?文字稿：

?●?第四章 走進人工智能

●?第一節(jié) 體驗計算機視覺應用

●?計算機視覺

●?是一門研究如何使機器“看清”和“看懂”的學科

●?指用圖像采集設備和計算機代替人眼完成對目標的識別、跟蹤和測量等工作

●?人臉識別

●?是基于人的臉部特征信息進行身份識別的一種生物識別技術

●?有時也被稱為人像識別、面部識別，也是計算機視覺重要的研究方向 之一

●?廣義

●?包括構建人臉識別系統(tǒng)的一系列相關技術

●?舉例

●?人臉圖像采集

●?人臉檢測（含定位）

●?身份確認

●?身份查找

●?狹義

●?特指通過人臉進行身份確認或者身份查找的技術或系統(tǒng)

●?時間軸

●?20世紀50年代

●?開展相關研究

●?20世紀60年代

●?進入工程化應用

●?幾何特征法

●?1991年

●?“特征臉”方法

●?進入21世紀

●?人工智能技術發(fā)展

●?關注是否能成功識別

●?各種面部圖像采集條件

●?不同光照

●?不同傳感器

●?是否進行壓縮

●?被拍攝者各種主觀條件

●?面部不同姿態(tài)

●?不同表情

●?是否有遮擋

●?2014年前后

●?大數(shù)據(jù)和深度學習發(fā)展

●?神經(jīng)網(wǎng)絡技術

●?圖像分類

●?手寫體識別

●?語音識別

●?使用Pillow庫實現(xiàn)人臉標記

●?書上版本

●?#導入Pillow庫

●?from PIL import Image,ImageDraw

●?#打開圖像

●?im=Image.open(imageName)

●?#生成一個可以用于畫圖的對象

●?draw=ImageDraw.Draw(im)

●?#使用人工智能平臺返回的人臉坐標信息，在圖像中人臉的位置畫一個紅色的矩形框

●?#用left、top、width、height分別表示人臉框左上角的橫、縱坐標以及人臉框的寬度、高度

●?draw.rectangle((left,top,left+width,top+height),outline=(255,0,0))

●?#將圖像展示出來

●?im.show()

●?課上版本

●?輸入信息（導入圖像）->處理信息（人臉定位）[對接平臺/導入平臺]

●?#調(diào)用AIP接口

●?option={'max face.num':10}

●?(表示可識別人臉的最大值）

●?#調(diào)用接口，獲得參數(shù)

●?imagePic=client.detect(image,imageType,options)

●?#賦值給left、top、width、height變量

●?eg.left=imageDic['result'][0]['location']['left']

●?圖像預處理

●?#用imageName變量存儲要識別的圖片地址

●?ImageName=’……/pic/test2.jpeg‘

●?#打開圖像

●?f=open(imageName,'rb')

●?（'rb'表示二進制）

●?#導入base64庫，將圖片轉(zhuǎn)碼為base64格式

●?import base64

●?#定義圖像類型

●?image Type='BASE64'

●?#對圖像進行base64編碼

●?base64_data=base64.b64.encode(f.read())

●?#對原圖像進行base64編碼，得到所處理圖像

●?image=base64_data.decode()

●?輸出信息（繪制人臉區(qū)域）

●?#使用人工智能平臺返回的人臉坐標信息，在圖像中人臉的位置畫一個紅色的矩形框

●?#用left、top、width、height分別表示人臉框左上角的橫、縱坐標以及人臉框的寬度、高度

●?draw.polygon([(left,top),(left+width,top),(left+width,height+top),(left,height+top)],outline=(255,0,0))

●?人臉檢測與人臉識別

●?人臉檢測

●?要檢測出圖像中人臉的所在位置

●?解決問題：（掃描、判定、找臉）

●?人臉識別

●?要找出人臉圖像所對應的身份

●?解決問題：（是誰）

●?第二節(jié) 人工智能的發(fā)展歷程

●?人工智能

●?定義：

●?人工智能是指由人創(chuàng)造出來的，具有感知、認知、決策、學習、執(zhí)行和社會協(xié)作能力，符合人類情感、倫理與道德觀念的虛擬的或人工的系統(tǒng)

●?表現(xiàn)形式

●?會看

●?（圖像識別、文字識別、車牌識別……）

●?會聽

●?（語音識別、說話人識別、機器翻譯……）

●?會說

●?（語音合成、人機對話）

●?會行動

●?（機器人、自動駕駛汽車、無人機）

●?會思考

●?（人機對弈、定理證明、醫(yī)療診斷）

●?會學習

●?（機器學習、知識表示）

●?一、專家系統(tǒng)

●?專家系統(tǒng)最杰出的代表之一就是1997年戰(zhàn)勝了國際象棋世界冠軍的神藍計算機

●?專家系統(tǒng)是早期人工智能的一個重要分支，它可以看作是一類具有專門知識和經(jīng)驗的計算機智能程序系統(tǒng)

●?醫(yī)療是專家系統(tǒng)的典型應用領域之一

●?二、機器學習

●?機器學習是人工智能的研究領域之一

●?本質(zhì)

●?是基于互聯(lián)網(wǎng)的海量數(shù)據(jù)以及計算機系統(tǒng)強大的運算能力，讓機器自主模擬人類學習的過程，通過不斷“學習”數(shù)據(jù)來做出智能決策行為

●?主要目的

●?設計和分析一些讓計算機可以自動“學習”的算法，使計算機從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對位置數(shù)據(jù)進行預測

●?1、監(jiān)督學習

●?回歸

●?根據(jù)離散數(shù)據(jù)生成擬合曲線，因此其預測結果是?連續(xù) 的

●?分類

●?將一些實例數(shù)據(jù)分到合適的類別中，它的預測結果是?離散 的

●?2、非監(jiān)督學習

●?表示機器學習的數(shù)據(jù)無標記，機器需從中探索并推斷出潛在的聯(lián)系

●?實例：判斷鳶尾花類型的方法

●?測試步驟：

●?①計算訓練集中每種鳶尾花的屬性平均值

●?②計算測試數(shù)據(jù)與屬性平均值之間歐氏距離的平方值，找到其中的最小值

●?③將最小值對應的訓練數(shù)據(jù)分類判定為測試數(shù)據(jù)的分類

●?④將機器判定的分類與測試集中的標記分類進行對比，計算正確率

●?關鍵步驟&核心代碼：

●?第一步：數(shù)據(jù)文件準備

●?將120條訓練數(shù)據(jù)和30條測試數(shù)據(jù)分別存入iris_training.csv（訓練集）和iris_testing（測試集）文件，兩個文件的第一行為每一列數(shù)據(jù)項對應的標題，依次為se_len（萼片長度）、se_wid（萼片寬度）、pe_len（花瓣長度）、pe_wid（花瓣寬度）和classification（實際分類）

●?第二步：初始化

●?導入Pandas庫，以實現(xiàn)對CSV文件的讀取

●?對程序中用到的常量和變量進行初始化賦值

●?代碼：

●?#將山鳶尾、變色鳶尾和維吉尼亞鳶尾的名稱使用列表iris_type進行存儲

●?iris_type=['Iris-setosa','Iris-versicolor','Iris-virginica']

●?#初始化三個列表，分別存儲三種鳶尾花每個屬性的總值和訓練樣本數(shù)量

●?setosa_sum=[0,0,0,0,0]

●?versicolor_sum=[0,0,0,0,0]

●?virginica_sum=[0,0,0,0,0]

●?#設置四個常量，分別代表三個列表的索引位所表示的含義

●?se_len=0

●?#列表第0位代表萼片長度

●?se_wid=1

●?#列表第1位代表萼片寬度

●?pe_len=2

●?#列表第2位代表花瓣長度

●?pe_wid=3

●?#列表第3位代表花瓣寬度

●?amount=4

●?#列表第4位代表鳶尾花訓練樣本的數(shù)量

●?第三步：訓練

●?通過Pandas庫讀入iris_training.csv文件中的訓練數(shù)據(jù)并循環(huán)逐條處理

●?對四個屬性分別進行累加求和

●?計算每種類型鳶尾花的訓練樣本數(shù)量

●?分別存儲在setosa_sum、versicolor_sum和virginica_sum三個列表中

●?代碼：

●?#通過Pandas庫的read_csv函數(shù)讀入訓練集數(shù)據(jù)文件'iris_training.csv'

●?trainData=pd.read_csv('iris_training.csv)

●?#循環(huán)處理訓練集CSV文件中的每一條訓練數(shù)據(jù)

●?#分別累加計算每種類型鳶尾花的四個屬性的總值以及訓練樣本數(shù)量

●?for index,row in trainData.iterrows():

●?if row.classification=='Iris-setosa':

●?setosa_sum[se_len]+=row.se_len

●?#萼片長度

●?setosa_sum[se_wid]+=row.se_wid

●?#萼片寬度

●?setosa_sum[pe_len]+=row.pe_len

●?#花瓣長度

●?setosa_sum[pe_wid]+=row.pe_wid

●?#花瓣寬度

●?setosa_sum[amount]+=1

●?#樣本數(shù)量

●?elif row.classification=='Iris-versicolor':

●?versicolor_sum[se_len]+=row.se_len

●?versicolor_sum[se_wid]+=row.se_wid

●?versicolor_sum[pe_len]+=row.pe_len

●?versicolor_sum[pe_wid]+=row.pe_wid

●?versicolor_sum[amount]+=1

●?elif row.classification=='Iris-virginica':

●?virginica_sum[se_len]+=row.se_len

●?virginica_sum[se_wid]+=row.se_wid

●?virginica_sum[pe_len]+=row.pe_len

●?virginica_sum[pe_wid]+=row.pe_wid

●?virginica_sum[amount]+=1

●?第四步：預測

●?通過Pandas庫讀入iris_testing.csv文件中的測試數(shù)據(jù)并循環(huán)逐條處理

●?對于每條測試數(shù)據(jù)：

●?分別計算其與三種鳶尾花屬性均值的歐式距離的平方值

●?并存儲在列表distance中

●?代碼：

●?#讀入測試集數(shù)據(jù)文件'iris_testing.csv'

●?TestData=pd.read_csv('iris_testing.csv')

●?#循環(huán)讀取測試集CSV文件中的每一條訓練數(shù)據(jù)并進行處理

●?for index,row in TestData.iterrows():

●?#分別計算輸入數(shù)據(jù)與三種鳶尾花屬性均值的歐式距離平均值

●?#存儲在列表distance中

●?distance=[]

●?distance.append

●?((row.se_len-setosa_sum[se_len]/setosa_sum[amount])**2\

●?+(row.se_wid-setosa_sum[se_wid]/setosa_sum[amount])**2\

●?+(row.pe_len-setosa_sum[pe_len]/setosa_sum[amount])**2\

●?+(row.pe_wid-setosa_sum[pe_wid]/setosa_sum[amount])**2)

●?distance.append

●?((row.se_len-versicolor_sum[se_len]/setosa_sum[amount])**2\

●?+(row.se_wid-versicolor_sum[se_wid]/setosa_sum[amount])**2\

●?+(row.pe_len-versicolor_sum[pe_len]/setosa_sum[amount])**2\

●?+(row.pe_wid-versicolor_sum[pe_wid]/setosa_sum[amount])**2)

●?distance.append

●?((row.se_len-virginica_sum[se_len]/setosa_sum[amount])**2\

●?+(row.se_wid-virginica_sum[se_wid]/setosa_sum[amount])**2\

●?+(row.pe_len-virginica_sum[pe_len]/setosa_sum[amount])**2\

●?+(row.pe_wid-virginica_sum[pe_wid]/setosa_sum[amount])**2)

●?#獲取最小的歐氏距離的平方值

●?min_distance=min(distance)

●?#獲取最小值的序號

●?idx=distance.index(min_distance)

●?#將iris_type列表中對應序號位置的分類信息作為預測分類結果

●?#打印當前樣本的實際分類和預測分類

●?print('實際分類：',row.classification,'；預測分類：',iris_type[idx])

●?第三節(jié) 人工智能的作用及影響

●?一、人工智能在不同領域發(fā)揮的作用

●?1、智能制造

●?2、智能農(nóng)業(yè)

●?3、智能物流

●?4、智能金融

●?5、智能家居

●?二、人工智能創(chuàng)新發(fā)展方向

●?1、智能語言平臺

●?2、醫(yī)療影像平臺

●?3、自動駕駛平臺

●?4、城市大腦平臺

●?三、人工智能對社會發(fā)展的影響

●?人工智能已經(jīng)開始逐漸與各領域緊密結合，滲透人們?nèi)粘Ｉ畹姆椒矫婷妫瑯O大地提高了人們的工作效率和服務水平

●?人工智能應用的目的是將人類從部分腦力勞動中解放出來

?使用軟件：幕布 & B站

（由于以上均為手打，難免會有疏忽，如有錯誤，還請在評論區(qū)中指出

如需思維導圖原圖或freemind文件，請務必私信獲取~

(??????)?? (′▽`???) (●'?'●) (☆▽☆) *★,°*:.☆(￣▽￣)/$:*.°★* 。 ）?

信息科技完結撒花~~~

*★,°*:.☆(￣▽￣)/$:*.°★* 。?