边缘特征提取
          • 例：方向梯度直方图
            • 3.直方图拼接
            • 2.根据特征统计
            • 1.提取特征
  • 3.2基于神经网络的图像分类
    • 特征设计到特征学习
    • 深度神经网络结构
      • 多个顺序连接层
        • 卷积层
          • 1.第一层卷积层：图像输入
          • 2.第二层卷积层~：前一层的特征图输入
          • 特征图转换为特征向量
        • 全连接层
          • 对特征向量变换
        • 归一化指数层
          • 分类网络的最后一层
        • 非线性激活层
          • 卷积层和全连接层的变换效果保留
        • 池化层
          • 减少计算和参数数量
        • 人工神经网络与生物神经网络
          • 算法：反向传播
            • 1.链式传播
            • 2.随机梯度下降
  • 3.3深度神经网络的发展与挑战
    • 深度的“深“
      • 2010年 ALEX net：5卷积层
      • 2016年：polynet：10卷积层
    • 深度的“难“
      • 过犹不及
        • 过拟合
          • 训练集OK， 迎合数据 在新数据上表现不好
        • 欠拟合
          • 能力有限 表现不好
      • 梯度消失
        • 批处理化
        • 跨层连接
  • 3.4图像分类实际运用
    • 3.4.1 人脸识别
• 4.声音区分
  • 4.1听声
    • 人耳：接受频率范围：85~1100HZ
      • 强度：分贝
    • 声音数字化
      • 采样/量化/编码
    • 声音
      • 1.语音
      • 2.音乐
        • 有节奏
    • 理解声音
      • 响度
      • 音调
        • 频谱
      • 音色
        • 听觉效果不同
      • 共振峰
        • 频谱上相对集中的区域
  • 4.2音乐风格分类
    • 计算机“耳中”的风格
      • 特征提取
        • 特征
          • 分类
            • 风格分类
    • 梅尔频率倒谱系数
      • 维数低
      • 刻画不同频率的能量高低
• 9.围棋高手
  • 9.1 AlphaGo走棋网络
    • 监督学习策略网络
      • KGS平台获得数据
    • 强化学习
      • 反馈是评估性
      • 主体和环境之间的交互
      • 找到最佳策略 获得最大回报
    • 强化学习策略网络
  • 9.2 AlphaGo 大局观
    • 估值网络
      • 局面价值判断
    • 快速走子网络
  • 整合到蒙特卡洛搜索
    • 通过随机推演
  • 9.3 Alpha元
    • 策略迭代
      • 不断交替策略评估和和策略改进
    • 自我对弈
• 8.创作图画
  • 8.1数据空间和数据分布
    • 数据空间
      • 数据所在空间
    • 数据分布
      • 数据在空间的分布状况
    • 生成对抗网络
      • 生成网络
        • 随机生成观测数据
      • 判别网络
        • 分辨数据真假
    • 潜在空间
      • 简单分布掌握复杂分布的空间
  • 8.2生成网络
    • 随机点变化为数据集相似的图片
  • 8.3判别网咯
    • 输入不同图片提高判断能力
  • 8.4生成对抗网络
    • 生成网络和判别网络互相训练
• 7.理解文本
  • 7.1任务特点
    • 潜在语义分析
      • 语料库：海量文本数据
        • 文档：独立的文本
          • 主题：文档的主要内容
  • 7.2文本特征
    • 词袋模型
    • 中文分词
    • 停止词与低频词
    • 词频率
      • tf
      • 词语在文本中出现的次数与所有词语总数的商
    • 逆文档频率
      • idf
      • 文档频率的负对数
  • 7.3发掘文本中潜在主题
    • 主题模型
      • 核心：文档词频=主题比重*主题词频
      • 矩阵乘法运算
    • 潜在语义分析
  • 7.4基于文本的搜索与推荐
    • 问题
      • 近义词
      • 一词多义
• 6.分门别类
  • 6.1 首次接触事物
    • 监督学习
      • 需要训练数据的标注信息
    • 无监督学习
      • 没有标注信息
  • 6.2 K均值聚类
    • 聚类
      • 数据在特征空间的聚集情况分成不同的组
    • 算法
      • 随机选取K个样本
      • 每个样本划分给最近的聚类中心对应的类别，得到新划分方法
      • 重新计算每类样本聚类中心
  • 6.3实际运用-人群分类
    • 人脸检测
      • 人脸转正
        • 特征提取
          • 人脸聚类
  • 6.4层次聚类和生物聚类
    • 每个样本单独成1列
    • 重复合并最相似2个类
• 5.识别视频
  • 5.1图像到视频
    • 视觉暂留
      • 光照射到视网膜上 可以保留一段时间让人产生画面延续印象
    • 视频
      • 数百张照片连续拍摄
  • 5.2视频行为识别
    • 难点
      • 同一类别行为差异大
      • 行为定义不明确
      • 环境背景差异大
    • 行为识别特征
      • 运动
    • 光流
      • 计算运动的要素
      • 计算：2帧之间的相同点对应
      • 定义
        • 图像中所有像素点构成的一种二维(2D)瞬时速度
      • 假设
        • 相邻2帧运动小
        • 相邻2帧颜色基本不变
  • 5.3基于深度学习的视频行为
    • 单帧识别
      • 差异大的行为
        • 看电视/写资料
    • 视频
      • 识别：像素分量
        • 水平
        • 垂直
      • 时间长：时序分段网络
        • 时间短：双流卷积神经网络
          • 静态
            • 空间流卷积神经
          • 动态
            • 时间流卷积神经