《人工智能基礎(chǔ)與實(shí)踐》課件-第4章

第4章人工智能技術(shù)應(yīng)用

選題背景及意義1人工智能的研究方法探索4．1人工智能的研究方法探索1956年8月，在美國(guó)漢諾斯小鎮(zhèn)寧靜的達(dá)特茅斯學(xué)院中，約翰·麥卡錫（JohnMcCarthy）、馬文·閔斯基（MarvinMinsky，人工智能與認(rèn)知學(xué)專家）、克勞德·香農(nóng)（ClaudeShannon，信息論的創(chuàng)始人）、艾倫·紐厄爾（AllenNewell，計(jì)算機(jī)科學(xué)家）、赫伯特·西蒙（HerbertSimon，諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主）等科學(xué)家正聚在一起，討論著一個(gè)完全不食人間煙火的主題：用機(jī)器來模仿人類學(xué)習(xí)以及其他方面的智能。4．1人工智能的研究方法探索20世紀(jì)80年代，專家系統(tǒng)（ExpertSystem）出現(xiàn)又讓企業(yè)家和科學(xué)家看到了人工智能學(xué)科的新希望，繼而形成人工智能歷史上的第二股浪潮。專家系統(tǒng)是指解決特定領(lǐng)域問題的能力已達(dá)到該領(lǐng)域的專家能力，其核心是透過運(yùn)用專家多年累積的豐富經(jīng)驗(yàn)和專家知識(shí)，不斷模擬專家解決問題的思維，處理只有專家才能處理的問題。4．1人工智能的研究方法探索2012年以后，得益于數(shù)據(jù)量的上漲、運(yùn)算力的提升和深度學(xué)習(xí)的出現(xiàn)，人工智能開始大爆發(fā)?！度駻I領(lǐng)域人才報(bào)告》顯示，截至2017年一季度，基于領(lǐng)英平臺(tái)的全球AI（人工智能）領(lǐng)域技術(shù)人才數(shù)量超過190萬，僅國(guó)內(nèi)人工智能人才缺口達(dá)到500多萬。人工智能的研究領(lǐng)域也在不斷擴(kuò)大4．1人工智能的研究方法探索人工智能可以細(xì)分為強(qiáng)人工智能和弱人工智能，人工智能更注重“人工”的重要性，強(qiáng)人工智能更注重“智能”的重要性。在弱人工智能對(duì)某個(gè)問題進(jìn)行決策時(shí)，人仍然需要積極參與其中，所以弱人工智能也被稱作限制領(lǐng)域的人工智能或應(yīng)用型人工智能。弱人工智能只能在特定的領(lǐng)域解決特定的問題，4．1．1人工智能，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

一種實(shí)現(xiàn)人工智能的方法

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)最基本的做法，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，然后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。典型案例：商品推薦人工智能的各個(gè)分支機(jī)器學(xué)習(xí)來源機(jī)器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹聚類貝葉斯分類支持向量機(jī)EM（ExpectationMaximization）Adaboost……機(jī)器學(xué)習(xí)算法分類從學(xué)習(xí)方法上來分，機(jī)器學(xué)習(xí)算法可以分為:監(jiān)督學(xué)習(xí)（如分類問題）無監(jiān)督學(xué)習(xí)（如聚類問題）半監(jiān)督學(xué)習(xí)集成學(xué)習(xí)深度學(xué)習(xí)強(qiáng)化學(xué)習(xí)深度學(xué)習(xí)一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)深度學(xué)習(xí)本來并不是一種獨(dú)立的學(xué)習(xí)方法有監(jiān)督無監(jiān)督一些特有的學(xué)習(xí)手段相繼被提出（如殘差網(wǎng)絡(luò)）

三者的區(qū)別和聯(lián)系深度學(xué)習(xí)的問題

小樣本問題深度學(xué)習(xí)方法無法入手，傳統(tǒng)的機(jī)器學(xué)習(xí)方法就可以處理；有些領(lǐng)域，采用傳統(tǒng)的簡(jiǎn)單的機(jī)器學(xué)習(xí)方法，可以很好地解決了，沒必要非得用復(fù)雜的深度學(xué)習(xí)方法；深度學(xué)習(xí)的思想，來源于人腦的啟發(fā)，但絕不是人腦的模擬4．1．2常用的人工智能研究方法

4.1.2常用的人工智能研究方法1．大腦模擬2．符號(hào)處理3．子符號(hào)法4．統(tǒng)計(jì)學(xué)法5．集成方法大腦模擬

20世紀(jì)40年代到50年代，許多研究者探索神經(jīng)病學(xué)，信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網(wǎng)絡(luò)構(gòu)造的初步智能，如W.GreyWalter的Turtles和JohnsHopkinsBeast。這些研究者還經(jīng)常在普林斯頓大學(xué)和英國(guó)的RATIOCLUB舉行技術(shù)協(xié)會(huì)會(huì)議。直到1960年，大部分人已經(jīng)放棄這個(gè)方法，盡管在80年代再次提出這些原理。符號(hào)處理

認(rèn)知模擬經(jīng)濟(jì)學(xué)家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時(shí)他們?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ)，如認(rèn)知科學(xué)，運(yùn)籌學(xué)和經(jīng)營(yíng)科學(xué)。他們的研究團(tuán)隊(duì)使用心理學(xué)實(shí)驗(yàn)的結(jié)果開發(fā)模擬人類解決問題方法的程序。子符號(hào)法

80年代符號(hào)人工智能停滯不前，很多人認(rèn)為符號(hào)系統(tǒng)永遠(yuǎn)不可能模仿人類所有的認(rèn)知過程，特別是感知，機(jī)器人，機(jī)器學(xué)習(xí)和模式識(shí)別。很多研究者開始關(guān)注子符號(hào)方法解決特定的人工智能問題。統(tǒng)計(jì)學(xué)法90年代，人工智能研究發(fā)展出復(fù)雜的數(shù)學(xué)工具來解決特定的分支問題。這些工具是真正的科學(xué)方法，即這些方法的結(jié)果是可測(cè)量的和可驗(yàn)證的，同時(shí)也是人工智能成功的原因。共用的數(shù)學(xué)語言也允許已有學(xué)科的合作（如數(shù)學(xué)，經(jīng)濟(jì)或運(yùn)籌學(xué)）。StuartJ.Russell和PeterNorvig指出這些進(jìn)步不亞于“革命”和“NEATS的成功”。有人批評(píng)這些技術(shù)太專注于特定的問題，而沒有考慮長(zhǎng)遠(yuǎn)的強(qiáng)人工智能目標(biāo)。集成方法智能Agent范式：智能Agent是一個(gè)會(huì)感知環(huán)境并作出行動(dòng)以達(dá)致目標(biāo)的系統(tǒng)。最簡(jiǎn)單的智能Agent是那些可以解決特定問題的程序。更復(fù)雜的Agent包括人類和人類組織（如公司）。這些范式可以讓研究者研究單獨(dú)的問題和找出有用且可驗(yàn)證的方案，而不需考慮單一的方法。4．1．3計(jì)算智能4.1.3計(jì)算智能1．神經(jīng)計(jì)算2．進(jìn)化計(jì)算3．模糊計(jì)算神經(jīng)計(jì)算

神經(jīng)計(jì)算的概念：亦稱神經(jīng)網(wǎng)絡(luò)(NeuralNetwork，NN)，它是通過對(duì)大量人工神經(jīng)元的廣泛并行互聯(lián)所形成的一種人工網(wǎng)絡(luò)系統(tǒng)，用于模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。主要研究?jī)?nèi)容：包括人工神經(jīng)元的結(jié)構(gòu)和模型，人工神經(jīng)網(wǎng)絡(luò)的互聯(lián)結(jié)構(gòu)和系統(tǒng)模型，基于神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)學(xué)習(xí)機(jī)制等進(jìn)化計(jì)算

網(wǎng)進(jìn)化計(jì)算是一種模擬自然界生物進(jìn)化過程與機(jī)制，進(jìn)行問題求解的自組織、自適應(yīng)的隨機(jī)搜索技術(shù)。它以達(dá)爾文進(jìn)化論的“物競(jìng)天擇、適者生存”作為算法的進(jìn)化規(guī)則，并結(jié)合孟德爾的遺傳變異理論，將生物進(jìn)化過程中的繁殖、變異、競(jìng)爭(zhēng)和選擇引入到了算法中，是一種對(duì)人類智能的演化模擬方法。模糊計(jì)算

模糊計(jì)算(美國(guó)密執(zhí)安大學(xué)霍蘭德教授1962提出)是使用模擬生物和人類進(jìn)化的方法來求解復(fù)雜問題。它從初始種群出發(fā)，采用優(yōu)勝劣汰、適者生存的自然法則選擇個(gè)體，并通過雜交、變異產(chǎn)生新一代種群，如此逐代進(jìn)化，直到滿足目標(biāo)為止。4．1．4邏輯編程科學(xué)知識(shí)與知識(shí)表示知識(shí)是把有關(guān)的信息關(guān)聯(lián)在一起，形成的關(guān)于客觀世界某種規(guī)律性認(rèn)識(shí)的動(dòng)態(tài)信息結(jié)構(gòu)。在人工智能中知識(shí)可以表示成

知識(shí)=事實(shí)+規(guī)則+概念知識(shí)與知識(shí)表示（1）邏輯表示法邏輯表示法以謂詞形式來表示動(dòng)作的主體、客體，是一種敘述性知識(shí)表示方法。利用邏輯公式，人們能描述對(duì)象、性質(zhì)、狀況和關(guān)系。它主要用于自動(dòng)定理的證明。邏輯表示法主要分為命題邏輯和謂詞邏輯。例如：諸葛亮是人。

表示為：Human(Zhugeliang)馬科斯是男人。

表示為：Man(Marcs)詹文是李小明的老師

表示為：Teacher(Zhangwen，Lixiaoming)所有龐貝人都是羅馬人。表示為：x(Pompeian(x)→Roman(x))知識(shí)與知識(shí)表示（2）產(chǎn)生式表示法產(chǎn)生式表示，又稱規(guī)則表示，有的時(shí)候被稱為IF-THEN表示，它表示一種條件-結(jié)果形式，是一種比較簡(jiǎn)單表示知識(shí)的方法。IF后面部分描述了規(guī)則的先決條件，而THEN后面部分描述了規(guī)則的結(jié)論。規(guī)則表示方法主要用于描述知識(shí)和陳述各種過程知識(shí)之間的控制，及其相互作用的機(jī)制。例如：IF某動(dòng)物吃肉THEN它是食肉動(dòng)物IF動(dòng)物有毛發(fā)，THEN動(dòng)物為哺乳類IF爐溫超過上限THEN立即關(guān)閉風(fēng)門知識(shí)與知識(shí)表示（3）框架表示框架(Frame)是把某一特殊事件或?qū)ο蟮乃兄R(shí)儲(chǔ)存在一起的一種復(fù)雜的數(shù)據(jù)結(jié)構(gòu)（見第2章）。其主體是固定的，表示某個(gè)固定的概念、對(duì)象或事件，其下層由一些槽(Slot)組成，表示主體每個(gè)方面的屬性。知識(shí)與知識(shí)表示例如：描述“學(xué)生”的框架：框架名：<學(xué)生>類屬：<知識(shí)分子>/框架調(diào)用/工作：范圍：（理論學(xué)習(xí)，社會(huì)實(shí)踐）

默認(rèn)：學(xué)習(xí)性別：（男，女）類型：（<小學(xué)生>，<中學(xué)生>，<大學(xué)生本科>，<大學(xué)生碩士>，<大學(xué)生博士>，<大學(xué)生博士后>）知識(shí)與知識(shí)表示（4）面向?qū)ο蟮谋硎痉椒嫦驅(qū)ο蟮闹R(shí)表示方法是按照面向?qū)ο蟮某绦蛟O(shè)計(jì)（見第2章）原則組成一種混合知識(shí)表示形式，就是以對(duì)象為中心，把對(duì)象的屬性、動(dòng)態(tài)行為、領(lǐng)域知識(shí)和處理方法等有關(guān)知識(shí)封裝在表達(dá)對(duì)象的結(jié)構(gòu)中。知識(shí)與知識(shí)表示（5）語義網(wǎng)表示法語義網(wǎng)絡(luò)是知識(shí)表示中最重要的方法之一，是一種表達(dá)能力強(qiáng)而且靈活的知識(shí)表示方法。它通過概念及其語義關(guān)系來表達(dá)知識(shí)的一種網(wǎng)絡(luò)圖。從圖論的觀點(diǎn)看，它是一個(gè)“帶標(biāo)識(shí)的有向圖”。語義網(wǎng)絡(luò)利用節(jié)點(diǎn)和帶標(biāo)記的邊構(gòu)成的有向圖描述事件、概念、狀況、動(dòng)作及客體之間的關(guān)系。帶標(biāo)記的有向圖能十分自然的描述客體之間的關(guān)系。知識(shí)與知識(shí)表示例如：用語義網(wǎng)絡(luò)表示下列知識(shí)：整數(shù)由正整數(shù)、負(fù)整數(shù)和零組成。知識(shí)與知識(shí)表示（6）基于XML的表示法在XML(eXtensibleMarkuplanguage，可擴(kuò)展標(biāo)記語言)中，數(shù)據(jù)對(duì)象使用元素描述，而數(shù)據(jù)對(duì)象的屬性可以描述為元素的子元素或元素的屬性。XML文檔由若干個(gè)元素構(gòu)成，數(shù)據(jù)間的關(guān)系通過父元素與子元素的嵌套形式體現(xiàn)。邏輯編程之實(shí)踐>>>pipinstallkanren>>>pipinstallsympy安裝完成后開始邏輯編程第1步，任務(wù)：判斷一個(gè)數(shù)x是否等于5。代碼：>>>fromkanrenimportrun,eq,membero,var,conde,vars>>>x=var()>>>run(1,x,eq(x,5))運(yùn)行結(jié)果為：(5,)繼續(xù)添加z是變量的事實(shí)，規(guī)則定義為：x==z，同時(shí)z==3>>>z=var()>>>run(1,x,eq(x,z),eq(z,3))運(yùn)行結(jié)果為：(3,)選題背景及意義2人工智能的相關(guān)主題邏輯編程科學(xué)邏輯編程的要點(diǎn)是將正規(guī)的邏輯風(fēng)格帶入計(jì)算機(jī)程序設(shè)計(jì)之中。事實(shí)：基本上是關(guān)于計(jì)劃和數(shù)據(jù)的真實(shí)陳述。例如，北京是中國(guó)的首都。規(guī)則：是對(duì)問題域做出結(jié)論的約束條件。規(guī)則基本上寫成邏輯條款來表達(dá)各種事實(shí)規(guī)則的語法A∶?B1,B2,...,Bn.在這里，A是頭部，B1，B2，…Bn是主體。例如-ancestor(X，Y):-father(X，Y)。ancestor(X，Z):-father(X，Y)，ancestor(Y，Z)。在Python中開始邏輯編程安裝Kanren和SymPy兩個(gè)包。pipinstallkanrenpipinstallsympy邏輯編程的"Hello,world!"判斷一個(gè)數(shù)x是否等于5>>>fromkanrenimportrun,eq,membero,var,conde,vars>>>x=var()>>>run(1,x,eq(x,5))(5,)多個(gè)變量和多個(gè)目標(biāo)下列代碼判定一個(gè)數(shù)x，如x==z，同時(shí)z==3>>>z=var()>>>run(1,x,eq(x,z),eq(z,3))(3,)統(tǒng)一模式匹配使用統(tǒng)一模式匹配的高級(jí)形式來匹配表達(dá)式樹。下列代碼匹配X，如（1,2）=（1，x）。>>>run(1,x,eq((1,2),(1,x)))(2,)兩個(gè)表達(dá)式相等membero(item,coll)表示item是coll集合中的一個(gè)成員。下面例子使用兩次membero去匹配x的2個(gè)值，>>>run(2,x,membero(x,(1,2,3)),#x是（1,2,3）的成員之一

membero(x,(2,3,4)))#x是（2,3,4）的成員之一

#2表示求兩個(gè)解，則，變量x，可能的解為（2,3）(2,3)邏輯變量z=var()創(chuàng)建一個(gè)Kanren中的邏輯變量，還可以選擇為變量命名，以方便后面調(diào)試：>>>z=var('test')>>>z~test一次創(chuàng)建一組邏輯變量也可以用vars()帶一個(gè)整形參數(shù)一次創(chuàng)建一組邏輯變量:>>>a,b,c=vars(3)>>>a~_1>>>b~_2>>>c~_3例4.1匹配數(shù)學(xué)表達(dá)式需要將任意表達(dá)式與原始模式(5+a)*b相匹配，并求出a和b。例4.1匹配數(shù)學(xué)表達(dá)式(解答)以下Python代碼用于匹配數(shù)學(xué)表達(dá)式。考慮先導(dǎo)入下列軟件包：fromkanrenimportrun,var,factfromkanren.assoccommimporteq_assoccommaseqfromkanren.assoccommimportcommutative,associative例4.1匹配數(shù)學(xué)表達(dá)式(解答)需要定義要使用的數(shù)學(xué)運(yùn)算：add='add'mul='mul'加法和乘法都是交互進(jìn)程。因此，我們需要指定它，這可以按照以下方式完成：fact(commutative,mul)fact(commutative,add)fact(associative,mul)fact(associative,add)例4.1匹配數(shù)學(xué)表達(dá)式(解答)定義變量是強(qiáng)制性的;這可以如下完成：a,b=var('a'),var('b')需要將表達(dá)式與原始模式(5+a)*b相匹配，基礎(chǔ)是：original_pattern=(mul,(add,5,a),b)有以下兩個(gè)表達(dá)式來匹配原始模式：exp1=(mul,(add,5,1),2)exp2=(add,5,(mul,8,1))例4.1匹配數(shù)學(xué)表達(dá)式(解答)輸出可以使用以下命令打?。簆rint(run(0,(a,b),eq(original_pattern,exp1)))print(run(0,(a,b),eq(original_pattern,exp2)))運(yùn)行此代碼后，將得到以下輸出：((1,2),)()第一個(gè)輸出表示a和b的值。第一個(gè)表達(dá)式匹配原始模式并返回a和b的值，但第二個(gè)表達(dá)式與原始模式不匹配，因此沒有返回任何內(nèi)容。例4.2查找素?cái)?shù)在邏輯編程的幫助下，可以從數(shù)字列表中出素?cái)?shù)，也可以生成素?cái)?shù)。例4.2查找素?cái)?shù)(解答)下面給出的Python代碼將從數(shù)字列表中找到素?cái)?shù)，并且還會(huì)生成前10個(gè)素?cái)?shù)。首先導(dǎo)入以下軟件包：fromkanrenimportisvar,run,memberofromkanren.coreimportsuccess,fail,goaleval,condeseq,eq,varfromsympy.ntheory.generateimportprime,isprimeimportitertoolsasit例4.2查找素?cái)?shù)(解答)現(xiàn)在，我們將定義一個(gè)名為prime_check的函數(shù)，它將根據(jù)給定的數(shù)字檢查素?cái)?shù)作為數(shù)據(jù)。defprime_check(x):ifisvar(x):returncondeseq([(eq,x,p)]forpinmap(prime,it.count(1)))else:returnsuccessifisprime(x)elsefail例4.2查找素?cái)?shù)(解答)現(xiàn)在，聲明一個(gè)變量：x=var()print((set(run(0,x,(membero,x,(12,14,15,19,20,21,22,23,29,30,41,44,52,62,65,85)),(prime_check,x)))))print((run(10,x,prime_check(x))))上述代碼的輸出如下：{41,19,23,29}(2,3,5,7,11,13,17,19,23,29)例4.3斑馬拼圖有五間房子。英國(guó)人住在紅房子里。瑞典人有一只狗。丹麥人喝茶。綠房子在白房子的左邊。他們?cè)诰G房子里喝咖啡。吸PallMall的人有鳥。吸Dunhill在的人黃色房子里。在中間的房子里，他們喝牛奶。挪威人住在第一宮。那個(gè)抽Blend的男人住在貓屋旁邊的房子里。在他們有一匹馬的房子旁邊的房子里，他們吸Dunhill煙。抽BlueMaster的人喝啤酒。德國(guó)人吸Prince煙。挪威人住在藍(lán)房子旁邊。他們?cè)诜孔优赃叺姆孔永锖人?，在那里吸Blend煙。在Python的幫助下解決誰有斑馬的問題例4.3斑馬拼圖（解答）導(dǎo)入必要的軟件包：fromkanrenimport*fromkanren.coreimportlallimporttime例4.3斑馬拼圖（解答）現(xiàn)在，我們需要定義兩個(gè)函數(shù)-left()和next()來查找哪個(gè)房屋左邊或接近誰的房子：defleft(q,p,list):returnmembero((q,p),zip(list,list[1:]))defnext(q,p,list):returnconde([left(q,p,list)],[left(p,q,list)])現(xiàn)在，聲明一個(gè)變量houses，如下：houses=var()例4.3斑馬拼圖（解答）需要在lall包的幫助下定義規(guī)則如下。有5間房子：rules_zebraproblem=lall((eq,(var(),var(),var(),var(),var()),houses),(membero,('Englishman',var(),var(),var(),'red'),houses),(membero,('Swede',var(),var(),'dog',var()),houses),(membero,('Dane',var(),'tea',var(),var()),houses),(left,(var(),var(),var(),var(),'green'),(var(),var(),var(),var(),'white'),houses),(membero,(var(),var(),'coffee',var(),'green'),houses),(membero,(var(),'PallMall',var(),'birds',var()),houses),(membero,(var(),'Dunhill',var(),var(),'yellow'),houses),(eq,(var(),var(),(var(),var(),'milk',var(),var()),var(),var()),houses),例4.3斑馬拼圖（解答）(eq,(('Norwegian',var(),var(),var(),var()),var(),var(),var(),var()),houses),(next,(var(),'Blend',var(),var(),var()),(var(),var(),var(),'cats',var()),houses),(next,(var(),'Dunhill',var(),var(),var()),(var(),var(),var(),'horse',var()),houses),(membero,(var(),'BlueMaster','beer',var(),var()),houses),(membero,('German','Prince',var(),var(),var()),houses),(next,('Norwegian',var(),var(),var(),var()),(var(),var(),var(),var(),'blue'),houses),(next,(var(),'Blend',var(),var(),var()),(var(),var(),'water',var(),var()),houses),(membero,(var(),var(),var(),'zebra',var()),houses))例4.3斑馬拼圖（解答）現(xiàn)在，用前面的約束運(yùn)行解算器：solutions=run(0,houses,rules_zebraproblem)

借助以下代碼，可以提取解算器的輸出：output_zebra=[houseforhouseinsolutions[0]if'zebra'inhouse][0][0]

以下代碼將打印解決方案：print('\n'+output_zebra+'ownszebra.')上述代碼的輸出如下：Germanownszebra.數(shù)據(jù)預(yù)處理導(dǎo)入支持?jǐn)?shù)據(jù)預(yù)處理的軟件包，這是把數(shù)據(jù)轉(zhuǎn)換為特定格式(即預(yù)處理)的第一步。使用如下代碼importnumpyasnpfromsklearnimportpreprocessingNumPy-NumPy(NumericalPython)是Python語言的一個(gè)擴(kuò)展程序庫，支持大量的維度數(shù)組與矩陣運(yùn)算，此外也針對(duì)數(shù)組運(yùn)算提供大量的數(shù)學(xué)函數(shù)庫。sklearn.preprocessing-此包為用戶提供了多個(gè)工具函數(shù)和類，用于將原始特征轉(zhuǎn)換成更適于項(xiàng)目后期學(xué)習(xí)的特征表示。定義一些樣本數(shù)據(jù)定義以下樣本數(shù)據(jù):

input_data=np.array([[2.1,-1.9,5.5],[-1.5,2.4,3.5],[0.5,-7.9,5.6],[5.9,2.3,-5.8]])二值化這是當(dāng)需要將數(shù)值轉(zhuǎn)換為布爾值時(shí)使用的預(yù)處理技術(shù)。可以用一種內(nèi)置的方法來二值化輸入數(shù)據(jù)，比如說用0.5作為閾值，方法如下：data_binarized=preprocessing.Binarizer(\threshold=0.5).transform(input_data)print("\nBinarizeddata:\n",data_binarized)平均去除

這是機(jī)器學(xué)習(xí)中使用的另一種非常常見的預(yù)處理技術(shù)?；旧纤糜谙卣飨蛄康木?，以便每個(gè)特征都以零為中心。還可以消除特征向量中的特征偏差。data_scaled=preprocessing.scale(input_data)print("Mean=",data_scaled.mean(axis=0))print("Stddeviation=",data_scaled.std(axis=0))縮放這是另一種數(shù)據(jù)預(yù)處理技術(shù)，用于縮放特征向量。特征向量的縮放是需要的，因?yàn)槊總€(gè)特征的值可以在許多隨機(jī)值之間變化。data_scaler_minmax=preprocessing.MinMaxScaler(feature_range=(0,1))data_scaled_minmax=data_scaler_minmax.fit_transform(input_data)print("\nMinmaxscaleddata:\n",data_scaled_minmax)L1標(biāo)準(zhǔn)化L1標(biāo)準(zhǔn)化也被稱為最小絕對(duì)偏差。這種標(biāo)準(zhǔn)化會(huì)修改原始數(shù)據(jù)值，以便絕對(duì)值的總和在每行中總是最多為1。#Normalizedatadata_normalized_l1=preprocessing.normalize(input_data,norm='l1')print("\nL1normalizeddata:\n",data_normalized_l1)L2標(biāo)準(zhǔn)化L2標(biāo)準(zhǔn)化也被稱為最小二乘，以便每一行數(shù)據(jù)的平方和總是最多為1。#Normalizedatadata_normalized_l2=preprocessing.normalize(input_data,norm='l2')print("\nL2normalizeddata:\n",data_normalized_l2)標(biāo)記數(shù)據(jù)某種格式的數(shù)據(jù)對(duì)于人工智能算法是必需的。另一個(gè)重要的要求是，在將數(shù)據(jù)作為算法的輸入之前，必須正確標(biāo)記數(shù)據(jù)如果數(shù)據(jù)是其他形式，那么它必須轉(zhuǎn)換為數(shù)字。這個(gè)將單詞標(biāo)簽轉(zhuǎn)換為數(shù)字形式的過程稱為標(biāo)記編碼。標(biāo)記數(shù)據(jù)的步驟(1)導(dǎo)入支持將數(shù)據(jù)轉(zhuǎn)換為特定格式(即預(yù)處理)的Python軟件包：(2)導(dǎo)入包后，需要定義一些樣本標(biāo)簽，以便可以創(chuàng)建和訓(xùn)練標(biāo)簽編碼器。(3)創(chuàng)建標(biāo)簽編碼器并對(duì)其進(jìn)行訓(xùn)練。(4)通過編碼隨機(jī)排序列表來檢查性能,(5)通過對(duì)隨機(jī)數(shù)字集進(jìn)行解碼來檢查性能。自然語言處理自然語言處理(NLP)是指使用諸如英語以及漢語之類的自然語言與智能系統(tǒng)進(jìn)行通信的AI方法。NLP系統(tǒng)的輸入和輸出可以是語音(說話)或者書面文字。NLP的基本概念NLP有自然語言理解(NatualLanguageUnderstanding,NLU)和自然語言生成(NatualLanguageGeneration,NLG)兩個(gè)組件。自然語言理解(NLU)將給定的自然語言輸入映射為有用的表示并且分析語言的不同方面。文字規(guī)劃

-這包括從知識(shí)庫中檢索相關(guān)內(nèi)容。句子規(guī)劃

-這包括選擇所需的單詞，形成有意義的短語，設(shè)定句子的語氣。文本實(shí)現(xiàn)

-這是將句子計(jì)劃映射到句子結(jié)構(gòu)NLP的分析步驟一般情況下，NLP的分析步驟如下：(1)詞匯分析(2)句法分析(解析)

(3)語義分析(4)話語整合(5)語用分析NLP的Python應(yīng)用在使用之前需要安裝NLTK，它可以在以下命令來安裝：pipinstallnltk在Python命令提示符下編寫以下命令來導(dǎo)入它：>>>importnltk現(xiàn)在導(dǎo)入NLTK后，還需要下載所需的數(shù)據(jù)。它可以在Python命令提示符下通過以下命令完成：>>>nltk.download()分詞它可以被定義為將給定文本即字符序列分成稱為Token的較小單元的過程。Token可以是單詞，數(shù)字或標(biāo)點(diǎn)符號(hào)。以下是分詞一個(gè)簡(jiǎn)單示例：輸入：

Mango，Banana，PineappleandAppleallareFruits.輸出：

詞干由于語法原因，文字會(huì)有很多變化，這意味著必須處理像:democracy,democratic

和democratization

等不同形式的相同詞匯。機(jī)器非常需要理解這些不同的單詞具有相同的基本形式。通過這種方式，在分析文本的同時(shí)提取單詞的基本形式將會(huì)很有用。在PythonNLTK模塊中，有一些與詞干相關(guān)的包。PorterStemmer包LancasterStemmer包SnowballStemmer包詞元化詞性還原也可以通過詞形化來提取單詞的基本形式。它基本上通過使用詞匯的詞匯和形態(tài)分析來完成這項(xiàng)任務(wù)，通常旨在僅刪除變?cè)Y(jié)尾。例如，如果提供單詞saw作為輸入詞，那么詞干可能會(huì)返回單詞's'，但詞形化會(huì)嘗試返回單詞see。塊化將數(shù)據(jù)分割成塊，它是自然語言處理中的重要過程之一。分塊的主要工作是識(shí)別詞類和短語，有兩種類型的組塊。類型如下：上分塊在這個(gè)組塊過程中，對(duì)象，事物等向更普遍的方向發(fā)展，語言變得更加抽象。下分塊在這個(gè)組塊過程中，對(duì)象，事物等朝著更具體的方向發(fā)展，更深層次的結(jié)構(gòu)將進(jìn)行仔細(xì)檢查。實(shí)現(xiàn)名詞短語分塊第1步

-在這一步中，需要定義分塊的語法。它將包含需要遵循的規(guī)則。第2步

-在這一步中，需要?jiǎng)?chuàng)建一個(gè)塊解析器。它會(huì)解析語法并給出結(jié)果。第3步

-在最后一步中，輸出以樹格式生成。詞袋(BOW)模型詞袋，英文為:BagofWord(BoW)，它是自然語言處理中的一個(gè)模型，基本上用于從文本中提取特征，以便文本可用于建模，以便在機(jī)器學(xué)習(xí)算法中使用。將文本數(shù)據(jù)轉(zhuǎn)換為數(shù)值數(shù)據(jù)稱為特征提取或特征編碼。詞袋(BOW)模型例子句子1

-WeareusingtheBagofWordsmodel.句子2

-BagofWordsmodelisusedforextractingthefeatures.現(xiàn)在，通過考慮這兩句子，有以下13個(gè)不同的單詞：weareusingthebagofwordsmodelisusedforextractingfeatures現(xiàn)在，需要使用每個(gè)句子中的單詞計(jì)數(shù)為每個(gè)句子建立一個(gè)直方圖：子句1?[1,1,1,1,1,1,1,1,0,0,0,0,0]子句2?[0,0,0,1,1,1,1,1,1,1,1,1,1]詞頻-逆文檔頻率詞頻-逆文檔頻率（TermFrequency-InverseDocumentFrequency，TF-IDF)。每個(gè)單詞在文檔中都很重要。統(tǒng)計(jì)數(shù)據(jù)有助于理解每個(gè)詞的重要性。詞頻(TF)衡量每個(gè)單詞出現(xiàn)在文檔中的頻率。它可以通過將每個(gè)詞的計(jì)數(shù)除以給定文檔中的詞的總數(shù)來獲得。逆文檔頻率(IDF)是衡量在給定的文檔集中這個(gè)文檔有多獨(dú)特的一個(gè)單詞。要計(jì)算IDF和制定一個(gè)特征向量，需要減少一些常見詞的權(quán)重并權(quán)衡稀有詞。主題建模文檔被分組為主題。主題建模是一種揭示給定文檔集合中抽象主題或隱藏結(jié)構(gòu)的技術(shù)?？梢栽谝韵聢?chǎng)景中使用主題建模技術(shù)：文本分類推薦系統(tǒng)主題建模算法（1）LDA(LatentDirichletAllocation)算法。（2）潛在語義索引(LatentSemanticIndexing,LSI)

（3）非負(fù)矩陣分解(NonnegativeMatrixFactorization,NMF)：時(shí)間序列數(shù)據(jù)分析時(shí)間序列數(shù)據(jù)表示處于一系列特定時(shí)間間隔的數(shù)據(jù)。使用以下命令安裝Pandas：pipinstallpandasPandas可以執(zhí)行以下操作：使用pd.date_range包創(chuàng)建一系列日期通過使用pd.Series包對(duì)帶有日期數(shù)據(jù)進(jìn)行索引使用ts.resample包執(zhí)行重新采樣改變頻率處理時(shí)間序列數(shù)據(jù)步驟導(dǎo)入以下軟件包:importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspd處理時(shí)間序列數(shù)據(jù)步驟獲取數(shù)據(jù)：wget/products/precip/CWlink/daily_ao_index/monthly.ao.index.b50.current.ascii處理時(shí)間序列數(shù)據(jù)步驟定義一個(gè)函數(shù)，它將從輸入文件中讀取數(shù)據(jù)：defread_data(input_file):input_data=np.loadtxt(input_file,delimiter=None)

returninput_datainput_data=read_data(‘monthly.ao.index.b50.current.ascii‘)處理時(shí)間序列數(shù)據(jù)步驟將這些數(shù)據(jù)轉(zhuǎn)換為時(shí)間序列。在這個(gè)例子中，保留一個(gè)月的數(shù)據(jù)頻率。文件中是存儲(chǔ)從1950年1月開始的數(shù)據(jù):dates=pd.date_range('1950-01',periods=input_data.shape[0],freq='M')創(chuàng)建時(shí)間序列數(shù)據(jù)，如下所示:timeseries=pd.Series(input_data[:,-1],index=dates)處理時(shí)間序列數(shù)據(jù)步驟繪制并可視化數(shù)據(jù)plt.figure()timeseries.plot()plt.show()處理時(shí)間序列數(shù)據(jù)步驟在1980年到1990年間對(duì)數(shù)據(jù)進(jìn)行分割。請(qǐng)注意以下執(zhí)行此任務(wù)的代碼:timeseries['1980':'1990'].plot()plt.show()處理時(shí)間序列數(shù)據(jù)步驟使用mean()函數(shù)來查找平均值:timeseries.mean()使用max()函數(shù)來查找最大值:timeseries.max()使用min()函數(shù)來查找最小值:timeseries.min()使用describe()函數(shù)：timeseries.describe()處理時(shí)間序列數(shù)據(jù)步驟將數(shù)據(jù)重新采樣到不同的時(shí)間頻率使用mean()方法重新采樣數(shù)據(jù)，使用默認(rèn)方法：timeseries_mm=timeseries.resample("A").mean()timeseries_mm.plot(style='g--')plt.show()處理時(shí)間序列數(shù)據(jù)步驟使用median()方法重新采樣數(shù)據(jù)：timeseries_mm=timeseries.resample("A").median()timeseries_mm.plot()plt.show()處理時(shí)間序列數(shù)據(jù)步驟計(jì)算移動(dòng)平均值：timeseries.rolling(window=12,center=False).mean().plot(style='-g')plt.show()語音識(shí)別語音處理系統(tǒng)主要有三項(xiàng)任務(wù)：（1）語音識(shí)別允許機(jī)器捕捉人類所說的單詞，短語和句子（2）自然語言處理使機(jī)器能夠理解人類所說的話（3）語音合成允許機(jī)器說話。語音識(shí)別語音識(shí)別技術(shù)的困難可以廣泛地表征為如下所討論的許多維度：（1）詞匯大小（2）信道特性（3）說話模式（4）口語風(fēng)格

（5）噪音類型

（6）麥克風(fēng)特性逐步分析音頻信號(hào)導(dǎo)入必要的軟件包：importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.ioimportwavfile逐步分析音頻信號(hào)讀取存儲(chǔ)的音頻文件frequency_sampling,audio_signal=wavfile.read("audio_file.wav")顯示音頻信號(hào)的采樣頻率，信號(hào)的數(shù)據(jù)類型及其持續(xù)時(shí)間等參數(shù)：print('\nSignalshape:',audio_signal.shape)print('SignalDatatype:',audio_signal.dtype)print('Signalduration:',round(audio_signal.shape[0]/float(frequency_sampling),2),'seconds')逐步分析音頻信號(hào)對(duì)信號(hào)進(jìn)行標(biāo)準(zhǔn)化：audio_signal=audio_signal/np.power(2,15)

從信號(hào)中提取出前100個(gè)值進(jìn)行可視化：signal=audio_signal[:100]time_axis=1000*np.arange(0,len(signal),1)/float(frequency_sampling)逐步分析音頻信號(hào)可視化信號(hào)：plt.plot(time_axis,signal,color='blue')plt.xlabel('Time(milliseconds)')plt.ylabel('Amplitude')plt.title('Inputaudiosignal')plt.show()逐步分析音頻信號(hào)（頻域）導(dǎo)入必要的軟件包：importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.ioimportwavfile現(xiàn)在，讀取存儲(chǔ)的音頻文件。它會(huì)返回采樣頻率和音頻信號(hào)。frequency_sampling,audio_signal=wavfile.read("audio_file.wav")逐步分析音頻信號(hào)（頻域）對(duì)信號(hào)進(jìn)行標(biāo)準(zhǔn)化：audio_signal=audio_signal/np.power(2,15)提取信號(hào)的長(zhǎng)度和半長(zhǎng)：length_signal=len(audio_signal)half_length=np.ceil((length_signal+1)/2.0).astype()逐步分析音頻信號(hào)（頻域）轉(zhuǎn)換到頻域（使用傅里葉變換）signal_frequency=np.fft.fft(audio_signal)現(xiàn)在，進(jìn)行頻域信號(hào)的歸一化并將其平方：signal_frequency=abs(signal_frequency[0:half_length])/length_signalsignal_frequency**=2逐步分析音頻信號(hào)（頻域）提取頻率變換信號(hào)的長(zhǎng)度和一半長(zhǎng)度：len_fts=len(signal_frequency)傅里葉變換信號(hào)必須針對(duì)奇偶情況進(jìn)行調(diào)整。iflength_signal%2:signal_frequency[1:len_fts]*=2else:signal_frequency[1:len_fts-1]*=2逐步分析音頻信號(hào)（頻域）以分貝(dB)為單位提取功率：signal_power=10*np.log10(signal_frequency)調(diào)整X軸的以kHz為單位的頻率：x_axis=np.arange(0,len_fts,1)*(frequency_sampling/length_signal)/1000.0逐步分析音頻信號(hào)（頻域）信號(hào)的特征可視化如下：plt.figure()plt.plot(x_axis,signal_power,color='black')plt.xlabel('Frequency(kHz)')plt.ylabel('Signalpower(dB)')plt.show()生成單調(diào)音頻信號(hào)導(dǎo)入必要的軟件包：importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.io.wavfileimportwrite指定輸出保存的文件：output_file='audio_signal_generated.wav'生成單調(diào)音頻信號(hào)指定選擇的參數(shù)：duration=4#insecondsfrequency_sampling=44100#inHzfrequency_tone=784min_val=-4*np.pimax_val=4*np.pi生成單調(diào)音頻信號(hào)生成音頻信號(hào)：t=np.linspace(min_val,max_val,duration*frequency_sampling)audio_signal=np.sin(2*np.pi*frequency_tone*t)將音頻文件保存在輸出文件中：write(output_file,frequency_sampling,audio_signal)生成單調(diào)音頻信號(hào)提取圖形的前100個(gè)值：signal=audio_signal[:100]time_axis=1000*np.arange(0,len(signal),1)/float(frequency_sampling)

現(xiàn)在，將生成的音頻信號(hào)可視化：plt.plot(time_axis,signal,color='blue')plt.xlabel('Timeinmilliseconds')plt.ylabel('Amplitude')plt.title('Generatedaudiosignal')plt.show()語音特征提取語音特征提取是構(gòu)建語音識(shí)別器的最重要步驟，因?yàn)樵趯⒄Z音信號(hào)轉(zhuǎn)換為頻域后，必須將其轉(zhuǎn)換為可用的特征向量形式。不同的特征提取技術(shù)，MFCC(MelFrequencyCepstrumCoefficient,梅爾頻率倒譜系數(shù))PLP(PerceptualLinearPrediction)使用MFCC技術(shù)提取特征導(dǎo)入必要的軟件包：importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.ioimportwavfilefrompython_speech_featuresimportmfcc,logfbank讀取存儲(chǔ)的音頻文件frequency_sampling,audio_signal=wavfile.read("audio_file.wav")使用MFCC技術(shù)提取特征請(qǐng)注意，在此首先抽取15000個(gè)樣本進(jìn)行分析。signal=audio_signal[:15000]

執(zhí)行以下命令來提取MFCC特征：features_mfcc=mfcc(signal,frequency_sampling)打印MFCC參數(shù)：print('\nMFCC:\nNumberofwindows=',features_mfcc.shape[0])print('Lengthofeachfeature=',features_mfcc.shape[1])使用MFCC技術(shù)提取特征繪制并可視化MFCC特征：features_mfcc=features_mfcc.Tplt.matshow(features_mfcc[:,:40])plt.title('MFCC')使用MFCC技術(shù)提取特征提取過濾器組特征：filterbank_features=logfbank(audio_signal,frequency_sampling)繪制并可視化過濾器組特征。filterbank_features=filterbank_features.Tplt.matshow(filterbank_features[:,:40])plt.title('Filterbank')plt.show()語音識(shí)別語音識(shí)別意味著當(dāng)人們說話時(shí)，機(jī)器就會(huì)理解它。Pyaudio-它可以通過使用pip安裝Pyaudio命令進(jìn)行安裝。SpeechRecognition-這個(gè)軟件包可以通過使用pipinstallSpeechRecognition進(jìn)行安裝。Google-Speech-API-可以使用命令pipinstallgoogle-api-python-client進(jìn)行安裝。啟發(fā)式搜索搜索算法，根據(jù)其是否使用與問題有關(guān)的知識(shí)，分為盲目搜索和啟發(fā)式搜索。啟發(fā)式搜索在人工智能中起著關(guān)鍵作用。有兩種控制策略或搜索技術(shù):不知情和知情。不知情的搜索也被稱為盲搜索或盲控制策略。解決代數(shù)關(guān)系在約束滿足問題的幫助下，可以求解代數(shù)關(guān)系。pipinstallpython-constraint約束滿足來解決代數(shù)關(guān)系導(dǎo)入約束包：fromconstraintimport*

現(xiàn)在，創(chuàng)建一個(gè)名為problem()的模塊對(duì)象，如下所示：problem=Problem()約束滿足來解決代數(shù)關(guān)系定義兩個(gè)變量a和b，并且將定義10為它們的范圍，這意味著在前10個(gè)數(shù)字范圍內(nèi)得到解決。problem.addVariable('a',range(10))problem.addVariable('b',range(10))約束滿足來解決代數(shù)關(guān)系定義應(yīng)用于這個(gè)問題的特定約束。請(qǐng)注意，這里使用約束a*2=b。problem.addConstraint(lambdaa,b:a*2==b)創(chuàng)建getSolution()模塊的對(duì)象solutions=problem.getSolutions()打印輸出：print(solutions)魔幻正方形定義一個(gè)名為magic_square的函數(shù)：defmagic_square(matrix_ms):iSize=len(matrix_ms[0])sum_list=[]顯示垂直方塊的代碼：forcolinrange(iSize):sum_list.append(sum(row[col]forrowinmatrix_ms))

顯示了水平方塊的代碼：sum_list.extend([sum(lines)forlinesinmatrix_ms])魔幻正方形水平方塊的代碼實(shí)現(xiàn)：dlResult=0foriinrange(0,iSize):dlResult+=matrix_ms[i][i]sum_list.append(dlResult)drResult=0foriinrange(iSize-1,-1,-1):drResult+=matrix_ms[i][i]sum_list.append(drResult)

iflen(set(sum_list))>1:returnFalsereturnTrue魔幻正方形現(xiàn)在，給出矩陣的值并查看輸出結(jié)果：print(magic_square([[1,2,3],[4,5,6],[7,8,9]]))

可以觀察到由于總和未達(dá)到相同數(shù)字，輸出將為False。print(magic_square([[3,9,2],[3,5,7],[9,1,6]]))

可以觀察到輸出將為True，因?yàn)榭偤褪窍嗤臄?shù)字，即15。遺傳算法遺傳算法(GeneticAlgorithm,GA)是基于自然選擇和遺傳學(xué)概念的基于搜索的算法。遺傳算法是稱為進(jìn)化計(jì)算的更大分支的一個(gè)子