- 博客(310)
- 收藏
- 关注
RSS订阅
原创 人工智能通识 + 快速入门 + 书籍
《人工智能通识教材》是一本面向大众的AI入门指南，全书分为四部分：第一部分通过生活场景案例介绍AI技术基础（云计算/大数据/物联网）和行业应用；第二部分解析AI核心原理（规则系统/机器学习/深度学习）和大模型技术；第三部分重点讲解生成式AI的实践应用（文本/图像/视频生成及智能体构建）；第四部分探讨AI安全与伦理问题。本书采用项目式教学，包含任务情景、知识讲解、实践训练等模块，兼顾理论性与实用性，适合AI初学者、高校师生及专业人士阅读。由人民邮电出版社出版，预计2025年8月上市。
2025-09-04 14:09:41
1089
原创 人工智能训练师认证教程（6）AI“教练”的指南
本文系统介绍了人工智能训练师培训讲义的设计思路与核心内容。讲义采用金字塔结构，从原理到实践分为六个模块：导论、数据工程、模型训练、大模型应用、项目管理和综合实践。强调40%理论+60%实操的教学模式，通过贯穿全程的实战项目培养学员独立完成AI任务的能力。特别注重用类比和可视化讲解复杂概念，提供丰富案例和检查清单。示例展示了如何设计数据标注规范课程，通过正反案例对比和即时演练确保教学效果。讲义旨在培养兼具技术能力与伦理意识的AI训练师，激发学员对行业责任的认知。
2025-12-25 10:33:59
387
原创 人工智能训练师认证教程（5）使用MONAI进行医学影像分析的完整指南
本文介绍了使用MONAI框架进行医学影像分析的全流程。首先详细说明了环境搭建步骤，包括PyTorch和MONAI的安装配置。然后以肺部CT 3D分割为例，分步骤讲解了数据准备与预处理、3D UNet模型构建、训练配置（DiceLoss损失函数、Adam优化器等）以及训练验证循环的实现。文章还包含推理可视化方法和模型导出为ONNX格式的部署方案，并强调了医学影像分析中的数据格式适配、强度归一化、显存优化等关键注意事项。最后指出MONAI的医学专用组件可大幅简化开发流程，建议后续可探索SwinUNETR等进阶方
2025-12-20 10:31:18
768
原创 人工智能训练师认证教程（4）OpenCV 快速实践
本文摘要：OpenCV是一个功能强大的计算机视觉库，本文提供了快速入门指南。内容包括环境安装、基础图像处理（读取/显示/转换/滤波）、实用功能（人脸检测/视频处理/特征检测）、实战项目（实时边缘检测）以及进阶技巧（图像拼接/对象跟踪）。文章还提供了常用函数速查表、学习建议和常见问题解答，帮助开发者快速掌握OpenCV的核心功能。建议读者通过实践示例代码来加深理解，并参考官方文档进行深入学习。
2025-12-19 15:34:35
813
原创 人工智能训练师认证教程（3）Pandas数据世界的军刀
ts_data['24h_rolling_std'] = ts_data['value'].rolling(window=24).std() # 24小时滚动标准差。ts_data['7d_rolling_mean'] = ts_data['value'].rolling(window=7*24).mean() # 7天滚动平均。df['C_ffill'] = df['C'].ffill() # 前向填充。df['C_bfill'] = df['C'].bfill() # 后向填充。
2025-12-18 18:13:04
715
原创 人工智能训练师认证教程（2）Python os入门教程
本文介绍了Python中os模块的核心功能与应用技巧。主要内容包括：1) os模块基础操作，如路径拼接、目录遍历和文件信息获取；2) 实用文件处理技巧，包括批量处理、递归搜索和安全操作；3) 实际应用示例——数据文件分析器的实现；4) 最佳实践建议，如使用pathlib替代os.path、安全删除文件等；5) 常见问题解决方案，如跨平台路径、文件编码和大文件处理。文章强调使用with语句、路径标准化和文件存在性检查等稳健编码实践，帮助开发者高效处理文件系统操作。
2025-12-17 19:32:04
919
原创 人工智能训练师认证教程（1）数据标注-Labelimg的使用教程
本文介绍了图像标注工具labelimg的安装和使用方法，该工具支持矩形标注。如需多边形标注，推荐使用labelme工具。同时提醒用户注意PascalVOC和YOLO两种标注格式的区别。
2025-12-16 16:14:40
119
原创 人工智能应用-机器视觉：车牌识别（2）
车牌识别面临的主要难点在于：虽然各国车牌具有统一的结构化特征（如中国车牌包含汉字、字母数字组合，英国车牌采用地区代码+年份+序列号格式），但实际应用中仍存在光照变化、运动模糊、车牌污损以及角度倾斜等问题，这些因素都会显著降低识别准确率。不同国家的车牌格式差异（如美国各州车牌设计灵活）也增加了识别难度。
2025-12-14 16:25:30
160
原创 人工智能应用-机器视觉：车牌识别（1）
车牌识别是现代交通系统中AI应用最成功的领域之一，广泛应用于门禁、违章抓拍和智慧交通管理。该系统包含两大核心任务：车牌定位（在图像中准确框出车牌位置）和字符识别（将车牌字符转换为数字、字母或汉字）。传统图像处理与深度学习方法在此领域各有特点，实际应用需兼顾实时性和鲁棒性，确保在不同天气、光照及高速场景下保持稳定高效的识别性能。
2025-12-14 16:22:34
452
原创 人工智能应用-机器视觉：人脸识别（8）小结
人脸识别技术经历了从几何特征到深度学习的演进，显著提升了识别精度。深度学习解决了传统方法在复杂环境下的性能瓶颈，但引发隐私泄露和仿冒攻击等社会担忧，促使各国加强立法监管。实践环节可借助AI模型实现简单的人脸相似度比对。
2025-12-12 11:44:46
123
原创 人工智能应用-机器视觉：人脸识别（7）人脸识别的潜在风险
人脸识别技术虽带来便利，但也面临安全挑战。静态照片攻击可通过活体检测（如眨眼验证）防范，但视频伪造技术已能欺骗动态验证。此外，对抗样本攻击（如特制眼镜）可误导系统识别身份。随着Deepfake等技术的发展，检测伪造视频和防范仿冒攻击成为研究重点。同时，生物特征数据的隐私泄露风险也需高度关注，确保技术安全性已成为关键课题。
2025-12-11 09:18:24
293
原创 人工智能应用-机器视觉：人脸识别（6）深度神经网络方法
摘要：深度神经网络在人脸识别中展现出卓越性能，通过层次化特征提取避免了人工特征设计的局限。典型系统采用6层卷积网络，先进行人脸对齐，再逐层学习从边缘到整体人脸的抽象特征，最终输出人脸嵌入向量。通过计算嵌入向量的余弦距离判断相似度，该方法在LFW数据集上准确率超过99%，达到实用水平。这种端到端的学习方式显著提升了人脸识别技术的精度和可靠性。（149字）
2025-12-11 09:14:41
603
原创 人工智能应用-机器视觉：人脸识别（5）基于特征脸的方法
特征脸(Eigenface)是人脸识别的经典方法，通过主成分分析(PCA)提取若干"基础人脸"作为特征脸。每张人脸可表示为这些特征脸的加权组合，权重构成特征向量用于分类。该方法由Sirovich和Kirby于1987年提出，后经Turk和Pentland应用于人脸识别，成为首个有效的人脸识别算法。特征脸方法注重人脸整体特征，无需精确定位面部部件，但对局部细节处理不足，在复杂表情或遮挡情况下效果受限。该方法通过线性分类器实现人脸识别，特征向量在分类面中的位置决定识别结果。
2025-12-09 08:47:53
155
原创 人工智能应用-机器视觉：人脸识别（4）基于几何关系的方法
摘要：基于几何关系的人脸识别方法通过定位五官关键点计算间距等几何特征（如两眼间距）来提取个体特征。该方法关注局部细节且解释性强，但依赖精确的关键点定位，技术难度大。随着技术进步，这种早期方法已逐渐被淘汰。
2025-12-09 08:42:11
500
原创 人工智能应用-机器视觉：人脸识别（3）传统人为特征设计方法
摘要：传统人脸识别采用特征设计法，通过人工提取面部特征进行识别。人类视觉系统能快速感知面部特征，而计算机只能处理无序的像素点。早期研究致力于从像素数据中提取有效的人脸特征，以解决计算机识别的难题。
2025-12-09 08:39:01
116
原创 人工智能应用-机器视觉：人脸识别（2）
人类通过大脑枕叶区和梭状回的协同作用实现面孔识别，梭状回活跃度与社交能力相关。婴儿早期具有广泛的面部识别能力，但随着成长会形成"异族效应"，更擅长识别常见种族面孔。梭状回受损会导致"脸盲症"，患者难以辨认面孔，需依赖其他特征识别。
2025-12-08 14:31:59
270
原创 人工智能应用-机器视觉：人脸识别（1）
人脸识别技术通过分析面部特征实现身份验证，从1964年提出概念至今已广泛应用于安防、金融等领域。该技术让机器能将人脸图像中的像素点转化为可识别特征，完成人脸辨认或确认。尽管技术日趋成熟，但也存在隐私泄露和伪造攻击等风险。人脸识别已深入日常生活，从手机解锁到机场安检都有应用，但其发展仍需权衡便利性与安全性。
2025-12-08 14:27:35
317
原创 机器学习策略（6）学派对比与融合
本文比较了人工智能三大流派的特点：符号学派依赖人工规则，数据需求少但灵活性差；贝叶斯学派需要预设部分先验知识，能力居中；连接学派（神经网络）学习能力最强但数据需求大且可解释性差。文章指出，随着技术发展，各学派正相互融合，如知识图谱与神经网络结合提升推理能力，贝叶斯神经网络结合概率表示与学习能力。作者强调应根据具体场景选择合适方法，提倡综合运用不同学派技术，并持续关注技术发展以应对新挑战。
2025-12-05 09:59:23
135
原创 机器学习策略（5）进化仿生学派
摘要：进化仿生学派通过模拟生物进化机制实现机器智能，采用遗传算法进行优化求解。该方法将解决方案视为种群个体，通过交叉变异产生新解并择优保留，适用于各类模型优化和无明确结构的问题（如天线设计）。虽然具有通用灵活的优势，但也存在计算成本高、易陷入局部最优等局限，常需结合其他优化技术提升性能。（150字）
2025-12-05 09:54:42
542
原创 机器学习策略（4）连接学派
连接学派通过模拟生物神经网络构建人工神经网络（ANN），以神经元节点和权重连接实现智能学习。ANN通过调整连接权重优化输出，如基于云量、湿度预测降雨概率。虽然早期受限于计算资源，但随着大数据和深度学习的发展，ANN展现出强大性能，但也面临可解释性差、依赖大数据和高算力等挑战。该模型已成为当前最成功的人工智能方法之一。
2025-12-03 14:41:08
274
原创 机器学习策略（3）贝叶斯学派
而对于降雨的样本，则应接近 1。基于这一思想，可以构建一个概率网络，或称为“贝叶斯网络”，其中每个节点代表一个事件，节点间的连接代表事件之间的条件概率关系。具体来说，贝叶斯学派将现实世界中的条件或事件描述为随机变量，并用“条件概率”来表达随机变量之间的相关性，即已知一个事件发生的情况下，另一个事件发生的可能性。参数 a 和 b 决定了云量和湿度对降雨概率的影响强度：如果这两个参数均为正数，则随着云量和湿度的增加，降雨的概率也会相应上升。公式中的P(降雨| 云量，湿度) 表示降雨的概率是云量和湿度的函数。
2025-12-03 14:37:06
449
原创 机器学习策略（2）符号学派
符号学派的研究者坚信，只要能正确表示和操作符号，计算机就能表现出足够的智能。这些规则最初可能基于气象专家的经验设计，但也可以从观测数据中提取出新的规则，如图“如果天空有云且空气湿度大于 80%，那么可能会下雨”，然后将其加入知识库以供后续推理，进而增强系统的适用性。为解决这一问题，符号学派的研究者引入了学习方法，通过整理数据发现新规律，使符号系统更适应复杂多变的现实环境。通过学习四大学派，读者不仅能掌握不同的技术手段，还能培养多角度分析和解决问题的能力，为未来学习和实践构建完整的知识框架。
2025-12-02 21:33:21
388
原创 机器学习策略（1）四大学派
这四大学派分别从不同角度探讨了“如何让机器自主学习”的问题，并提出了各具特色的模型和算法，为机器学习领域的发展提供了丰富多样的路径。为了解决这一挑战，历史上涌现出了许多理论和方法，最终形成了四个主要学派：符号学派、贝叶斯学派、连接学派和进化仿生学派。机器学习的目的是让机器从数据中自动学习规律，并将这些规律转化为知识，以便进行推理和决策。
2025-12-02 21:30:01
521
原创 机器学习的三种主要方法的区别
摘要：机器学习包含监督学习（老师指导）、无监督学习（自学）和强化学习（试错实践）三种基本方法。杨立昆将其比喻为蛋糕、奶油和草莓，引发对人类学习基础方式的思考。理解这些方法有助于把握AI学习体系，并为实际问题提供解决方向。
2025-12-01 09:48:29
243
原创 机器学习方法（4）强化学习（试错学习）
强化学习是一种基于环境反馈的机器学习方法，介于监督学习和无监督学习之间。其核心原理是通过试错机制和奖惩系统来优化决策，就像训练小狗通过奖励机制学会识别水果。这种方法特别适合需要多步决策的场景，如机器人控制、投资策略和游戏对弈。在围棋等复杂任务中，强化学习能够通过不断调整策略实现全局最优，这正是AlphaGo战胜人类棋手的关键所在。强化学习的优势在于不需要直接的学习信号，而是通过与环境的交互来自主学习。
2025-11-29 15:47:33
383
原创 机器学习方法（3）无监督学习
无监督学习更像是学生在没有老师指导下的自学过程。此方法中，机器没有人为标注的“正确答案”可供参考，而是通过从数据中自动寻找规律进行学习。聚类指的是将相似的样本归为一组，每组内的样本在某些特征上十分相似。例如，在图中，苹果、桃子和香蕉被归为三组，我们并不知道这三组中每种水果的名词，只是根据它们的相似性进行分组。K-means 聚类是一种广泛应用的聚类算法。其基本过程如下：首先，定义 K 个类中心；然后，根据每个样本与类中心的距离，将样本归入相应的K 类。
2025-11-28 09:14:33
389
原创 机器学习方法（2）监督学习
监督学习就像在课堂上由老师传授知识给学生。对于机器学习来说，人类充当老师，而机器充当学生。人们通过对数据进行标注（例如，将苹果的图片标记为“苹果”，将桔子的图片标记为“桔子”），让机器获得指导，从而学习什么样的图片是苹果，什么样的图片是桔子。总体来说，监督学习可分为“分类任务”和“回归任务”。分类任务就是判断样本所属的类别。例如，判断图片中的动物是“猫”还是“狗”、识别发音是“啊”还是“哦”、区分数字是“1”还是“9”、辨认表情包是“愤怒”还是“高兴”。
2025-11-27 15:06:22
545
原创 机器学习方法（1）三种典型的机器学习方法
人类的学习方式多种多样：可以听老师授课获取知识，也可以通过观察获得新发现，还可以通过不断尝试和改错来掌握新技能。这些方法分别对应不同的学习场景，适用于不同的任务目标，学习这些方法有助于我们全面理解机器学习的原理与应用。三种机器学习方法（监督学习、无监督学习、强化学习）及各自的应用领域。类似的学习方式同样适用于机器学习。
2025-11-27 15:00:24
222
原创 机器学习基本流程（3）模型选择
如何选择合适的模型？机器学习中有一条著名准则：若两个模型性能相近，应选择更简单的模型。因此，在测试集上性能相似的情况下，我们应优先选择结构更简单的模型。因此，模型不能过于复杂，否则容易发生过拟合。但也不能过于简单，否则学习能力不足，甚至无法捕捉到基础规律，这种情况称为“欠拟合”。根本原因在于模型过于复杂，灵活度过高，在学到了真实规律之后，反而用多余的学习能力去捕捉噪声和个别例外。图 展示了随着模型复杂度增加的学习效果，只有当模型的复杂度适中时，才能取得较好的学习效果，这正体现了模型选择的重要性。
2025-11-27 14:57:20
106
原创 机器学习基本流程（2）模型训练
一、定义目标函数设计好模型后，接下来便是让模型“学习”如何完成任务，此过程称为“模型训练”。在训练过程中，机器通过调整模型参数，使预测结果越来越准确。例如，为训练一个区分苹果和桔子的模型，首先设计一个简单的线性模型：Y = A × 颜色 + B × 大小 + C其中，A、B 和 C 为模型参数，决定了模型的具体形式（如图12.4中的蓝色分类面）。训练目标就是利用数据确定这些参数，从而使模型能够更准确地进行分类。
2025-11-26 10:53:16
519
原创 基于学习的人工智能（8）硅基生物VS碳基生物
基于这五个要素，机器可以从数据中提取出人类尚未发现的新规律，找到实现目标的新途径，从而展现出超越人类的智能。比如，我们在学习写作文的时候，不会以“写出一篇好文章”为单一目标，还有对语言能力、思维能力、情感表达等多方面的锻炼。我们在学习时，本身固有的生物约束和道德约束使我们不能任意学习，而是在一定受限条件下的学习。思考一下，人和机器在目标和约束方面的差异，对学习结果会有怎样的影响？对于机器来说，确实有可能在学习的过程中加入各种约束，但这些约束是人为设定的，并不全面。实践设计：目前，有学者认为。
2025-11-26 10:17:08
167
原创 基于学习的人工智能（7）机器学习基本框架
如今，人工智能展现出的强大能力——包括人们常谈论的AI 威胁，很大程度上源于机器学习：只有通过自主学习的机器，才有可能超越其创造者，具备难以预料的强大能力。数据：收集苹果和桔子的样本，并分别标记（例如，苹果标记为 T=1，桔子标记为 T=0）。图中的蓝色直线代表模型对应的分类边界，上方为苹果，下方为桔子。机器学习作为实现人工智能的核心方法，通过特定算法从数据中自主学习，获得完成目标任务的技能。模型：构建一个简单模型，如 Y=a × 颜色 + b × 大小，其中 a 和 b 为待学习的参数。
2025-11-24 15:52:28
766
原创 基于学习的人工智能（6）机器学习基本框架
摘要：声音的物理特性包括波动性、可叠加性和频率感知。在机器学习中，每个任务都有其特殊性（如数据类型、数据量等），这些特殊性称为"先验知识"。设计者需充分利用先验知识构建高效系统。随着AI发展耗尽人类数据，先验知识愈发重要，它能约束学习过程，使数据信息更易被学习。（149字）
2025-11-24 15:32:02
214
原创 基于学习的人工智能（5）机器学习基本框架
近年来，随着大语言模型的发展，对数据的要求越来越高。如此庞大的数据量，如何清除劣质数据、平衡各数据源，以及如何让模型高效地学习，都是亟待解决的问题。此外，有科学家预测，人工智能可能会很快用尽人类的所有数据，如何应对“数据枯竭”也十分重要。要训练一个优秀的机器学习模型，必须对数据进行精心选择。例如，一个人脸识别数据库应包含不同光照、角度下的人脸图片，否则训练出来的模型可能难以实用。质量：数据必须具备较高质量，特别是经过人工标注的数据，其标注准确率应足够高。数量：数据量必须充足，否则难以训练出合理的模型。
2025-11-24 15:30:13
300
原创 基于学习的人工智能（4）机器学习基本框架
例如，在识别红绿灯的神经网络中，算法用于调整神经元的连接权重，让它能更好地识别红绿灯；在预测股市涨跌的贝叶斯网络中，算法用于调整各个变量之间的概率关系，让它能更准确地反映不同因素对股市价格的影响。每种模型都有各自的优缺点，没有任何一种模型能够绝对优于另一种，这一结论被称为“没有免费的午餐（No Free Lunch）”定理。从一个随机位置开始，像下山一样，从一个随机位置开始，往更好的方向前进一小步，一步步更新。这个主体本质上是一个可以随着学习不断更新的数据结构，从而实现对学习结果的累积，通常称为“模型”。
2025-11-24 15:27:14
268
原创 基于学习的人工智能（3）机器学习基本框架
机器学习通过算法从数据中获取经验，改进初始模型以更高效地完成任务。与基于知识的方法不同，机器学习不直接编程机器行为，而是设定目标让机器自主学习。其框架包含五个要素：目标（如分类、预测）、模型、算法、数据和知识。目标需转化为数学形式的损失函数（如分类错误率、预测误差），函数值越低表明性能越好。例如分类任务用错误比例作损失函数，预测任务用预测值与实际值的差距衡量准确性。
2025-11-24 11:51:29
737
原创 基于学习的人工智能（1）机器学习
在人工智能早期，主流方法是将人类的知识和思维方式“灌输”给机器，从而让机器具备思考能力。这种基于知识的方法在定理证明和专家系统等任务中取得了巨大成功，但也存在明显缺点：首先，人类总结知识既繁琐又耗时；其次，机器只能在预设的知识框架内运行，永远难以超越人类的知识范围。尤其是进入 21 世纪后，随着数据量的爆发式增长和计算机性能的不断提高，机器能够从数据中学到的知识越来越丰富，能力也越来越强大，直接引发了新一轮人工智能浪潮。他发现，通过不断调整参数，机器仅用了 8-10 个小时便学会了超过他本人的棋艺。
2025-11-24 11:48:10
237
原创 基于学习的人工智能（1）为什么学习？
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
2025-11-24 11:43:51
316
原创 基于经验知识的人工智能（3）知识图谱
知识图谱这一概念最早由谷歌于 2012 年 5 月 17 日提出，其目的是构建一个辅助搜索引擎功能的知识库，从而为用户提供更精准的信息。知识图谱是一种简单而高效的知识表示方法。它通过图结构将知识表达为节点与节点之间的连接，其中节点代表人物、事件等实体概念，连接则表示实体间的关系。在搜索引擎中搜索托马斯·杰斐逊时，从知识图谱中获取的信息示例，包括照片、生卒年月、著作等。
2025-11-21 18:42:11
282
【人工智能教育应用】DeepSeek大模型赋能高校教学与科研：多模态教学资源融合及智能学伴系统设计了文档的核心内容
2025-08-08
AI教父、2024年诺贝尔物理学奖获得者2018年图灵奖得主杰弗里·辛顿（Geoffrey Hinton）首次现身中国，今天在上海世界人工智能大会（WAIC 2025）上探讨数字智能与生物智能的差异
2025-08-08
信息技术应用创新人才考试大纲-数据库工程师
2025-05-05
【计算机视觉】基于华为开发者空间的花卉识别系统设计与实现：深度学习技术在图像分类中的应用
2025-04-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人