信息技术 必修一 第四章 知识梳理（使用软件：幕布）
文字稿：
● 第四章 走进人工智能
● 第一节 体验计算机视觉应用
● 计算机视觉
● 是一门研究如何使机器“看清”和“看懂”的学科
● 指用图像采集设备和计算机代替人眼完成对目标的识别、跟踪和测量等工作
● 人脸识别
● 是基于人的脸部特征信息进行身份识别的一种生物识别技术
● 有时也被称为人像识别、面部识别，也是计算机视觉重要的研究方向 之一
● 广义
● 包括构建人脸识别系统的一系列相关技术
● 举例
● 人脸图像采集
● 人脸检测（含定位）
● 身份确认
● 身份查找
● 狭义
● 特指通过人脸进行身份确认或者身份查找的技术或系统
● 时间轴
● 20世纪50年代
● 开展相关研究
● 20世纪60年代
● 进入工程化应用
● 几何特征法
● 1991年
● “特征脸”方法
● 进入21世纪
● 人工智能技术发展
● 关注是否能成功识别
● 各种面部图像采集条件
● 不同光照
● 不同传感器
● 是否进行压缩
● 被拍摄者各种主观条件
● 面部不同姿态
● 不同表情
● 是否有遮挡
● 2014年前后
● 大数据和深度学习发展
● 神经网络技术
● 图像分类
● 手写体识别
● 语音识别
● 使用Pillow库实现人脸标记
● 书上版本
● #导入Pillow库
● from PIL import Image,ImageDraw
● #打开图像
● im=Image.open(imageName)
● #生成一个可以用于画图的对象
● draw=ImageDraw.Draw(im)
● #使用人工智能平台返回的人脸坐标信息，在图像中人脸的位置画一个红色的矩形框
● #用left、top、width、height分别表示人脸框左上角的横、纵坐标以及人脸框的宽度、高度
● draw.rectangle((left,top,left+width,top+height),outline=(255,0,0))
● #将图像展示出来
● im.show()
● 课上版本
● 输入信息（导入图像）->处理信息（人脸定位）[对接平台/导入平台]
● #调用AIP接口
● option={'max face.num':10}
● (表示可识别人脸的最大值）
● #调用接口，获得参数
● imagePic=client.detect(image,imageType,options)
● #赋值给left、top、width、height变量
● eg.left=imageDic['result'][0]['location']['left']
● 图像预处理
● #用imageName变量存储要识别的图片地址
● ImageName=’……/pic/test2.jpeg‘
● #打开图像
● f=open(imageName,'rb')
● （'rb'表示二进制）
● #导入base64库，将图片转码为base64格式
● import base64
● #定义图像类型
● image Type='BASE64'
● #对图像进行base64编码
● base64_data=base64.b64.encode(f.read())
● #对原图像进行base64编码，得到所处理图像
● image=base64_data.decode()
● 输出信息（绘制人脸区域）
● #使用人工智能平台返回的人脸坐标信息，在图像中人脸的位置画一个红色的矩形框
● #用left、top、width、height分别表示人脸框左上角的横、纵坐标以及人脸框的宽度、高度
● draw.polygon([(left,top),(left+width,top),(left+width,height+top),(left,height+top)],outline=(255,0,0))
● 人脸检测与人脸识别
● 人脸检测
● 要检测出图像中人脸的所在位置
● 解决问题：（扫描、判定、找脸）
● 人脸识别
● 要找出人脸图像所对应的身份
● 解决问题：（是谁）
● 第二节 人工智能的发展历程
● 人工智能
● 定义：
● 人工智能是指由人创造出来的，具有感知、认知、决策、学习、执行和社会协作能力，符合人类情感、伦理与道德观念的虚拟的或人工的系统
● 表现形式
● 会看
● （图像识别、文字识别、车牌识别……）
● 会听
● （语音识别、说话人识别、机器翻译……）
● 会说
● （语音合成、人机对话）
● 会行动
● （机器人、自动驾驶汽车、无人机）
● 会思考
● （人机对弈、定理证明、医疗诊断）
● 会学习
● （机器学习、知识表示）
● 一、专家系统
● 专家系统最杰出的代表之一就是1997年战胜了国际象棋世界冠军的神蓝计算机
● 专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统
● 医疗是专家系统的典型应用领域之一
● 二、机器学习
● 机器学习是人工智能的研究领域之一
● 本质
● 是基于互联网的海量数据以及计算机系统强大的运算能力，让机器自主模拟人类学习的过程，通过不断“学习”数据来做出智能决策行为
● 主要目的
● 设计和分析一些让计算机可以自动“学习”的算法，使计算机从数据中自动分析获得规律，并利用规律对位置数据进行预测
● 1、监督学习
● 回归
● 根据离散数据生成拟合曲线，因此其预测结果是 连续 的
● 分类
● 将一些实例数据分到合适的类别中，它的预测结果是 离散 的
● 2、非监督学习
● 表示机器学习的数据无标记，机器需从中探索并推断出潜在的联系
● 实例：判断鸢尾花类型的方法
● 测试步骤：
● ①计算训练集中每种鸢尾花的属性平均值
● ②计算测试数据与属性平均值之间欧氏距离的平方值，找到其中的最小值
● ③将最小值对应的训练数据分类判定为测试数据的分类
● ④将机器判定的分类与测试集中的标记分类进行对比，计算正确率
● 关键步骤&核心代码：
● 第一步：数据文件准备
● 将120条训练数据和30条测试数据分别存入iris_training.csv（训练集）和iris_testing（测试集）文件，两个文件的第一行为每一列数据项对应的标题，依次为se_len（萼片长度）、se_wid（萼片宽度）、pe_len（花瓣长度）、pe_wid（花瓣宽度）和classification（实际分类）
● 第二步：初始化
● 导入Pandas库，以实现对CSV文件的读取
● 对程序中用到的常量和变量进行初始化赋值
● 代码：
● #将山鸢尾、变色鸢尾和维吉尼亚鸢尾的名称使用列表iris_type进行存储
● iris_type=['Iris-setosa','Iris-versicolor','Iris-virginica']
● #初始化三个列表，分别存储三种鸢尾花每个属性的总值和训练样本数量
● setosa_sum=[0,0,0,0,0]
● versicolor_sum=[0,0,0,0,0]
● virginica_sum=[0,0,0,0,0]
● #设置四个常量，分别代表三个列表的索引位所表示的含义
● se_len=0
● #列表第0位代表萼片长度
● se_wid=1
● #列表第1位代表萼片宽度
● pe_len=2
● #列表第2位代表花瓣长度
● pe_wid=3
● #列表第3位代表花瓣宽度
● amount=4
● #列表第4位代表鸢尾花训练样本的数量
● 第三步：训练
● 通过Pandas库读入iris_training.csv文件中的训练数据并循环逐条处理
● 对四个属性分别进行累加求和
● 计算每种类型鸢尾花的训练样本数量
● 分别存储在setosa_sum、versicolor_sum和virginica_sum三个列表中
● 代码：
● #通过Pandas库的read_csv函数读入训练集数据文件'iris_training.csv'
● trainData=pd.read_csv('iris_training.csv)
● #循环处理训练集CSV文件中的每一条训练数据
● #分别累加计算每种类型鸢尾花的四个属性的总值以及训练样本数量
● for index,row in trainData.iterrows():
● if row.classification=='Iris-setosa':
● setosa_sum[se_len]+=row.se_len
● #萼片长度
● setosa_sum[se_wid]+=row.se_wid
● #萼片宽度
● setosa_sum[pe_len]+=row.pe_len
● #花瓣长度
● setosa_sum[pe_wid]+=row.pe_wid
● #花瓣宽度
● setosa_sum[amount]+=1
● #样本数量
● 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：预测
● 通过Pandas库读入iris_testing.csv文件中的测试数据并循环逐条处理
● 对于每条测试数据：
● 分别计算其与三种鸢尾花属性均值的欧式距离的平方值
● 并存储在列表distance中
● 代码：
● #读入测试集数据文件'iris_testing.csv'
● TestData=pd.read_csv('iris_testing.csv')
● #循环读取测试集CSV文件中的每一条训练数据并进行处理
● for index,row in TestData.iterrows():
● #分别计算输入数据与三种鸢尾花属性均值的欧式距离平均值
● #存储在列表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)
● #获取最小的欧氏距离的平方值
● min_distance=min(distance)
● #获取最小值的序号
● idx=distance.index(min_distance)
● #将iris_type列表中对应序号位置的分类信息作为预测分类结果
● #打印当前样本的实际分类和预测分类
● print('实际分类：',row.classification,'；预测分类：',iris_type[idx])
● 第三节 人工智能的作用及影响
● 一、人工智能在不同领域发挥的作用
● 1、智能制造
● 2、智能农业
● 3、智能物流
● 4、智能金融
● 5、智能家居
● 二、人工智能创新发展方向
● 1、智能语言平台
● 2、医疗影像平台
● 3、自动驾驶平台
● 4、城市大脑平台
● 三、人工智能对社会发展的影响
● 人工智能已经开始逐渐与各领域紧密结合，渗透人们日常生活的方方面面，极大地提高了人们的工作效率和服务水平
● 人工智能应用的目的是将人类从部分脑力劳动中解放出来
使用软件：幕布 & B站
（由于以上均为手打，难免会有疏忽，如有错误，还请在评论区中指出
如需思维导图原图或freemind文件，请务必私信获取~
(๑•̀ㅂ•́)و✧ (´▽`ʃ♡ƪ) (●'◡'●) (☆▽☆) *★,°*:.☆(￣▽￣)/$:*.°★* 。 ）
信息科技完结撒花~~~
*★,°*:.☆(￣▽￣)/$:*.°★* 。
