Transcription
好的，各位，早上好。我很久没在早上 5:45 上线了，但如果你能听到我的声音，请告诉我。如果你们能看到我的视频，那么，各位，今天是你们的考试日，也是今年的第一次直播课。请在聊天区给我一个赞，告诉我你们是否能听到我的声音，是否能看到屏幕，是否能看到这个。好的，各位。
所以，这将是一个非常随意的课程。我们在这个频道上已经涵盖了所有视频。如果你看过，我认为你们的课程大纲已经全部涵盖了。考试前三个小时，我不知道你们是否能涵盖很多课程内容。但你们可以做的是，把你们学过的所有东西，再稍微复习一下。
所以，我们将从讨论基本思维导图开始。这是叫做 NotebookLM 的东西。这是谷歌的一个产品。谷歌发布了一个叫做 NotebookLM 的东西。在这里，你可以上传任何文档，然后进行分析。
所以，我们将从为十年级人工智能的思维导图开始，其中包含所有这些主题：人工智能的基础。那么，人工智能的基础包含哪些内容呢？所以，人工智能、机器学习和深度学习这三个主题，你们需要记住。人工智能的领域是什么？关键术语又是什么？
什么是人工智能？机器模仿人类思维，试图复制人类的思考方式。什么是机器学习？机器学习是一种人工智能，它从数据中学习。而深度学习是机器学习的一种形式，它使用神经网络。
有三个主要的人工智能领域。第一个处理数字，第二个处理计算机视觉，第三个处理自然语言处理。
有一些关键术语，你需要理解。例如，什么是特征？如果你有一个苹果。苹果有哪些特征？颜色，是红色的；大小；重量。对吧？所以，任何图像或任何数据集中的列名，它们总是被称为特征。标签意味着附加的标签和答案。
基本上，有两个需要了解的概念：标记数据和未标记数据。有人能在聊天区告诉我，你们是否理解什么是标记数据或未标记数据吗？这直接关系到监督学习和无监督学习。这是需要记住的重要概念之一。
训练数据与测试数据是一个非常基本概念。比例是多少？训练数据的比例是多少？测试数据的比例是多少？通常是 80% 对 20% 的比例。如果你有 100 张图片或 1000 张图片，那么 80% 总是用于训练，20% 用于测试。
这就是人工智能的基础。现在，我们来谈谈项目周期。
所以，项目周期有五个阶段。这里有六个，因为我添加了一个额外的阶段。它不在你们的课程大纲里。但不要感到困惑。
第一个步骤是问题界定。在解决任何问题之前，你先定义它，这样你就知道成功的标准是什么。
第二个是数据采集。一旦你定义了你的问题，你就会从各个地方、各种来源收集数据。数据来源是什么？你必须理解这一点。
第三个是数据探索。你收集了很多数据。比如收集了 1000 张图片，收集了 1TB 的数据。但然后你需要知道数据里有什么？所以，你制作图表，制作图示。这样你就能理解和探索数据。
第四个是建模。所以，这是人工智能发挥作用的部分。在这里，你训练你的模型，选择模型。然后最终你评估它。在评估中，你需要记住各种指标。所有指标。好吗？
这就是人工智能项目周期。各种建模方法。这个主题肯定会被问到。但它也很容易让人混淆。所以，人工智能基本上有两种类型。一种是基于规则的，一种是基于学习的。神经网络也是基于学习的一部分。
那么，基于规则的有什么呢？它有固定的规则集。你无法扩展它。比如简单的聊天机器人，它们是基于规则的。
基于学习的包括监督学习，其中你的数据是标记的。就像我们之前讨论过的标记数据。人类告诉人工智能数据是正确的还是错误的。例子是分类或回归。
在无监督学习中，你的数据量非常大，所以人类无法标记它。这就是为什么它也被称为无监督学习。一个简单的记忆方法是，监督学习中有标记的人类数据。这意味着你通过人类间接监督人工智能。而在无监督学习中，人类没有作用。你将数据放入一个大型模型中。例如，你将其放入神经网络，然后它会自动执行聚类或关联。
然后是强化学习，你没有给模型数据，但你告诉它，如果它采取了正确的步骤，它会得到奖励。如果它不采取正确的步骤，它会受到惩罚。这是一种自由的强化学习。
神经网络也有两种形式。神经网络是一种模仿人脑的数学模型。有一个人工神经网络。当我们使用人工神经网络处理图像、视频时，就称之为卷积神经网络。
然后是自然语言处理部分。这里你需要记住三件事：NLP 阶段、文本规范化以及模型和指标。
NLP 阶段有什么？词法分析。当你将大段文字或大型文档分成小部分时。NLP 的主要目标是，你拥有的所有人类语言，你将其转换为计算机或人工智能很容易理解的形式。好吗？所以，第一步是将大段文本分解成小部分。
哦，我想我们回来了。但如果你能看到一切正常，请给我一个赞。我会继续。好的，对吧？
所以，第三步是语义分析。在语义分析中，你检查意义。你检查你拥有的词语、文档是否有意义。然后你进入语篇整合。这里是什么呢？如果你有三个句子，所有这些句子如何相互连接，你在语篇整合中进行检查。而语用学是最终检查最终句子是否有意义。
所以，这些是 NLP 的阶段。然后你进入文本规范化。这也是一个重要部分。再次，文本规范化的一个简单方法是什么？你需要将语言转换为计算机可理解的形式。计算机可理解的形式是什么？二进制语言，0 和 1。但如果你要转换为 0 和 1，你必须先将文本转换为数字。所以，文本规范化以及你看到的这些步骤，是将任何句子、任何词语、任何书籍转换为数字形式。
所以，句子分割是将文本分成小部分。然后你删除所有没有太多意义或价值的词语。停用词是那些意义不大但经常出现在单词或语料库中的词语。
词干提取和词形还原是需要理解的两个主题。在词干提取中，你缩短单词，但最终单词不一定有意义。而在词形还原中，总是有意义的。
然后我们有词袋模型和 TF-IDF 模型。TF-IDF 的问题不会被问到。但你仍然需要记住文档向量表。在词袋模型中，你计算词语的频率。
所以，到目前为止，如果你都明白了，请在聊天区给我一个赞。我们快速复习一下计算机视觉部分。好的。
所以，计算机视觉有四个任务。你可以从两个方面来划分。要么你有一个单一图像，图像中只有一个对象，那么你可以进行分类。例如，你给了一张猫的图片或狗的图片，就会得到一个单一标签。这是 99% 的猫。
在定位中，你还会告诉猫的位置。它周围会出现一个框。我们称之为定位。找出它在图像中的局部地址。
当你的图像中有多个对象时，你就会进行对象检测。如果你想知道这些对象确切的位置，它们周围会出现一个轮廓。我们称之为实例分割。
所以，通常会问你分类和对象检测的区别是什么？一个是单一标签，一个是针对多个对象。定位和实例分割的区别是什么？定位只有一个框。没有确切的位置或确切的轮廓。
然后我们有图像基础。像素是 0 到 255。0 意味着没有颜色。没有颜色。所以，它会变成黑色。而 255，如果你有一个黑白图像，那么 255 意味着它包含了所有颜色。但我们只有一种颜色，那就是白色。但如果我们有一个 RGB 图像，一个彩色图像。那么 0 到 255 的范围代表一种特定的颜色，如红色、绿色或蓝色。
特征、边缘、斑块和角，我们已经讨论过了。计算机视觉模型或卷积神经网络试图检测这些特征，如边缘、斑块和角。
好的，继续评估指标。所以，混淆矩阵让每个人都感到困惑，但我希望你们已经看过视频了。真阳性是什么？真阴性是什么？假阳性是什么？假阴性是什么？
你需要知道准确率的定义。正确数除以总数。精确率是减少假阳性。召回率是减少假阴性。如果你感到困惑，可以再看看假阳性和假阴性的定义。如何创建混淆矩阵以及 F1 分数是什么？
继续就业技能。这里的问题不太重复。所以，我不会在这个课程中涵盖它。我希望你已经准备好了。两个。好的？
所以，这是思维导图。我们再看看闪卡。但在我们开始之前，有人有任何问题吗？或者如果你想继续，请在聊天区告诉我。
这些是给你们的一些闪卡。
什么是 F1 分数？它在数学上如何定义？F1 分数是精确率和召回率的调和平均数。
在混淆矩阵中，假阳性代表什么？它代表模型预测为阳性，但实际情况不是。
在混淆矩阵中，假阴性代表什么？模型预测为阴性，但实际情况是阳性。所以，这意味着不匹配。这就是为什么它是假的。
在垃圾邮件检测的背景下，假阴性具体意味着什么？这意味着模型预测为非垃圾邮件，但实际上是垃圾邮件。
所以，我们快速浏览一下每一张闪卡。哪个评估指标衡量你的阳性预测有多准确？精确率。精确率试图找出你的阳性预测有多准确。
哪个评估指标衡量模型捕捉到了多少实际阳性？如果上一个问题的答案是精确率，那么这个问题的答案是什么？召回率。
你必须理解精确率和召回率的基本区别。这非常重要。评估章节的问题类型总是相同的。不要跳过它。即使你只有 20 分钟，比如在去学校的路上。你可以学习精确率和召回率的定义和公式。去做吧。我认为你会得高分。
人工智能项目周期中五个阶段的正确顺序是什么？问题界定、数据采集、数据探索。然后是人工智能建模和评估。之后还有一个部署阶段，但它不在你们的课程大纲里。
四 W 问题画布的四个组成部分是什么？谁、什么、何时和为什么？通常你会混淆何时和何地。所以，运用你自己的判断。那个时候如何回答问题？何时和何地都是正确的答案。谷歌上不同的来源有不同的说法。但你应该参考 CBSE 的书。
哪个 W 不是一个块？我将跳过这个问题，因为我不想让你感到困惑。
在四 W 问题画布的哪个块中，利益相关者属于？谁的块。
术语定义。词干提取的定义是什么？将单词缩短到其基本或根部。通过切掉末尾来使用你必须使用的基本或根部语言，结果通常是无法识别的单词或无意义的单词。
词干提取需要记住两件事。缩短到基本单词和无意义的单词。
根据词干提取，“studies”的词根是什么？在词干提取中，我们切掉了末尾的额外单词，变成了“study”。这没有意义。这就是为什么词形还原是更好的选择。在那里，你的单词有正确的意义。
根据词形还原，“caring”的词根是什么？在词形还原中，我们会得到有意义的单词。所以，“caring”会变成“care”。
在 NLP 的背景下，停用词是什么？那些经常出现但意义不大的词语，价值很低。比如“an”、“is”、“the”。
有一个图表，你需要记住。通常问过两三次。在你的样本试卷中也问过。
NLP 中分词的目标是什么？它将文本减少或分割成更小的单元，如单词、句子或字符。
词袋模型的概念是什么？它用于计算单词的频率。但有一个重要术语需要记住。提取特征。任何人工智能模型都需要以颜色、大小或单词频率的形式提供特征。所以，词袋模型提供频率。
定义监督学习。这是一种机器学习，模型在标记数据上进行训练。人类标记的数据是正确的术语。
什么是无监督学习？模型在未标记数据中寻找模式。你需要记住它的例子。
强化学习的概念是什么？模型通过奖励和惩罚的系统进行学习，基于机器学习图中的试错。
在机器学习图表中，哪种学习通常由聚类表示？聚类是一种无监督学习技术。在这里，你没有告诉模型，你没有给模型标记数据，所以模型必须自动检测聚类。
哪种学习通常由分类表示？这是一种监督学习算法，因为你告诉模型什么是正确的，什么是错误的。
定义自我激励。一种内在的驱动力，在没有外部压力或奖励的情况下做某事。如果你去考试是因为你想取得好成绩或变得更好，那就是内在的动机。自我激励。但如果你会从父母那里得到礼物，那将不是自我激励。
根据资料，压力管理的两个常见因素是什么？瑜伽、避免负面想法、运动，对吧？遵循时间表，时间安排，所有这些。
根据资料，成功企业家的关键品质是什么？资料中，CBSE 的模式是：有创造力、勤奋、创新和冒险精神。
沟通类型。人际沟通。当你与自己交谈时。公众沟通，当你与他人交谈时，但可能是在大型群体中。
分类和对象检测的区别是什么？这个问题又出现了。分类是针对单个对象的。而对象检测是针对多个对象的。
在计算机视觉中，哪个任务专门用于识别图像中的多个对象？这里缺少一个东西。多个对象是有的，但如果问题中也提到它们的确切轮廓，那么实例分割将是正确的答案。所以，看看为什么这个问题是错误的，为什么答案不正确。好的。
继续。举一个计算机视觉在社交媒体滤镜中的应用例子。
哪个 NLP 应用在避免冗余的同时，提供了新闻博客文章的概览？自动摘要。这属于 NLP 应用部分。
定义情感分析。当你分析大量的评论、大量的文本，并试图找出客户的评价是什么，反馈是什么，人们的情绪是积极的还是消极的，我们称之为情感分析。
股票市场分析是一个主要的 NLP 应用。它不是一个主要的 NLP 应用。股票市场分析中使用数字。所以，数据科学是更正确的答案。
哪个 AI 领域用于与 Siri 或 Alexa 等虚拟助手互动？当人类通过文本或语音与人工智能互动时。我们称之为自然语言处理。
数字闹钟算作人工智能系统还是智能系统？所以，人工智能系统和智能系统之间的区别非常重要。人工智能系统可以自己开始学习。它不依赖于固定的规则。所以，时钟或数字闹钟。你进入时钟，设置闹钟，然后它会在特定时间响起。它不知道你什么时候睡得浅，或者你什么时候处于深度睡眠，所以闹钟不会根据情况响起。所以，它不是人工智能系统。根据分析，它是智能系统。
好的，那么 CSV 数据格式的全称是什么？又一个重要主题。逗号分隔值是 CSV 的全称。
GUI 的全称是什么？图形用户界面。
过拟合的概念是什么？当你给模型太多的数据。但它没有很好地学习。最终当你测试它时，它的准确率不会很高。这意味着模型被过度训练了，因为你给它的所有数据，模型都记住了。
哪种类型的智能描述了识别和创造声音、节奏和模式的能力？音乐智能？对吧？
有多少道必答题？好的？所以，这不是一个好的闪卡。
评估阶段的目的是什么？就像你今天被评估一样，几个小时后你就要考试了。评估阶段评估模型的工作情况。在这里，你使用各种指标，可以使用准确率、精确率、召回率和 F1 分数。
智能聊天机器人比基本聊天机器人拥有什么？智能聊天机器人可以自动学习。它可以扩展。它非常灵活和强大，但它也需要大量的训练。
哪个 AI 任务涉及单个对象的分类和定位？这是分类加定位。
在机器学习的背景下，什么是训练数据？所以，当你训练人工智能模型时，你肯定会给它数据。但你给它两种类型的数据。一种类型的数据用于让它学习，第二种类型的数据用于测试它。所以，当你给数据
你正在让AI模型学习，这意味着那是训练数据。所以，SMART目标是你的就业技能部分中的另一件事。什么是SMART目标？具体的、可衡量的、可实现的、现实的和有时间限制的。所以，A代表可实现。AI项目周期的哪个阶段涉及分析数据以发现模式？它是数据探索。当你探索数据时，你会发现数据中有什么。定义术语“令牌”。令牌是文本的最小单位。它可以是句子中的一个数字或一个字符。在数据库中管理数据具体提到了哪种语言？好的？我想这是你的，哦，是的。SQL是正确答案。在自我管理ICT技能中，操作系统的功能是什么？当你有一个硬件，而人类想要与硬件交互时，中间的那个软件就叫做操作系统。物联网的一个应用是什么？你可以打开家用电器，比如你有一台洗衣机，它连接着互联网。你出门在外。所以当你回家时，你可以通过使用一个应用程序自动启动你的洗衣机。好的。
所以这些都是我们使用Google Note LM创建的所有闪卡。所以到目前为止，如果你都明白了，请在聊天中给我一个赞。我们现在可以继续讨论其他事情了。让我们看看我们有什么。我们可以进行一个AI测验。聊天太多了。我无法清楚地看到任何一条消息。好的，那个关于GUI的问题，关于操作系统的问题，它来自一个叫做ICT技能的章节，那是你的选修部分。所以让我们来做一个快速测验。我希望你能看到这个。在AI模型的评估中，F1分数被用来在精确度和召回率之间找到平衡。这个分数是如何通过数学计算的？它是调和平均数。调和平均数意味着你取其两个项，精确度和召回率的倒数的平均值。所以B选项是正确的。在AI项目周期的“问题范围界定”阶段，以下哪项不是用于构建问题画布的四个W之一？我将跳过这个问题，因为它有点令人困惑。通常答案应该是“何时”。但它也可以是“何地”。所以我将跳过这个问题。在自然语言处理中，如果单词“studies”被简化为“study”，而“caring”被简化为“car”。这展示了哪种技术？统计数据不会出现在你的考试中，因为它是一个实践章节。你可能已经在实践中被问到过了。所以这是词干提取的答案。哪种类型的机器学习是基于奖励和惩罚系统的？当你想到奖励和惩罚时。所以请记住我们已经看到了三种类型的机器学习。一种是监督学习。一种是非监督学习。还有一种额外的机器学习技术，被称为强化学习。所以B选项是正确的。一位开发者正在为一辆自动驾驶汽车构建一个计算机视觉系统。好的？我们正在谈论计算机视觉。所以需要注意的一点是，在你的考试中，不一定直接问定义。不一定问你已经看过的直接答案。这次可能会出现一些需要你多动脑筋的问题。需要一点故事叙述。对吗？所以正在为计算机视觉系统创建一辆自动驾驶汽车。系统不仅需要识别行人、骑自行车者等多个物体。而且还需要为每个物体绘制精确的边界掩码，这是哪种CV任务？这是实例分割，因为需要精确的边界。在混淆矩阵中，如果垃圾邮件过滤器将一封合法邮件识别为垃圾邮件，那么发生了哪种结果？那么这里是什么？一个垃圾邮件过滤算法将一封重要邮件检测为垃圾邮件。所以它将其检测为阳性，但它是错误的。所以假阳性应该是答案。AI项目周期的哪个组件涉及分析数据集以发现隐藏模式？当你看到隐藏模式和趋势时，你应该知道你正在探索数据。根据霍华德·加德纳的多元智能理论，哪种类型描述了一个人自我意识和理解自己感受、优点和缺点的能力？不是人际智能，而是内省智能。以下哪项被认为是智能技术，但在CBSE课程中不被归类为人工智能？使用机器学习的聊天机器人。所以无论你在哪里看到机器学习，它自动就是AI。一个语音激活的助手，比如Siri，绝对是。一台全自动洗衣机不会学习。它不会自动知道你什么时候需要洗衣服。所以那是一种智能技术，但不是AI。一个旨在检测罕见但高度传染性病毒的医疗AI有许多假阴性。例如，如果有人感染了新冠，AI模型预测或检测某人为阴性，但实际上他是阳性的。所以这意味着个体没有被识别出来，导致潜在的疫情爆发。对吗？高成本通常出现在什么情况下？假阴性和假阳性？在去学校的路上复习一下。在构建词袋模型时，关于文本的哪些特定信息在最终的数值表示中丢失了？句子中单词的顺序和序列，是的，其余的词汇保留，你会得到数值和频率。好的，这个测验的最后一个问题，在就业技能的背景下，推动一个人在没有任何外部压力的情况下采取行动的内在驱动力或欲望的术语是什么？那是自我激励。所以完成了。哦，我跳过了一个。所以92%。我期望更好。
好的，让我们看看我们还能做什么。所以，到目前为止，如果你非常有信心，请在聊天中告诉我。让我先开始一个测验。我们来做一个小测验。我们来做一个投票。好的，你可以回答这个投票，这样我就知道你有多自信，因为你已经努力了一整年。而且试卷会很简单。不会非常困难。所以不要太紧张。在路上的时候稍微复习一下。就这样了。就业技能是一个非常简单的章节。如果你没有准备就业技能，也没关系。你会运用常识，运用一些基本智力。你就能在那里获得大约90%的正确率。只有70%的人说他们100%准备好了。没有人能100%准备好，这是显而易见的。所以让我们尝试做一些，好的好的，让我们试试这个，好的，模型评估我们已经做过了。AI项目周期我们也仔细看过了。NLP技术已经讲过了。就业技能我没有在最新的视频中涵盖，但我相信你已经在频道上看过那些视频了。有一些AI伦理的问题。你可以检查一下。过拟合没有被反复问到。数据科学这次没有。机器学习类型：监督学习、非监督学习、计算机视觉任务、AI概念都已完成。所以AI项目周期包括问题范围界定、数据获取、数据探索、建模和评估。停用词是什么？停用词会移除常见的低意义词。词干提取与词形还原的区别我们已经看过了。词袋是什么？你以频率的形式提取特征。机器学习的三种类型。有监督学习。你拥有带标签的数据。可以是分类。可以是回归。有无监督学习。没有人工标记的数据。是无标签数据。所以用于聚类。用于推荐系统。如果给你一个例子，Netflix或Amazon如何向其用户推荐内容或商品。这就是为什么使用无监督学习。除非上面提到正在使用监督学习。然后是强化学习，它基于奖励和惩罚工作。
所以计算机视觉有四件事。在分类中，当你有一张单一图像时，你正在检测它。例如，汽车，那辆汽车在哪里？基本上你正在添加定位。如果你有多个物体，比如汽车、树和标志，所有这些都被检测出来，那被称为物体检测。当你精确地获得每个物体的轮廓时，我们称之为实例分割。那么关键区别是什么？定位是针对单一物体的。而物体检测是针对多个物体的。所以评估指标有精确度和召回率。你需要记住它的公式。但如果你记不住公式，你也可以进一步了解定义。在精确度中，我们检查模型所做的所有阳性预测中有多少是正确的。在召回率中，我们检查在所有实际阳性案例中，AI模型能够捕获多少。F1分数是精确度和召回率的调和平均数。调和平均数意味着我们取精确度和召回率的倒数。取倒数的平均值。所以混淆矩阵对很多人来说很困惑。所以有人问，为了创建混淆矩阵，是否必须将预测放在X轴上。并将实际值放在Y轴上，没有这样的规定。你可以将预测放在左侧。将实际值放在顶部。但始终确保你正确匹配。如果你的预测与现实匹配，那总是正确的。但第二个术语，比如阳性和阴性，总是告诉你模型预测了什么？模型预测了吗？是。模型预测了吗？否。好的？混淆矩阵就是这样子的。
好的。还有什么？备忘单：CSV的全称是逗号分隔值。你可以跳过这部分。F1分数是调和平均数。什么是智能机器人？它功能强大。它在更大的数据库上进行训练。使用机器学习。洗衣机。这个问题，什么是AI，什么不是AI？这个问题在两年前被问过。去年我想没有问过。但复习一下还是好的。好的。所以我们也完成了这个。有人有任何疑问吗？你对AI偏见和AI可及性有什么理解？为每个提供一个例子来支持你的答案。AI偏见意味着AI在两个人之间进行歧视。有一个亚马逊的例子，亚马逊的AI在简历中对两种性别进行了歧视。它更偏爱男性。那是AI偏见的一个例子。而AI可及性意味着在拥有AI访问权限的人和没有AI访问权限的人之间存在一道鸿沟。例如，不是每个人都有电脑。不是每个人都有足够的经济条件来拥有互联网。拥有最新的AI访问权限。所以这意味着AI不是无处不在的。不是每个人都有。好的。还有其他疑问吗？我们可以再做一个测验。让我看看我是否还有另一个测验。是的，我们确实有另一个15个问题的测验，让我们继续。在AI项目阶段，涉及使用图表来可视化数据集以发现隐藏模式，那是数据探索。根据四个，我将跳过这个。一个通过获得分数增加的奖励和失去生命的惩罚来学习玩视频游戏的系统是哪种机器学习的例子？尝试在聊天中回答这个问题。我将为此创建一个投票。因为这些是你在今天的考试中可以预期的基于能力的问题类型，如果你看到没有直接问定义，不要感到困惑，只需多读几遍问题，尝试理解问题想说什么，然后回答。所以95%的人都选择了强化学习，是的，这是正确的答案。在计算机视觉中，如果AI需要识别照片中的多个不同的人并勾勒出，好的，请阅读问题，我将结束这个投票，是的，识别照片中的多个不同的人，划出那些给你更多数据的术语，精确到像素级别地勾勒出每个人。
所以有两件事是显而易见的。识别多个不同的人并精确地勾勒出每个人。所以这里是实例分割，计算机视觉的这个应用涉及最多的细节。在病毒性疾病爆发期间，一个诊断模型或AI模型（不要混淆术语，当你看到模型时，它意味着AI）告诉一个生病的病人他们完全健康。在模型评估方面，这种危险的错误被称为，好的，这里发生了什么？一个AI模型告诉生病的病人。那么这意味着什么？实际上病人是生病的。意味着现实是‘是’，但预测是‘否’。‘是’或‘否’是在什么意义上说的，即模型预测生病。生病可以是‘是’，生病可以是‘否’。所以这两件事不匹配。所以这意味着它是错误的。而且他们完全健康。所以模型预测为不生病。所以是假阴性。NLP的哪个阶段负责确保句子遵循正确的语法规则和结构？好的？所以词法分析应该是答案。请在聊天中告诉我。我可能在这里错了。哦，是句法分析。是的，在词法分析中，我们将整个文本分成单个单词或令牌。而句法分析是在我们检查语法规则时进行的。所以理解为什么这不是正确答案，以及为什么句法分析是正确答案。顺便问一下，你们什么时候去学校？在聊天中告诉我。因为现在差不多是6:23了。一个成功的企业家的什么品质涉及管理压力情况和即使面对挑战也能保持积极态度的能力？这被称为自我调节，你调节自己，管理自己的情绪并处理反应，这是你今天需要做的。自我调节，在计算机视觉的背景下，哪些特征被认为是模型识别图像中最稳定和最容易提取的特征？好的？所以，这是一个陷阱问题。你可能会被问到。也可能不会被问到。但通常答案是角点。是的。因为角点非常容易检测。因为在那里你会得到一个三角形的形状。三角形的形状很容易理解。这是一个陷阱问题。如果你不理解，跳过它，不要在这里感到困惑。停用词过滤在自然语言处理中的主要目标是什么？主要目标是移除那些没有太多意义的词。所以B选项是正确的。有人说他们必须在10:30去学校。我想你的考试是10:30开始。一个AI模型被用来预测房屋的价格。基于其平方英尺和位置，这是哪种监督学习任务的例子？现在这是一个显而易见的问题。我们在这里预测一个值。这里将预测一个数字。如果这里预测的是一个数字，那么它就是回归的一个例子。如果数字图像的分辨率为1920 / 1080。它包含的总像素数是多少？你的数学考试已经结束了，但你在这里需要进行计算。将这两个相乘，我想会是最大的数字。所以这被称为图像的分辨率。它告诉你图像的质量是什么。分辨率越高，图像的质量就越高。哪种NLP应用是专门设计来确定客户评论表达的是积极、消极还是中立的观点？这是你检测人群或公众情绪的地方。所以在模型评估的背景下，情绪分析中哪个指标衡量模型正确识别的阳性案例的比例？好的，有点困惑？是精确度还是召回率？让我们看看提示。哪个指标衡量模型正确识别的阳性案例的比例？所以我想应该是召回率，我们考虑的是所有实际的阳性案例，而不是模型正确预测了多少。以下哪项描述了学生通过绿色技能对可持续发展的贡献？好的，这是新东西。你如何通过绿色技能做出贡献？为视频游戏开发一个快速算法，这绝对与绿色技能无关。使用AI聊天机器人。不，与绿色技能无关。与技术相关。为当地企业创建社交媒体账户？再次，不。所以D答案应该是正确的。NLP管道的哪个组件涉及建立前句和后句之间的关系？你在这里检测多个句子之间的连接。所以这是语篇整合。好的？
所以我们完成了。哦，我们错了一个，跳过了一个。87%，好的。那么有人想解决他们的疑问吗？我想我们已经涵盖了大部分内容。我不知道你是否对任何事情感到困惑，如果你需要任何疑问。7:30出发。人们说。现在是6:30。所以让我创建一个投票。稍等一下。我正在为你们创建一个投票。好的，请回答这个投票，这样我就知道你还需要多少准备。这里没有准备。只是你的引擎稍微启动了一下。这样在考试前你会稍微清醒一点。但我建议你可以休息一下。你可以去复习你的笔记。再15分钟。好的。那么，在15分钟内我们能做什么？让我们看看。我们做了很多问题，但我们可以做这个。我们可以回顾一下必知主题。或者等等，让我为此再做一个投票。启动一个投票还需要2分钟。好的，请回答这个。重要主题。我看到A部分复习你可以做。它不是很困难。我的意思是，这是一个常识性话题。如果你以前没有学过，我敢保证你们80%的人会在这方面取得很好的成绩。所以每个人都想要重要主题。所以让我们继续，看看重要主题是什么。好的？
好的。所以混淆矩阵中你需要记住四件事。你如何创建这四件事？让我们看看。假设我们有一个盒子，里面有四个小盒子。所以这里我将写上实际值，这里我将写上预测值。你不必使用这种格式。你可以把实际值写在左边。把预测值写在顶部。好的？实际上你可以预测什么？是和否。而预测也可以是‘是’或‘否’。对吗？所以现在我们正在为分类算法做这件事。这是一个监督学习算法。好的？所以当实际值和预测值匹配时。两者都是‘是’‘是’。这意味着什么？是加是。它们匹配吗？如果是，那么预测是正确的。如果不是，那么预测是错误的。我们来看看。所以这里你会得到‘真’。而且预测是‘是’。所以我们写下‘阳性’。‘是’的意思是‘阳性’。同样，让我们继续看这部分。实际值是‘否’。预测是‘是’。那么，它匹配吗？不，这意味着它是错误的。所以这里写下‘假’。那么我们的预测是什么？是阳性。所以我们说它是阳性。同样，这里实际是‘是’，预测是‘否’。
它不匹配。这意味着它是错误的。预测是否，这意味着它是负面的。所以这是假阴性。这里否和否都匹配。这意味着它是正确的。而预测是否。所以我们说它是真阴性。这是理解这四个术语的简单方法。好吗？如果在考试中记不起定义，只需画出这个表格，然后用你自己的话写下你正在说的定义。好吗？假阴性和垃圾邮件。假阴性和垃圾邮件。好吗？有一个垃圾邮件人工智能模型。它可以预测是。或者它可以预测否。是意味着它是垃圾邮件。否意味着它不是垃圾邮件。好吗？如果有一个假阴性，这意味着什么？阴性意味着模型预测了什么？它不是垃圾邮件，但它是假的。它实际上是一个垃圾邮件。让我再次验证一下。假阴性。这里模型预测为阴性，即它不是垃圾邮件，并且它错误地预测了这一点，这意味着实际上它是垃圾邮件。好吗？正确。继续。病毒性疾病爆发。高假阴性成本情景。这里高假阴性成本意味着什么？这意味着如果一个人被模型预测为未感染，这也称为阴性。但这是假的，意味着实际上是阳性。这可能是一个巨大的代价，即疾病会在你整个人群中传播。所以，你需要理解这两个术语。让我们继续人工智能项目。好吗？有四个或五个阶段。有范围界定。我们定义问题。有获取。你收集数据，探索数据。然后是建模和最后的步骤，这里缺失的是评估。自然语言处理技术。词干提取我们已经看到了，词形还原我们已经看到了，停用词我们已经看到了，分词我们已经看到了。我不会重复。词袋模型中有什么？你把所有的词收集在一起。你把它放进一个袋子里。你删除所有的停用词。然后取一个频率向量表，其中你匹配单词一的频率。你试图计算它。所以它看起来像这样。好吗？在词袋中，你最终会看到一些这样的东西。单词一，频率 X，单词二，频率 Y，单词三，频率 Z。在这里，你可以替换变量。x 的值可以是 91，y 的值可以是 83，g 的值可以是 41。对吧？机器学习类型。所以我们讨论了三种机器学习类型。但让我们再试着理解一下。监督学习使用标记数据。人类告诉模型哪些数据是正确的，哪些数据是错误的。无监督学习则没有这种情况。因为数据太多，人类很难标记。所以我们创建了无监督学习，它会自动按模式分组。它的应用是什么？推荐系统，或者你需要检测欺诈。检测异常值。强化学习基于奖励和惩罚。就业技能中的自我激励、压力管理、创业、沟通类型，可以看一下。创业中，一个好的创业者的品质是什么？这是经常被问到的一个问题。计算机视觉任务我们已经看到了。分类是什么？定位是什么？所以这是针对单个对象，这是针对多个对象。对吧？自然语言处理应用。是的，这里总结有什么用？你得到一个概述。文本分类。所以自动摘要问题已经连续三年出现。文本分类。你可以过滤垃圾邮件。可以检测文档的类型，它是新闻文章、体育文章还是你知道的太空文章。情感分析我们已经看到了。虚拟助手我们已经看到了。智能人工智能，抱歉，智能而不是人工智能的问题。多重智能，音乐，人际。所以大约有九种智能，但你不必全部记住。你可以看四个。通常会问例子，或者会要求定义某件事。哦，相机没电了。我检查一下。但我不认为现在有关系。我试试重启一下相机。我想它现在又开了。好的。我的相机没电了。数据科学。人工智能应用。人工智能伦理。我不会建议你跳过它。也许你可以读一遍。但通常会问基于能力的题目。这涉及到常识，基于常识的问题。但你需要记住的是，伦理是什么？伦理告诉你什么是对的，什么是错的。好吗？我们来看一下策略。现在，对于每个学生，策略可能不同，但你的基本策略应该是时间管理。但我认为你已经考了很多试了。所以你应该知道如何管理时间。坚持字数限制。不要写你知道的一切。尽量删减，但你可以这样想，如果是一个两分的题目，就写一两点，也许给个例子。所以遵循这个框架，让它结构化。如果你有时间，就划出重点主题，这样考官就能确切地看到你写了什么。还有一件事我们可以做，就是快速看一下样卷。今年我们看一下样卷。我们去 CBSE 技能教育样卷。我们只是走一遍这个样卷。哪种非语言沟通方式是通过动作来展示的？我们看看是否要解决什么。或者有人问了感知器的问题。好的，我们试试这个。这似乎需要一些数学。我想我得下载它，然后也许开始，因为我使用的浏览器是 Brave 浏览器。我无法在上面使用画笔工具。所以我会尝试在 Chrome 中使用它。我们试试在 Chrome 中打开。不，我不想将其设为默认值。好的。在这里我们也找不到开始画笔的选项。好的。所以，我只能口头向你解释。这里有一个问题，一家公司正在使用一个简单的人工智能模型来筛选申请人。阅读一次问题。对于入门级数据分析师职位，该模型考虑四个关键属性，每个属性都有一个基于其权重的分配。所以这里已经给出了一个方程 w1 * x1 + w2 * x2 + w3 * x3 等等。这里的 w 的意思是权重。好吗？所以这里你会取 W1、W2、W3 和 W4 的值。除此之外，你还得到了什么？偏差值为 0.3。不要想太多。这是一个简单的代入公式。你需要写 1 * b。让我尝试以某种方式在屏幕上写下来。我们看看。好的。现在需要稍微最小化一下。好的。所以我们有这个公式 Y = W1 和 X1。好吗？所以这里的 W1 和 X1 的值是什么？0.6 和 x1 是什么？这是 1。所以让我们试着写下来 x1、x2、x3 和 x4。x1 是 1，x2 是 0，x3 是 1，x4 是 1。好吗？这里的权重值是什么？W1、W2、W3、W4。所以让我们也写下它们的值。0.6、0.4、0.5 和 0.3。好吗？现在这只是一个简单的代入问题。最后还给了什么？1 * b。这里的 b 的值是什么？给定的 b 的值是 0.3。就是这么简单。 सीबीएसई 无法更改这个问题太多。它只会给你代入题。最多会给你最终值 y 的值，然后从中找出其中一个值。但我认为不会比这更复杂了。所以让我们代入。x1 * 0.6 是 0.6 + 0.4 + 0.5 + 0.3。所以这是 1。1.5。1.8。我想是 1.8。加上。哦，我想我搞错了。这里又是 0.3。所以 1.8。2.1。我错过了什么吗？W1 x1。哦，我的错，这应该是零。所以这不是 1，这是 0.6。所以我想 B 选项 1.4 + 0.3。C 选项应该是对的。对吧？对。C 选项是正确的。你想让我展示其他问题吗？但我认为 15 分钟已经到了。已经快 6:45 了。我们已经进行了一个小时的会议。让我们再解决一个。好的。擦除画笔。让我们来解决这个。一栋房子的预测成本。给出了预测值 453，实际值 488000。我们要计算这个预测的误差率。有人能在聊天中告诉我误差率是多少吗？你们也不必留下来了。现在有点晚了。去吃早餐吧。也许可以补个觉。祝所有现在要去学校的人好运，或者只是想放松一下。所以对于误差率，我们首先需要计算误差。所以误差是什么？这里我们会减去这两个数。所以我想应该是 55,000。抱歉，35,000。我们的误差是 35,000。那么误差率是多少？误差。所以这是预测的误差。除以实际值。对吧？所以我想我们已经涵盖了所有内容。现在还能做什么呢？但如果你想涵盖一些你非常不确定的如何解决的问题，请在聊天中告诉我。好吗？所以，让我们尝试解决问题 19。识别在以下场景中使用的机器学习或深度学习应用程序的名称。所以场景 A。我们来试试问题 19。A 是什么？健身追踪器使用人工智能来监测你的心率，并了解对你来说什么是正常的。一天晚上，当你放松地看恐怖电影时，追踪器突然将你的心率飙升标记为异常，认为可能出了问题。哦，这是一个好问题。所以这里你可以说什么？这里你可以说，这是一个无监督学习模型。你可以这么说吗？因为没有告诉模型什么是正确的，什么是错误的。例如，如果你的正常心率在这个范围内。所以，这是一个范围。这里是你的心率，你的心率在范围之外，所以你可以说这是一个异常。所以你可以称之为无监督。这也可以是聚类的一个例子，这意味着无监督中有大量数据。无监督中有大量数据。这就是为什么我们使用神经网络，这也意味着我们使用深度学习。所以 B 选项。野生动物相机配备了人工智能来监测森林中的动物。它不仅记录动物的运动，还能识别和分类。所以这是一个简单的计算机视觉例子。这里是机器学习。智能冰箱配备了内部摄像头和人工智能系统。其中一个门的功能是显示屏，显示内部的实时图像，捕捉到各个架子上的所有食物。对于每件物品，系统不仅显示实际图像，还在其顶部放置一个人工智能生成的标签，如牛奶盒、苹果、冰淇淋。所以这又是计算机视觉、机器学习或深度学习。所以问题可以更具体一些，因为我们使用的计算机视觉绝对是深度学习，但机器学习也可以使用，但对于这个问题，它是深度学习。想象一个应用程序，可以帮助你解锁自行车，而不是输入密码，你只需在手机屏幕上写一个数字代码，比如 528，用手指写。即使你的字迹有点潦草，经过艰苦的锻炼。哦，识别应用程序的名称。所以我已经说对了。不是机器学习与深度学习的区别。实际上是类型。所以这是什么？这是计算机视觉。这是计算机视觉。这是计算机视觉。这是数据科学。好的。所以，祝大家一切顺利。所以我想我现在要结束会议了。如果你打算在 11 年级学习人工智能，我认为这是你能做的最好的决定。但如果你选择其他科目，如计算机科学，那也很好。我不会建议现在选择 IP。但如果你喜欢 IP，就去学吧。我们在整个学年里涵盖了很多内容，不要为此感到压力。运用压力管理技巧，在考试前避免负面想法。如果你要去学习人工智能，我会在下次会议上见到你。我们将在下次会议上为 11 年级和 12 年级见面。如果你想选择计算机科学，我也会尝试涵盖 11 年级和 12 年级的计算机科学。所以我们就能再次见面。但现在人工智能工程正在成为一件事。我建议你们中的一些人或大多数人选择它。祝你们一切顺利。好好表现。下次再见。拜拜。