金融科技概论-课件第4章.pptx
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《金融科技概论-课件第4章.pptx》由用户(晟晟文业)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 金融 科技 概论 课件
- 资源描述:
-
1、第四章第四章 人工智能人工智能金融科技概论金融科技概论11.了解人工智能的发展历程及现状;了解人工智能的发展历程及现状;2.掌握人工智能的基本概念;掌握人工智能的基本概念;3.熟悉人工智能的常用算法和底层技术;熟悉人工智能的常用算法和底层技术;4.深入理解人工智能的相关案例。深入理解人工智能的相关案例。教学目标教学目标2引言 有这样一位“学习达人”,“他”的学习速度是人类的几万倍,数小时便可以获得常人一生才能获取的知识量,仅数月的学习训练就能战胜当今最强的围棋棋手!有这样一位“翻译专家”,“她”能够高速同步地将他人所述翻译成任何语言,无论是准确性还是流畅度都不逊色于学习多年的专业翻译!有这样一
2、双未卜先知的“眼睛”,城市里错综复杂的十字路口和成千上万的路段都在“它”的视野里,并能提前告诉你5分钟后、10分钟后,乃至1小时后的路况信息!路况预测准确率在 91%以上!他、她、它的背后,都有一个共同的名字:人工智能。人工智能到底是什么?能为人类做什么?我们该如何使用?它与金融是如何结合的?这些问题你都可以从本章中获得答案。3人工智能的发展历程与现状人工智能的发展历程与现状人工智能技术人工智能技术人工智能与金融人工智能与金融人工智能的未来发展趋势人工智能的未来发展趋势延伸阅读延伸阅读目录目录4第一节第一节 人工智能的发展历程与现状人工智能的发展历程与现状 5人工智能的起源 人工智能的思想萌芽
3、最早可以追溯到十七世纪由帕斯卡(Pascal)和莱布尼茨(Leibniz)提出的有智能的机器的想法英国科学家巴贝奇(Babbage)于1834年发明了分析机,是第一架“计算机器”,它被认为是现代电子计算机的前身,也被认为是人工智能硬件的前身世界上第一台电子计算机“ENIAC”由莫克利(Mokley)和艾克特(Act)于1946年发明作为一门学科,人工智能于1956年诞生,由“人工智能之父”约翰麦卡锡(John McCarthy)等人在达特茅斯学术会议上首次提出,并正式采用了“人工智能AI”这一术语1969年的举办的国际人工智能联合会议则标志着人工智能已得到了国际的认可。6人工智能的定义 人工智
4、能是关于知识的学科,是怎样表示知识以及怎样获得知识并使用知识的科学。尼尔斯约翰尼尔逊(Nils John Nilsson)人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。帕特里克温斯顿(Patrick Winston)7人工智能的发展历程 1950年,阿兰图灵提出了图灵测试,据此来判定计算机是否智能。图灵测试认为:如果一台机器能够通过电传设备与人类展开对话的时候而不被辨别出其机器身份,那么称这台机器具有智能。二十世纪五十年代到七十年代初,人工智能研究处于“推理期”,那时人们着力于赋予机器逻辑推理能力,那时认为具有这一能力的机器即具有“智能”。这一阶段的代表性工作主要有纽维尔(New
5、ell)和西蒙(Simon)的“逻辑理论家”(Logic Theorist)程序以及此后的“通用问题求解”(General Problem Solving)程序等,并且这些工作在当时取得了令人振奋的结果。例如,“逻辑理论家”程序证明了数学原理中的全部定理,甚至有定理比原作者罗素(Russell)和怀特海(Whitehead)证明得更巧妙,纽维尔和西蒙也因此获得了1975年图灵奖。大量优秀的学者的投入掀起人工智能发展的第一个高潮,但也正因为这些发展初期的大量突破性进展,学者们对人工智能期望被大大的提升了,然而,接二连三的失败和预期目标落空带来的沮丧使人工智能发展步入低谷。8人工智能的发展历程 于
6、是从二十世纪七十年代中期开始,人工智能研究进入了“知识期”。在这一时期,大量“专家系统”问世,这些发明在很多应用领域都取得了显著的成果,如在医疗、化学、地质等领域都取得巨大的成功,推动人工智能走入应用发展的新高潮,费根鲍姆(Feigebaum)作为“知识工程”之父于1994年获得图灵奖。由此,人工智能实现了巨大的突破,完成了从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大转变。随着人工智能的应用规模不断扩大,专家系统存在的推理方法单一、缺乏常识性知识、应用领域狭窄、缺乏分布式功能、难以与现有数据库兼容等问题逐渐被暴露出来,一些学者由此想到,如果机器能够像人类一样具有自主学习知识
7、的功能该多好,之后机器学习便开始走上了历史的舞台。二十世纪九十年代中至2010年,由于网络技术特别是互联网技术的发展,加速了人工智能的创新研究,促使人工智能技术进一步走向实用化。2011年至今,随着大数据、云计算、互联网、物联网等现代化信息技术的发展,图形处理器和泛在感知数据等计算平台不断推动以深度神经网络为代表的人工智能技术飞速发展.9人工智能是否具有主体地位 距人工智能发展起步仅仅半个世纪,但是这半个世纪以来,人工智能发展速度极其迅猛,进步可以说是日新月异,但是在给人类生产、生活带来便利的同时人工智能也冲击着我们的经济、政治和文化伦理道德。因此人们产生了许多关于人工智能的争论,争论的焦点主
8、要集中在人工智能是否具有主体地位、人工智能伦理设计不同方式和人工智能对人类及其未来影响这三个方面。针对人工智能是否具有主体地位这一方面,学界在以下三个方面依然处于争论的状态。首先,在人工智能是否可能具有独立思维方面学界依然存在争论。一部分学者认为只有人具有思维、精神、心灵等,而人工智能不具备。而对此持肯定态度的学者却认为人和人工智能本质是一样的,人类所谓的思维、精神、心灵、自由意志等不过只是一种生化算法。其次,在人工智能是否可能具有自由意志方面学界依然存在争论。大部分学者都认为人具有无限性的可能性,而人工智能只是有限的存在。也有学者指出量子力学中有一个著名的实验叫做“薛定谔的猫”,在既定的实验
9、程序下可以出现不定的结果,这就为人工智能的未来带来无限的可能。10人工智能是否具有主体地位最后,在人工智能是否可能具有“人性”方面学界依然存在争论。古往今来,不少学者都对人具有社会性这一特点极为关注,许多学者认为人工智能只是一堆金属,即使最终会有思考的能力,但也不可能会有社会性,他们不可能会像人一样具有丰富的情感,不会懂得喜怒哀乐,也不会产生欲望与追求,不会理解人类的情感,通俗来说即没有“人性”,也因此无法和人类一样拥有主体地位。而不少学者却并不这样认为,他们提出这个问题完全可以在技术发展到一定程度之后加以克服,现今虚拟技术日益发达,以后可以将人工智能放入虚拟时空,人工智能可以在经过加速之后的
10、时间里获得与人类相同的,真实的社会经历,从而产生和人类一样的情感,此时人工智能便可以完全的融入人类社会。11人工智能伦理设计方式针对人工智能伦理设计不同方式这一方面,对人工智能是否具有主体地位这一问题的不同看法导致了对人工智能伦理设计不同方式的争论:认为人工智能同样具有主体地位的学者倾向于人工智能应采用自主学习、自下而上的方式学习人类的伦理道德和价值观;而对 对人工智能是否具有主体地位这一问题持否定态度的学者则认为人工智能伦理设计应采取自上而下的方式“嵌入”人类的伦理道德和价值观。学界至今针对于这两种不同的方法仍未得到一个统一的答案,现今无论是自下而上自主学习的方法和自上而下“嵌入”式的方法都
11、面临着重重苦难与挑战。因此将自主学习和“嵌入”式的方法结合起来,吸收二者的优点的同时避免二者的缺点,看起来是目前较好的选择了。12人工智能对人类及其未来影响最后一个方面同时也是当前引起最多争议的一个方面人工智能对人类及其未来的影响。现如今人工智能不仅用于工作,而且开始对我们经济、政治和日常生活都产生深远的影响,但面对人工智能的蓬勃发展,我们却不免陷入迷茫当中,因为我们无法准确地预测到人工智能未来的趋势,无法准确判断人工智能的飞速发展是好事还是坏事,其背后究竟是机遇还是挑战。认为人工智能不具有主体地位、提议自上而下的方式“嵌入”人类的伦理道德和价值观的大部分学者对此持乐观态度;而认为人工智能具有
12、主体地位、倾向于使人工智能自主习得人类的伦理道德和价值观的学者则普遍是悲观的态度。目前来说,人工智能对人类及其未来影响只能从实践的角度去看,只有随着科技和社会的发展我们才能看清人工智能和人类的未来。13国内外人工智能的发展动态首先从多个方面描绘中国人工智能的发展面貌:论文产出方面。中国人工智能领域的论文总量世界第一,但引文影响力指标(FWCI)相对落后于美国,但从占比角度来说人工智能领域论文全球占比从1997年4.26%增长至2017年的27.68%,遥遥领先其他国家。专利申请方面。中国已经成为全球人工智能专利布局最多的国家,在数量上略微领先于美国和日本。人才投入方面。近些年,在总量以及杰出人
13、才比例上,中国都显得不够出色。根据领英于2020年发布的全球AI领域人才报告显示,中国的人工智能相关人才总数也超过5万人,位居全球第七,与榜首英国的85万人以上相差甚远。14国内外人工智能的发展动态企业规模方面。中国人工智能企业数量为全球第二,北京是全球人工智能企业最集中的城市。截至2018年6月,全球共监测到人工智能企业总数达4925家,其中美国人工智能企业数2028家,位列全球第一。风险投资方面。中国已成为全球人工智能投融资规模最大的国家,根据2013年到2018年第一季度全球的投融资数据显示,中国在人工智能投融资规模上已经超越美国成为全球最“吸金”国家,但是在投融资笔数上,与美国仍有一定
14、差距。产品应用方面。中国人工智能市场增长迅速,这其中计算机视觉市场规模最大,应用范围最为广泛,语音和视觉类产品也最为成熟。伴随着算法、算力的不断演进和提升,有越来越多基于语音、自然语言处理和视觉技术的应用和产品落地。15国内外人工智能的发展动态接下来对国外人工智能发展动态进行介绍。世界主要发达国家均把发展人工智能作为提升国家竞争力,维护国家安全的重大战略,自2013年以来,美、德、英、法、日等国都纷纷出台人工智能战略和政策。各国人工智能战略各有其侧重点,美国的主要关注点集中在人工智能对国土安全、经济发展和科技领先等方面的影响;欧盟国家更为关注人工智能带来的安全、隐私、尊严等方面的伦理风险;日本
15、则希望能够利用人工智能技术推进其超智能社会的建设。16国内外人工智能的发展动态各国的重点研发领域以及重点应用领域如下表所示:重点研发领域重点应用领域 美 特朗普提出的FY2019预算要求是美国历史上第一个指定人工智能和自主、无人系统作为行政研发重点的预算国土安全领域:面部识别FLOOD APEX PROGRAM项目,可穿戴警报系统等;医疗领域:医疗影像研究和发展路线图中有提到人工智能和医学影像的协调;德人机交互;云计算;智能服务;大数据;网络安全农业领域;生态经济;智能交通;数字社会法超级计算机E-Government;医疗护理;性别平等(对女性的AI教育)英硬件CPU;身份识别海域工程;太空
16、宇航日本脑信息通信;语音识别;创新型网络建设生产自动化;物联网;医疗健康及护理;自动驾驶和无人配送17第第二二节节 人工智能人工智能技术技术 18机器学习机器学习(Machine Learning,ML)是一门多领域交叉学科,其内容涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的核心,是使得计算机能够具有智能的根本途径,其主要研究对象为如何设计算法使得计算机能够模拟或实现人类的学习行为以获取新的知识和技能,并且在学习过程中能够重新组织已有的知识结构使自身不断优化。其应用遍及人工智能的各个领域,主要使用归纳、综合而不是演绎的方法。卡内基梅隆大学的汤姆米切尔(To
17、m Mitchell)教授在其于1997年出版的书籍Machine Learning中对机器学习给出了一个非常专业且在学界内被多次引用的定义。这个定义如下:如果一个程序可以在任务T上,随着经验E的增加,效果P也可以随之增加,则称这个程序可以从经验中学习。19机器学习一个机器学习器表现是否优良是通过误差指标来进行判断的,我们将学习器的实际预测输出与样本的真实输出之间的差距称作误差,学习器在训练集上的误差称作“训练误差”或“经验误差”,学习器在新样本上的误差则称作“泛化误差”。我们希望得到的是泛化误差较小的学习器,为了达到这一目的,应在训练样本时尽可能“学出”适用于所有潜在样本的“普遍规律”,这样
18、才能在对新样本进行判别时得到尽可能正确的结果。将对训练样本的一般性质学习的不够好的情况称为“欠拟合”(underfitting),这通常是由学习能力低下导致的。而学习器将训练样本学的太好的情况称为“过拟合”(overfitting),这是由于学习器将训练样本自身的一些特性当成了所有样本的共性,这样会导致泛化能力的下降,这通常是因为学习能力太强而导致的。20机器学习机器学习算法主要分为两类:监督学习和无监督学习。监督学习算法根据输入数据集以及已知的输入数据对应的输出结果训练模型,使模型能够为新的输入数据的响应生成合理的预测。监督学习一般包括分类与回归两种类型。分类问题的目标变量只在有限目标集中取
19、值,而回归问题的目标变量是数值型的,也就是可以从无限的数值集合中取值。常见的算法包括支持向量机(SVM)、随机森林模型、K-近邻算法、决策树、朴素贝叶斯、逻辑回归等。无监督学习算法在训练时并不提供对应的输出结果,学习器仅可以从输入数据中寻找隐藏的模式或内在结构,无监督学习中最为常见的技术为聚类,常见的算法有K均值聚类算法、谱聚类、主成分分析、EM算法等。21机器学习下对几个常用的机器学习算法进行简单的介绍:支持向量机(Support Vector Machine,简称SVM)SVM属于一种监督学习算法,于90年代中期发展起来,是一种基于统计学习理论的机器学习方法,可以用来解决分类问题和回归问题
20、,目前被更广泛地使用于分类问题。其基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面,其学习策略是使得间隔最大化,最终化为一个凸二次规划问题的求解。支持向量机可分为线性可分支持向量机、线性支持向量机和非线性支持向量机。无监督学习算法在训练时并不提供对应的输出结果,学习器仅可以从输入数据中寻找隐藏的模式或内在结构,无监督学习中最为常见的技术为聚类,常见的算法有K均值聚类算法、谱聚类、主成分分析、EM算法等。22机器学习随机森林(Random Forest)随机森林也是一种监督学习算法,这个术语是1995年由贝尔实验室的何(Ho)所提出的随机决策森林(random decision
展开阅读全文