图像识别技术与应用课后总结

1. 人类工业文明的演变

第一次工业革命（机械化时代）

时间:18世纪末至19世纪中期

瓦特发明蒸汽机，工业设备开始发展，城市化进程加快，社会结构发生巨大变化

第二次工业革命（电气化时代）

时间:19世纪末至20世纪初

爱迪生发明电灯，社会生活方式发生深刻改变（如电器的普及）

第三次工业革命（信息化时代）

时间:20世纪中期至21世纪初

计算机和信息技术的发展推动了工业自动化和信息化

自动化技术（工业机器人、数控机床）

知识经济崛起，信息成为重要资源

第四次工业革命（智能化时代）

时间:21世纪初至今

人工智能、物联网、大数据、云计算等技术的融合推动了智能化生产

2. 人工智能

用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能

 

人工智能学科：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

3. 图像识别广泛应用于医疗影像分析、自动驾驶、安防监控、人脸识别、工业检测等领域

4.日常生活中机器学习

语音识别系统:小爱 、siri等

采集一个包含大量有频的数据集，并对包含和不包含晚醒词的样本进行标注；设计一个灵活的程序算法，其输出由许多参数决定，然后使用数据集来确定当下的“最佳参数集”，这些参数通过某种性能度量方式来达到完成任务的最佳性能。

参数，参数可以被看作旋钮，旋钮的转动可以调整程序的行为。

任一调整参数后的程序被称为模型，通过操作参数而生成的所有不同程序的集合称为“模型族”。

使用数据集来选择参数的元程序被称为学习算法。

训练过程:

 

1.从一个随机初始化参数的模型开始，这个模型基本没有“智能”；

2.获取一些数据样本（例如，音频片段以及对应的是或否标签)

3.调整参数，使模型在这些样本中表现得更好：

4.重复第(2)步和第(3)步，直到模型在任务中的表现令人满意。

5. 机器学习中的关键组件

无论什么类型的机器学习问题，都会遇到这些组件：

1.可以用来学习的数据(data)；

2.如何转换数据的模型(model)；

3.一个目标函数 (objective function)，用来量化模型的有效性；

4.调整模型参数以优化目标函数的算法(algorithm)

数据

每个数据集由一个个样本组成，大多时候，它们遵循独立同分布。样本有时也叫做数据点或者数据实例，通常每个样本由一组称为特征(features，或协变量(covariates))的属性组成。

 当处理图像数据时，每一张单独的照片

即为一个样本，它的特征由每个像素数

值的有序列表示。

 拥有越多数据的时候，工作就越容易。更多的数据可以被用来训练出更强大的模型，从而减少对预先设想假设的依赖。仅仅拥有海量的数据是不够的，还需要正确的数据。

 模型

任一调整参数后的程序被称为模型。

这些模型由神经网络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

目标函数

“学习”，是指自主提高模型完成某些任务的效能。

什么才算真正的提高呢?在机器学习中，我们需要定义模型的优劣程度的度量

，这个度量在大多数情况是“可优化”的，这被称之为目标函数。

目标函数

定义一个目标函数，并优化它到最小值一一损失函数。

预测数值任务——平方误差：预测值与实际值之差的平方。

预测分类任务一—最小化错误率：预测与实际情况不符的样本比例。

损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最小化总损失来学习模型参数的最佳值。

 优化算法

当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最小化损失函数。深度学习中，大多流行的优化算法通常基于一种基本方法—一梯度下降(gradientdescent） 在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。

6.课后总结

图像识别技术是人工智能领域的重要分支，随着深度学习的快速发展，其应用场景不断扩展。掌握图像处理、机器学习、深度学习等基础知识，是深入理解和应用图像识别技术的关键。未来，随着技术的进步，图像识别将在更多领域发挥重要作用。