简介：今天，首席执行官指出，与您分享人工智能如何认识斜坡。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
人工智能的原则是简单的描述：
人工智能=数学计算。
机器的智能取决于“算法”。从本质上讲，人们发现电路已打开和关闭，可以用1和0表示。不同的安排更改可以代表许多事物，例如颜色，形状和字母。与逻辑组件（Triode）结合，“输入（按Switch Button）-down（当前通过该线路） - 输出（轻度输出）开启）”
这个模型。
想象一下在家中的双控制开关。
为了实现更复杂的计算，它最终成为“大型集成电路” -Chip。
电路逻辑逐层嵌套。将图层封装后，更改当前状态的当前状态的方法已成为“编写编程语言”。程序员正在这样做。
程序员让计算机执行，并执行。该程序将整个过程固定为死亡。
因此，要允许计算机执行特定任务，程序员必须首先完全找出任务过程。
以Lianji电梯为例：
不要低估这台电梯，它是“智能的”。考虑它需要做什么判断：向上和向下的方向，无论是全部员工，高峰时间，停车时间是否足够，单层和双层楼等，您都需要提前考虑所有可能性，否则您将成为错误。
在某种程度上，程序员控制着世界。但是总是要亲吻这个东西。程序员太累了。您会看到他们在加时赛中有红眼睛。
因此，我想：我可以让计算机自己学习并遇到问题来解决它吗？我们只需要告诉它一套学习方法即可。
每个人都记得1997年，IBM用专门设计的计算机赢得了国际象棋冠军。实际上，它的方法是愚蠢的 - 暴力计算，该术语称为“糟糕”（实际上，为了节省计算能力，IBM手动修剪了A许多不必要的计算，例如那些明显的愚蠢国际象棋，以及针对卡的卡片的目标。Siparov的样式得到了优化）。计算机计算出每一步的每个方法，然后比较人类的国际象棋记录以找到最佳解决方案。
一句话：剧烈的奇迹！
但是当我到达这里时，我做不到。无关，力量有多么强大，有一个限制。GO的可能性远远超过宇宙中原子的总和（已知）。即使当前最强大的超级计算使用当前最强大的超级计算，它也是数万年的。在量子计算机成熟之前，不可能进行电子计算机。
因此，程序员向Alpha Dog添加了额外的算法层：
A.首先计算：在哪里计算，忽略哪里。
B.然后，以目标方式进行计算。
- 从本质上讲，仍然可以计算。如何有“感知”！
在步骤A中，如何判断“在哪里计算”？
这是“人工智能”的核心问题：“学习”的过程。
想想人类如何学习？
所有人类认知都来自观察到的现象的摘要，并根据摘要规则预测未来。
当您看到一条四腿，短发，中等大小，嘴巴和吠叫动物时。如果您是狗，您将对后来看到的所有类似物体进行分类。
但是，机器的学习方法与人类不同：
人们可以通过观察少数特征来推动最未知的人。制定者和反击。
该机器必须观察很多狗才能知道跑步。是狗吗？
如此愚蠢的机器可以期望它统治人类吗？
它只是依靠计算能力！
具体而言，其“学习”算法是“神经网络”（更多虚张声势）。
（功能提取器，总结对象的特征，然后将功能放入池中以集成，连接神经网络输出的完整连接的结束结论）
它需要两个先决条件：
1.吃很多数据以尝试和错误，并逐渐调整您的准确性；
2.神经网络层的数量越多，计算越准确（限制），所需的计算能力就越大。
因此，尽管它在多年前可用（当时称为“感知机”），但神经网络的方法。但是，由于数据和计算能力的量，它尚未开发。
神经网络听起来不仅仅是意识机的感觉。我不知道高端的去向！这再次告诉我们一个好名字对研究（BI）有多重要！
现在，两个条件都可以使用-big数据和云计算。
目前AI公共应用领域：
图像识别（安全识别，指纹，美容，图片搜索，医学图像诊断），使用“卷积神经网络（CNN）”，主要是提取空间维度的特征来识别图像。
自然语言处理（人机对话，翻译）使用“环状神经网络（RNN）”，它主要提取时间维度的特征。因为前后有一个顺序，因此单词的时间决定语义。
神经网络算法的设计水平决定了其描绘现实的能力。顶级公牛Wu Enda曾经设计了超过100层的卷积层（太多的层容易容易过度拟合问题）。
当我们深入了解计算的含义时：有一个明确的数学定律。
这个世界具有量子（随机）功能，它决定了计算机的理论局限性。实际上，计算机甚至无法产生真实的随机数。
- 机器仍然很愚蠢。
对于更多人工智能的知识，如果您想知道，您可以私下询问。
第1章MAPGIS基础知识
1.1。MAPGIS基本概念。
用户坐标系：它是用户用于处理其图形的坐标系。
设备坐标系：它是图形设备的坐标系。数字仪器的原始点通常位于中心。
地图：它基于一定的数学定律和独特的符号系统以及绘图系统的全面原理，以减少飞机上平面上图形的图形。
窗口：它是用户坐标系中的矩形区域。用户可以更改此矩形的大小或运动位置以选择他们要观察的图形。窗口就像相机的场景。当我们瞄准不同的地方时，我们选择了不同的风景。场景越远，风景越多，成像也很小。当我们接近它时，场景所包含的越越越大，成像越大。使用窗口技术，我们可以选择图形的一部分来观察图形的详细部分或全局。
视觉：它是设备坐标系中的矩形区域。它是设备上图形的显示区域。可见区域是通过以某个高和一个或多个观点计算来获得的一个或多个观点的可见区域。
层：是根据某些需求或标准组合一些相关对象的用户。我们称其为层。就像地理地图中的供水系统构成一层，铁路构成一层。我们可以将图层理解为透明膜，并且每个层上的对象都在同一胶片上。从几层胶片中堆叠起来，图形层有助于提高检索和显示速度。
目标区域：这是一个用于捕获编辑对象（图形）的矩形区域，该对象（图形）是由用户在屏幕上形成的。
控制点：控制点是指已知平面位置的点和表面的高端。它可以控制图形处理中图形的形状并反映图形位置。
点元：点元是点图形的缩写，有时也引用了缩写。它包括单词，字符串，sub -diagram，round，round，round，arc，arc，droce在线点”。
电弧段：电弧段是一系列常规的顺序点，它们可以构成该区域的轮廓线。这是曲线的两个不同概念。
区域/区域：区域/区域是一个封闭图形，由弧线段组成，该图形段以相同的方向或头部和尾部连接。
拓扑：拓扑也是与计划，线和区域等计划的空间关系的数学关系。它主要包括：区域定义，区域邻接性和ARC段的顺序。该区域由构成的ARC段组成它的轮廓。所有电弧段均已编码，该区域被视为由弧形代码组成；该地区的毗邻是该地区是否与该地区相邻，但是确定边界弧段是否普遍可用；ARC段的顺序是指方向性的电弧段，可以定义其起始节点和终止节点，这对于检查网络层中的路径或电路很方便。拓扑性质是变形后保持不变的属性。
透明输出：与透明输出相比覆盖输出。使用一个示例来解释该术语。如果区域，线和区域或点图元素是叠加的，则在透明输出期间更改了最大图形的最高颜色。在最终的输出颜色中，最终输出已打印。
数字化：数字化是指将模拟信息（例如图形和文本）转换为计算机可以识别，处理和存储的数字信息的过程。
向量：这是具有一定方向和长度的数量和长度。在两个维空间中可以表示矢量（DX，DY），其中DX表示沿X方向移动的距离，并且DY代表DY代表的距离沿着y方向移动。
矢量化：矢量化是指将网格数据转换为向量数据的过程。
精炼：完善是指具有一定宽度的评级数据的过程，绘制骨骼。
网格（结构）：网格是指根据一定的网格结构转换不规则观察点的过程，并具有一定的算法为具有常规排列的网格。机格分为规则网格和不规则的网格。其中，规则网格是指在地图区域形成小矩形或方形网格网格的过程；从离散点直接连接的四边形或三角网络的过程主要用于绘制等效线。
画廊：凝胶化是指将矢量数据转换为网格数据的过程。
平滑曲线：它基于使用插值方法或曲线的索引列，以使满足满足实际要求的实际要求的函数合法化，以便给定点满足此功能关系。
节点：节点是某个弧段的终点，或几个电弧段之间的跨点。
节点平坦（顶点匹配）：最初是相同的节点。由于数字误差，几个ARC段在交点处，也就是说，在节点上没有封闭或巧合。以某个匹配的半径为单位，它变成了一个真实的节点过程，称为节点平面。
BUF检索：最初是在某个ARC段X上的几个电弧段。由于数字误差，这些电弧段不属于X弧节点的X ARC段或X弧段处的连接。xARC段根据某个检索深度在深度周围的几个电弧段中检索节点。我们将此过程称为BUF搜索。
缓冲区（缓冲区）：它是由点，线和表面建立的区域，可以被视为在特定空间中地面的延伸。任何目标产生的缓冲液始终是多边形的，例如建立湖泊和河道500 500mi kuan的砍伐区域。缓冲区分析的应用包括道路的噪声缓冲区和危险设施的安全区。
切割：切割是指根据给定多边形边界的边界范围在图中提取零件或全部的过程，用于单独处理。该给定的多边形通常称为切割框。在裁缝和实际处理过程中，切割方法具有内部切割和切割。其中，内部切割是切割框架后剪裁框架的一部分。
属性：它是实体的特征。属性数据是一个描述真实实体特征的数据集。显示的土地的桌面表通常称为属性表，并且属性表通常用于组织属性数据。
康复：这是根据一种类型的元素信息插入另一种类型的元素信息的过程。
遥感：从广义上讲，遥感是信息的技术方法，该信息是从长距离衡量测量地面或现象的信息。在狭窄的意义上，它主要是指使用可见光，红外，微波和其他检测长距离，高度和外层空间的仪器。现代技术系统。
监督分类：根据样本区域的特征建立反射和分类之间的关系，然后将其促进图像的其他位置。它以统计识别功能为理论基础。对监督和分类的理论基础，它基于聚类理论并自动建立规则。
网络（网络）：定期集合节点和边缘，例如道路网络和管道网络。节点是线路横点的终点，以及数据库模型中的链条（即复杂的坐标字符串线或边界），节点是节点的边缘数量。网络分析是多种多样的，例如交通规划，路线布置等。
TIN：这是一个非定型的相邻三角形，该三角形由一组具有X，Y坐标和Z值的不规则空间斑点，包括节点，线和三角形平面，用于描述表面的表面积。TIN的数据结构包括与它们的拓扑关系，因此TIN不仅可以在高效率下制作各种表面模型，还可以采用非常有效的地形表示方法。TIN的模型化能力包括计算斜坡，斜率，体积和表面长度的计算。它确定河网和脊线以生成泰森多边形。
数字高端模型（DEM）：数字高程模型，这是一个数字形式的定量模型。
数字地形模型（DTM）：数字地形模型，它是由数字形式表达的表面，即区域地形的数量，由一系列的X，Y位置及其连接的高端Z组成。该数字形式的地形模型是为了适应计算机处理的，并为各种地形特征的定量分析提供了基本数据，并对各种地形的特征以及不同类型的主题的特征进行定量分析。，第三维z并不一定代表高程序，但它可以代表特殊地图的测量值，例如地震强度和压力值。
实体仪：统计图中的图表。测量值的范围分为几个分区，底部有一个范围，每个间隔中的测量值较高，形成了许多矩形形状。由这些矩形组成的图称为直方图。
地图项目：根据某些数学规则，根据某个数学规则将椭圆椭圆的方法投射出来。
斜率和斜率：如果输入很高，则可以通过计算相邻元素的值差来获得斜率；斜率倾斜的水平方向称为斜率。
1.2，县（城市） - 数据库管理系统中专业条款的土地使用
土地利用数据库工程：这是一个合乎逻辑的概念，与MAPGIS平台的“工程”定义不同。它指的是所有土地使用数据的逻辑集，其中包含指定区域内的时间和空间特征。
项目：该项目是一个合乎逻辑的概念，与MAPGIS平台中定义的“工程”的含义完全相同。
数据（文件）层：它是一个中和物理和逻辑概念的身体。从逻辑上讲，它是项目和工程的子集，它是独立存在的文件。
人工和地面边界：它是指具有单一土地使用状态类型的封闭区域，该区域与MAPGIS平台中的“区域”相对应。
行政区域：指行政部门。
线 - 类似地面对象：它是指具有一定宽但不代表的地理线的集体术语。
散落的土地：在当前情况下对实际土地使用的调查中，根据图的较小区域，不适合使用土地使用的当前状态图。它的几何特征是点。
混合图形类别：衍生名称是指大量散落土地的土地使用的当前状态，这些土地包含大量散落的土地。
图形索引和行政区索引：图形索引是指行政管辖区中标准比例规模的当前图的索引图；行政部门的索引是行政区域范围内所有下属管理区域的索引图。索引图对于建立当前状态数据库项目都是必需的。
飞行地面：所有权是村庄A的图形，但是几何位置位于B村的所有权的行政区域内。
所有权和所有权的所有权：指当前状态图的土地使用的所有权。所有权的边界是所有权的边界，它与行政区的边界相吻合。
争议：这是争端土地使用的当前地位。
图形类别和更改数据：图形类是指当前过程处理的当前状态数据，这是一个相对概念。更改数据是指根据基本年份数据使用土地使用数据，与对应基本年份数据。
协调偏移值：有两种形式的系统保存数据坐标文件：浮动 - 点类型和双重编写类型，浮动 - 点数据文件大小是双 - 精确类型和快速处理速度的一半，但其有效位是很短的。，处理大型坐标数据的处理。时间准确性还不够。因此，需要使用土地坐标记录的当前状态数据来进行统一翻译，并且翻译过程中的翻译称为坐标迁移。价值。
1.3，MapGIS功能简介
本节主要介绍与该系统相关的功能。它的主要操作显示在MAPGIS操作手册中。
1.3.1，数据输入
在建立数据库时，我们需要拥有将各种类型的空间数据转换为数字数据的工具。数据输入是GIS的关键之一。它的成本通常占整个项目投资的80％或更多。MAPGIS提供的数据输入具有数字输入，扫描矢量输入，GPS输入以及其他数据源的直接转换。
1.数字输入
数字输入是数字化的实现过程，即从模拟信息从模拟信息到数字信息的转换。通常，常用的仪器是数字仪器。
设备安装和初始化功能 - 用于用于在线测试，安装和初始化原始点，坐标轴，角度校正等的输入设备（主要是数字仪器），以实现连接通信在数字和主机之间。对于不同类型的数字仪器，它可以根据用户的类型自动生成或更新数字仪器驱动程序。
底部图的数字输入函数 - 可以表现出原始底部图的手动数字化，收集点和线图金属之间的关系数据和属性数据也可以通过三维三维图来收集。输入方法有点简化。输入类型包括圆形线，弧线，多边形线，任何线条和字符串，子数字等等。
输入元素的Flattime校正函数---自动处理输入点，线和表面坐标数据上的平坦差异，以纠正由手动输入校正引起的误差。
输入数据的显示功能 - 通过设置显示窗口，可以显示当前输入的比例因素，图形数据和图形关系数据，并可以执行分层管理。
属性连接功能---通过关键字连接指定图的图形和属性数据。
属性数据的编辑功能---属性数据结构，输入，浏览，修改属性数据的动态定义。
2.扫描矢量输入
扫描向量子系统，输入扫描仪的扫描图像，然后使用向量确定实体的空间位置。对于高质量的原始数据，扫描是一个时间 - 节省和高效的数据输入方法。MAPGIS扫描主要矢量化的功能::
1）图像格式转换函数---系统可以接受扫描仪输入的TIFF网格数据格式，并将其转换为MAPGIS系统的标准RBM格式。
2）向量跟踪指导函数---您可以访问整个图形，任意缩放，并自动调整矢量化期间窗口位置的位置，以确保矢量化指南光标始终位于屏幕的中间。在多灰色级别上，确保跟踪中心线。
3）各种矢量化处理函数---系统提供交互式手动，半自动，精制，自动和非详细的全自动矢量化方法，同时，在窗口中提供了全方点矢量化和矢量化功能用户选择。
4）自动识别函数---在我国，人工智能和模型识别技术的系统应用成功地领导了成功实现中国灰色扫描地图矢量化和颜色扫描地图向量化，从而克服了两人的致命弱点扫描地图矢量化，以便颜色图可以达到完整的时间矢量化。
5）编辑校正函数---系统提供了矢量化的图形（包括点图形和线图元素），可以进行编辑和修改。特定图形元素（例如图形图表）可以直接调用系统库，并自动根据生成生成到给定的参数。
3. GPS输入
GPS是确定地球精确位置的新工具。它迅速根据一系列卫星的接收信号来迅速计算地球表面特征的位置。因为GPS测量的三维空间位置由数字坐标表示，因此无需在没有任何转换的情况下输入数据库。
1.3.2，数据处理
通过数据和分析，统计信息等生成的数据。输入计算机通常需要数据校正，编辑，图形装饰，误差消除和坐标，在输入仓库和输出过程中。MAPGIS通过拓扑编辑子系统完成，图形编辑完成子系统和投影转换，数据校正和其他系统。以下是单独引入的。
1.图形编辑子系统
该系统用于编辑矢量结构及其图形属性，添加或删除点，线和区域边界的点，线和区域的空间位置，并及时自动纠正拓扑关系。图形编辑子系统在图形数据库中进行了编辑，修改，检索和制造，以便输入图形更准确，更丰富，更漂亮。它的主要功能是：
（1）高级视觉定位检索函数---提供各种图形窗口的操作功能，包括打开窗口，移动窗口和无符号以放大和减少窗口比例的比例，显示窗口和映射捕获信息以及其他一系列视觉技术功能。
（2）灵活且方便的线元编辑功能---此系统使用各种线条（例如约会线，省边界，国家边界，公路，高速公路，铁路，河流路堤，水脊等）。图表元素，根据指定的坐标点数据，行类型和参数，各种行类型由算法处理生成。行元素编辑功能完成连接，组合，增加，删除，修改，修改，裁缝，提取，萃取，平滑度，流离失所，数组的数组，修改，旋转，并行，修改参数等。
（3）具有强大功能的编辑功能---将各种评论（英语，汉字，日语，俄语），各种特殊符号，子数字，图案和直线合并为dot-chart元素MAP ElementEdit。点图的编辑功能提供了一种编辑评论及其控制点坐标的手段。它可以增加，删除，移动，复制和阵列复制各种注释，包括大小，角度，字体，字体大小，儿童，子，子样本，子样本，childrigure编号等，也可以修改控制点的坐标位置。
（4）快速有效的面对面编辑功能---面对面编辑功能编辑数字，填充了颜色或图案填充区域（Facialons），包括机构，删除，合并，分裂，复制，复制和面部元素facade.tribute编辑和边框编辑函数。它们在它们的建立函数允许用户与立面边界弧段交互，定义面部元素属性（颜色，填充模式等）；属性编辑可以匹配查询，修改，删除，定位等。切割，连接，移动，删除，添加，平滑以及任何点（例如移动，删除和添加弧段上的任何点）的边界。
（5）图形信息的分层管理功能---系统提供图形信息的分层存储，分层管理和分层操作功能，使用户可以自己定义和修改图层名称，并在任何时候打开或关闭单层在任何时候或所有层，都会自动检索存储在每一层和图表的每一层上的图形信息。由于可以将yuan存储在层中，因此该层可以用作灵活的组合筛选。
2.检查子系统错误
检查子系统以帮助用户检查数据错误，例如拓扑关系，区域，美元的参数等，为用户提供视觉错误检查环境，指出错误类型和错误的类型，从而保存数据维修时间，提高数据质量。
3.旅游结构社论系统
拓扑处理子系统可以在图中的位置结构中建立拓扑关系，从而使搜索区，检查和区域制造更快，方便且简单。它提供了自动生成，检查和正确拓扑关系的工具。拓扑数据形成的数据库也称为拓扑数据库。进行空间分析时，可以分析拓扑关系的数据。因此，经常使用拓扑数据库。
4.地图投影更改子系统
地图投影的基本问题是如何在地图平面上表示地球表面（椭圆形或球形）。有许多方法来指示这种方法，而不同的投影方法实现了不同地图的需求。因此，它可能会从一个地图投影坐标系转换为图形数据处理中的另一个地图投影坐标。可以通过生成框架的功能来生成侦察兵。
人工智能识别技术是指通过计算机，相机，扫描仪和其他设备自动获取和识别信息的技术手段，例如目标说明，数据和其他信息。最早起源于语音控制技术（语音识别技术）。声音控制技术广泛用于智能手机的控制和交互作用。核心是识别人们的声音并与控制手机的手机指令进行比较。
根据识别对象是否具有生命的特征，人工智能识别技术可以分为两类：生命识别，没有生命识别。
有人工智能识别技术的技术。它指的是与人类生活特征的一定联系，包括语音识别，指纹识别，面部识别，虹膜识别等。语音识别技术的工作原理基于对身份证本身的科学和有效识别，正确地识别了身份证本身的声音确定声音的内容，或通过声音来判断说话者的身份（说出活着的人的认可）；工作原则是通过人体的指纹发展智能识别，并最终正确确定属于属于的相应人满足实际需求的指纹；人工智能人的面部识别技术在面部的结构特征在科学和合理上是合理的，并且检查员的实际身份被确定以识别检查员的实际身份；虹膜识别取决于虹膜的特征。
生活的本质 - 自由识别技术是指与人类生活特征没有任何关联的技术。该技术主要包括射频识别技术，智能卡技术和条形码识别技术。RF识别技术的核心是无线电波。特定的工作原理是：无线电信号在电磁场下传输以完成数据和标签识别；条形码识别技术包括一项维度代码技术和QR码技术，QR Code Technology IT是根据一个维度代码技术开发的。数据存储剩余的空间更大，也可以纠正。它在信息标签和信息收集中具有非常有效的应用。智能卡，智能卡主要由集成电路板组成。这项工作主要用于数据开发的操作和存储。通过将良好的计算技术纳入智能卡，可以有效地完成数据的各种任务。
人工智能识别技术的应用非常广泛，不同类型的人工智能识别技术已应用于社会的各个领域，例如计算机人工智能参与许多社交活动，例如语言翻译和面部识别。，QR码识别和使用是使用人工智能识别技术的最典型方法。它的利用主要是以QR码的形式生成程序和说明，以在用户的移动终端屏幕上生成黑白格子缝线。这些平面图形的分布通常具有一定的规律性。通过各种图形的布置和组合，QR码模式是唯一的，因此用户可以保存和记录QR码模式。
我们认为，随着研究人员继续优化和创新人工智能的相关技术，人工智能识别技术将在更大程度上满足人们的工作和生活需求。
本文由信息技术大学传播学院副教授李·洪利安（Li Honglian）科学控制。
科学普及中国中央厨房
xinhua.com科学普及部
流行科学中国科学科学原则有点
生产
有关更多令人兴奋的内容，请下载受欢迎的中国客户。
认识的基础是认知
认知认知：获取某些事物的特征 - 概念抽象
识别重新认知：确定特定事物是否是基于功能概念类别的某个事物
模型：一类事物的共同特征
识别：对事物的概念进行分类
模型识别：基于事物特征的概念类别
特征
相似
种类
特征空间
向量空间
设置空间
通过培训获得分类器模型参数（学习）
两种模式：监督学习和无监督的学习学习从培训中学习
对于每个类别，给出了一些样本 - 与类别标签的训练样本进行了形式 - 分类器分析每个样本以找到相同类型的样本的共同特征 - 从培训集中到特定的分类决策 - 制定规则 - 制定研究 - 研究的研究 -监督
分类器通过监督学习模式学到的每个类别样本的特征是有关类别概念的知识 - 学习过程是认知过程
如何获得样本标签？ -
有监督和学习 - 从人们的经验中学习分类知识 - 智能水平的上限
鉴于训练样本集但不是每个样本的类别标签 - 属于同一类的样本之间的相似度将大于不同类别样本之间的相似性 - 根据某些类别的大小。相似性，根据某些相似性，规则采取一些与同一类别相似的样本 - 绘制一些训练样本的样本设置为不同的类别 - 然后从每个类别的样本中找到共同的特征来形成分类决策 - 制定规则 - 无意识的学习
无监督的学习 - 自主学习从数据代表的自然法则中的类别分类 - 分类器可以达到更高的分类水平 - 未来模式识别和发展的主要方向
属于同一类的样本之间的相似性程度将大于不同类别样品之间的相似程度 - 不同样本之间的相似性越小，制定规则的分类决策五颗五个若第五
这可以用作标签培训样本的样本集，以监督学习和无监督学习结果的样本集。它的优势程度和缺点程度的指标称为“牢固性”标准，即具有良好性的样本。集合样本类别的相似性大大远大于类之间的相似性。
它是一个大于或等于0的正数，当您计算距离时计算距离时，它是0；2.对称性：样品之间距离之间的计算顺序无关；样品之间的距离必须小于第三样品之间的距离。||在矢量空间中，Oushi，曼哈顿的距离，Chebabihev的距离等之间的距离等距离，例如：两个字符串之间的编辑距离也是合法的距离定义）非距离（例如字符串的相似性 - 向量空间中两个向量之间的角度表达与表达相似性的相似性：cosθ= x t y/|| x || x ||，y）/?x?y; jaccard类似系数）
如果我们想拥有良好的样本套件 - 然后我们希望拥有有效的信息来分开不同类型的样品 - 缩短特征的类型==增加功能的尺寸 - 功能的尺寸更大，功能的尺寸更大的尺寸。
无需无限地增加，只要在不断增加模式识别问题问题中，本地特征的维度数量将导致维度（维度的cruse of Vilmensionality） - 当问题描述了土地的维度时，它将带来增加在计算和计算量和解决方案性能的性能中。诸如下降的问题问题 - 模式识别中的维度灾难：随着特征维度的特征提高了分类器的性能，分类器的性能将在快速后快速降低增加面积，最终无法使用。
当可以增加相同密度的样品总数增加时，如果不同步的样品浓缩的样品数量，则问题是，样品集的紧密度越来越差，因此分类器的性能越来越糟。
为了解决维度灾难的问题或同时增加样本样本的数量，很难实现或最小化尽可能多的特征维度。
在降低尺寸的同时，它将在分类中尽可能提高每个维度的有效性，从而在较低的维度下解决模式识别问题。
功能生成+特征维度的特征 - 维度降低 - 结果直接影响分类器性能的质量
我们希望分类器可以从训练集样本中找到类别的一般特征，也就是说，要找到最佳分类器，因此分类器不仅可以在培训后对培训浓度进行分类，还可以对也可以正确分类较新的样品
因为存在错误，所以它们无法满足[正确的分类样本收集]和[正确的分类新样本]
收集数据时，通过数据收集方法或噪声干扰获得的样本特征将出现错误甚至“异常数据”
如果我们要求分类符正确分类，则将在分类规则上显示“失真”，因此当对新的未知样本进行分类（降低分类器的概括能力）时会出现错误，==== = = = = = = = = = = = =分类器。在此过程中训练“过度拟合”
“结构风险合并的结构”
分类决策 - 制定规则是从自动计算中获得的，而不是手动设置的
设计模式识别系统是设计分类器的模型，所使用的字符的特征和分类器参数的调整算法
通过收集和转换来自计算机接受和处理的数据
模式收集：传感器，发射器，霉菌转换
获得的数据：样本的原始信息以识别样本（包括大量干扰和无用的数据）
通过通过各种过滤和降噪措施来减少干扰的影响，并基于此增强有用的信息，这些特征在分类中有意义
获得的特征：仍然可以通过价值或其他形式表示，例如拓扑关系，逻辑结构等。
通过第一和第二链接获得的模式的特征很大
主要方法：特征选择和功能提取
功能选择：从现有功能中选择一些功能，放弃其他功能
特征提取：它是原始高维特符号的映射转换，以生成一组较小的尺寸，尺寸较小
分类器培训是根据样品自动进行的。该分类具有监督和学习和无监督的学习
分类器培训结束后，分类的样本按照已建立的既定分类决策规则进行分类。在要分类的样品之前，必须收集样品，预处理和特征性生成以及培训样品。功能和降低尺寸的处理应继续评估分类决策的结果并提高分类器的性能。
模式识别算法：统计模式识别（主流），结构模式识别
统计模式识别：将样本转换为多维塔符号空间中的点，然后根据样本的特征和样本集的特征值分布确定分类决策 - 制定规则。
线性分类器：它是最基本的统计分类器。
贝叶斯分类器：制定规则基于特征空间中不同样本的概率分布，其贝叶斯公式是合理地获得决策结果除以类别的合理的
最近相邻的分类器：将学习过程隐藏在分类的决策中，并通过寻找最相似的培训集中的子集与要分类的最相似样本来实现分类决策
神经网络分类器：来自生物神经网络系统的模拟。它的本质是高度非线性的统计分类器，计算机技术的开发继续从浅网络发展到深网。
统计聚类分析：是无监督学习的典型代表
分类分析：它是无监督学习的典型代表。目前，统计学习方法主要采用。
弹性模式识别：不是独立的方法，而是模棱两可的数学简介模式识别技术后现有算法的模糊转换。
特色维度：这不是独立模式识别算法，而是完成模式识别任务的过程中必不可少的步骤。通过寻找分类的更有效的功能来改善整个模式识别系统的性能，从而降低了这些功能。
结构模式识别：
结构聚类算法：样品结构的某些特征用作类别和个体特征，以通过结构相似性来完成分类任务。
句子模式识别：语言理论中的语法规则用于将样本的结构特征转换为语法类型的判断，从而实现了模式识别的功能。
一个典型的基于视觉的模型识别项目问题
多分类问题
模板匹配的基本原理：为每个类别创建一个或多个标准模板。当分类决策时，将要识别的样本与每个类别的模板.Middle进行比较。
构建模板时依靠人的经验很差，因此适应性很差
“分类决策边界”
差分函数g（x）= 0
如果判断函数是线性函数，则称为线性判断功能
线性判断功能+相应的分类规则=线性分类器
如果特征空间是一个维度，则分类决策 - 线性分类器的制定边界是一个点
如果特征空间为两个维度，则分类决策 - 线性分类器的制造边界是直线
如果特征空间是三维的，则分类决策 - 线性分类器的制造边界是平面
如果尺寸很高，则可以从数学中获得超级平面。
如果有任何识别方式，是否可以找到线性分类决策 - 制定边界？
给定样品集，它是否线性划分？
涉及的问题：样本集的线性点
如果样品集，每种样品的分布区域是相交的，则必须是线性不可分割的。如果每个样品的分布区域都不相交，而是凸集，则必须线性分配；如果您不相交，但有些是凹的，则不一定是线性的。您需要找到最小的保险杠包装线，并在凹面区域的最小区域中进行分开，否则不能将其分开。
线性拆分 - 异质性
非线性分类问题转化为线性分类问题：
当我们将模型识别问题映射从低维生素征费空间到高维生素符号空间时，将非线性分类问题转换为线性分类问题。========“此方法称为“ Broad Linelear”
需要多个线性判断功能 - 对管道分类的纠正以确定多类分类决策 - 制定规则
基于某个逻辑关系，制作多类分类线性分类器
绝对划分：每个类都有一个示例浓度的线性判断功能，可以将属于此类别的样本分开，不属于此类别。总体分类器的中断不好。
两个或两个点：判断功能不用于确定属于某个类别的某个或不属于某个类别的样本，而是用于选择两个特定类别的边缘站。降低了未识别的区域并提高了性能线性分类器。
如果存在K分类，则两个或两个点线性判断需要总共C2K判断功能。
最大值可以划分：每个类别的样品浓度对应于判断函数，样品将分为与该值值的差异函数相对应的类别。—在不规则面积的消失中，判断函数的数量仅与样本中集中的类别数量相同。
如何找到最大的判断功能？ - 工作量
歧视函数是测量从样本到决策的距离 - 制造超平面
决策边界比率r的距离r与判断函数g（x）的值成正比。
右向量W仅表示决策方法的方向 - 制定超平面。长度不会影响决策 - 制定边界在特征空间中的位置。可以将其用于1。此时，功能的功能值是从样本到决策边界的距离。
线性分类器 - 线性判断功能和相应的道德分类决策 - 制定规则
如何获得线性歧视功能？ - - 如何设计线性分类器？ - 培训问题
线性分类器学习/培训的一般思想：
g ij（x）= w t x+w 0
W t Privy Vector
W 0偏见
在溶液区域找到最佳溶液
1.设置标准标准J（W，W 0）以使其值代表解决方案的优势和缺点。标准函数的标准越小，解决方案越多地满足要求，就越好。
2.通过寻找标准的最小值J（W，W 0），您可以找到最佳解决方案。它是获得具有较小值的小值向量w是标准函数。这是最佳解决方案。（W，W 0） *
标准化培训集数据
1.了解传感器模型
感知模型是神经元模型
多路输入+单一公路输出
比较阈值后用阈值加权的所有输入信号。如果大于阈值，则神经元输出为1；小于或等于阈值，然后神经元输出为0至0
没有反馈和内部状态
您只能依靠输入信号是否超过阈值来确定是否激活神经元的输出
如果感知的输入信号被认为是要标识的特征向量，则感知的数学模型构成了典型的线性分类器，可以做出非常清晰的二进制分类决策 - 制定决策 - 制定
通过示例集，感知器可以学习右输入的阈值和输出
感知是一个神经元模型，该模型决定是否通过加权和阈值的比较激活输出。这是线性分类器。输入授权构成线性分类决策的正确向量 - 制造边界。Border偏差W 0
解决目标：对于所有样品，都有w t x 0
感知算法设置标准函数的基础：最终分类器必须正确分类所有样本
因此，j设置为所有派生样品的判断函数值的总和
x 0是所有派生样品的集合
只要有恶化样本，标准函数必须大于0。仅当正确分类所有样品时，标准值才能通过最小值0获得
梯度下降方法
w（k+1）= w（k）-p（k+1）?j（w（w））
对于两种类型的线性分为两种类型的分类，边界决策绑定
在正常情况下，将有无尽的解决方案。当我们确定相应的功率向量W时，确定超平面的斜率和方向。您可以在一定范围内翻译超平面h。中距离H的最新样本，分类决策 - 制定边界可以正确地实现线性分类，因此任何特权W都会带来一系列平行分类决策- 制造边界。分类的马里申。
当我们更改W以更改分类决策的斜率 - 制造边界和更改时，我们得到的分类间隔是不同的。
分类间隔越大，两个样本做出决定时的保证金量越大
找到可以使最大的替代间隔 - 支持向量机的起点的最佳正确矢量w*
分类间隔由最接近分类决策边界的少数样本确定。这些样本称为“支持向量支持向量”
支持对向量机的优化，以解决获得可以带入最大分类间隔W的功率向量W的目标。
分类间隔是分类决策 - 制定边界的支持向量的两倍
最大d =最大2 |g ij（x）|/||W ||支持向量机以使用命令|G IJ（X）|= 1 =最小||w ||，右侧向量的最短长度的问题是为了促进第二个优化 - = min 1/2 ||W ||2
寻求从两类中的所有样本到所有样本到分类决策边界的距离应大于支持向量。其他样品的判断函数的绝对值必须大于1，也就是说，不规则约束是：图是：图是图形。
支持向量机使用Laglangri乘数方法将其转换为无约束优化的问题，也就是说，将所有约束条件添加到Laglangi乘法到优化目标中，并找到Lagram的LAGRAM，以获得Lagram。Nikko的最大值，找到最短的右侧矢量W -Convex计划问题 - 存在唯一解决方案 - 可以通过laglangine函数分开所需的条件。如果您得到它，则可以满足此条件 - 右图的表达式公式
KKT条件
经验风险：培训后分类器分类的样本比率
最小化体验风险r_emp == o
只有当训练集的样本数量接近无穷无尽，并且训练浓度样本的分布更接近样本的真实分布，经验的风险将面临实际样本分类的风险
为了从根本上解决“过度拟合” - propose“最小化结构风险SRM”最小的问题（r（w））
结构风险：当训练有素的分类器面对未知样本时，分类错误的可能性
泛滥误差边界：r（w）= rem（w）+φ（h/l）自信风险l是训练浓度的样本数量，H是分类器形式的VC维度，并且是特定的计算公式φ置信风险：图形图
如果确定了分类器的形式形式，则样品数量越大，信心的风险就越小；如果训练浓度中的样本数量不足，则结构风险的大小会受到风险风险的很大影响。在此时间，大小取决于分类器函数形式的VC维度本身。功能的VC尺寸h越大，置信风险越大，相应的结构风险越大，分类器的概括能力越严格。
什么是VC维度？一类功能的分类能力
它的值是一种可以在两种样品中散布最大样品数量的函数
分类器函数表格的顺序越低，VC维护的越小。在有限数量的样品集的情况下，训练有素的分类器结构风险越小，概括能力越强。
（支持向量机是订单的最低线性函数） - 支持向量机获得特别强大的分类器训练结果的主要原因，而没有大量的训练样本
因此，支撑向量机是最大程度地减少应用结构风险的结果
线性不能分为问题：1。异常干扰2.非线性分类
线性支持向量机是最佳线性歧视函数的解决方案，最大分类间隔为二级计划问题，该问题解决了最短的右矢量
差异判断功能值必须小于1
您可以在约束中减去正kesei，因此判断函数的绝对价值小于1，而kesei被称为放松变量
Kesei也被用作优化目标。我希望kesei越少，越越越好。
理想的情况：向量外部的绝大多数样品包括与支撑矢量相对应的松弛变量应为0。只有少数支撑矢量尽可能较小。
因此，所有放松变量的和谐也可以用作优化目标的子项目，也就是说，基于原始最小右矢量的第二个优化目标的原始最小右矢量，请添加C乘数c是惩罚因子，表明分类器中异常点的耐受性程度。c越小，弛豫变量在整体优化过程中的存在越小，异常的公差越高。如果C占0，则约束条件将被破坏。
软间隔支持向量机：带有放松变量和惩罚因素的支持向量机
利用 - 线性线性（将低维空间中的非线性问题转换为高维度，从而转变为线性分类问题）
AI视觉道路识别的偏移值为每秒10米。IAI是指人工智能。（英语：人造智能，缩写为AI）也称为智能和机器智能，是指人造的机器。指的是通过普通计算机程序展示人类智能的技术。该词还指出了是否可以实现这种智能系统以及如何实现它。一般教科书中人工智能的定义领域是智能的研究和设计。智能主体是指可以观察周围环境和实现目标的系统。约翰·麦卡锡（John McCarthy）在1955年的定义是创建智能机器的科学和工程。正确解释外部数据，从这些数据中学习，并使用这些知识通过灵活地实现特定的目标和任务。人工智能的研究是高度技术和专业的。各个分支的领域处于深度和不同的位置，因此涉及广泛的范围。AI的核心问题包括构建能力，构建合理甚至杰出的推理，知识，计划，学习，学习，沟通，感知，移动目前，有大量应用人工智能的工具，包括搜索和数学优化和逻辑扣除。基于生物学，认知心理学和基于概率理论和经济学的算法，包括搜索和数学优化和逻辑扣除。逐渐探索。思考来自大脑，思考控制行为，行为需要意志的实现，而思考是所有数据收集的整理，这等同于数据库。所以， 人工智能最终将演变成代替人类的机器。
结论：以上是首席执行官注释如何引入人工智能的全部内容。我希望这对每个人都会有所帮助。如果您仍然想进一步了解这一点，请记住要收集对该网站的关注。