关键词：乐高教育机器人创造性思维培养课堂教学认识
最近几年，许多中小学把乐高教育机器人活动引入到课堂教学中，使机器人创意走进学生的学习生活。作为一种全新的教学内容，很多教师都在探索乐高教育机器人教学，这种跨学科、高操作性、极具挑战性的内容，非常适合课程整合、研究性学习和综合创新活动的需要，培养了学生的创新能力所需要的创造性思维，使学生在积极的学习兴趣中不断探索和研究，实现自己的新创意、新设想和新设计。
一、机器人和创造性思维
机器人是一种通过电脑编程，可以依靠程序自动完成一定操作或移动作业的机械装置，它可以有视觉、听觉、触觉等类似人的感觉功能，有识别功能和自主行动的功能。它是信息技术和工程机械发展的前沿领域，是一门具有高度综合渗透性、前瞻未来性、创新实践性的学科，蕴涵着极其丰富的教育资源。我校从2006年开始开设乐高教育机器人课程，在实际教学活动中，由于学生能充分体会到研究主题的趣味性和挑战性，以及提供给学生的解决开放性问题的机会多，因此对于学生的创新能力所需的创造性思维提供了发展平台。
创造性思维是一种具有开创意义的思维活动，是人类思维的精华，是引发创造活动的前提。一个发挥创造性思维的人，就能发挥自己的创造才能得心应手地解决矛盾、攻克难关。近年来随着科学技术的迅猛发展，创造性思维越来越受到重视，是学校教育和教学中必不可少的内容。
二、乐高教育机器人课堂教学与创造性思维
1、创造性思维的基础是兴趣
心理学研究表明，当人对某一事物感兴趣时，认识就快；如果毫无兴趣，认识就慢，或者不予接受。若想激发创造性思维，就必须首先激发学生的学习兴趣。那么学生的学习兴趣从何而来呢？苏霍姆林斯基曾说：“兴趣的源泉在于体会到智慧能统帅事实和现实，人的内心里有一种根深蒂固的需要――总要感到自己是发现者、研究者、探索者。在儿童的精神世界中，这种需要特别强烈”。所以“兴趣”是一种推动学生学习的内在动力，它激发了学生强烈的求知欲望，从而为创造性思维的产生奠定基础。因此兴趣不是教学目的，而是教学的一个组成部分。实践证明学生对机器人不仅能够产生浓厚的兴趣，而且能够持久和巩固。
为了引发学生的学习兴趣，我校的乐高教育机器人技术课程将学习重点放在学习乐高硬件（例如RCX和各种传感器等）及其乐高应用软件（例如三维设计软件和编程软件）上。学生在学习过程中，积极主动地参与到教学过程中来，充分地展现了自己的想象空间，精心雕琢自己的作品。有的学生曾这样说：“我最喜欢用乐高积木块设计搭建乐高机器人了，特别是每当我编写程序成功时，我就觉得自己已经是一个机器人工程师，心里别提多高兴了！”。而乐高硬件及其乐高应用软件为学生提供了机会，使他们在教室、活动室和电脑上得以展现自己。可以说这些物质基础对学生产生了“诱惑力”。有了“诱惑力”，学生就有兴趣，有了兴趣，就自然而然地产生创造力了。
人的创造能力的发挥离不开自信，而自信是实现自我和取得成功的必要前提。学生们正处于成长发展期，渴望别人对自己的尊重和信任，所以对学生恰如其分的鼓励，就会使学生满怀希望和自信心，增强兴趣，使兴趣从外在因素向内在因素的转化能够执行，从而巩固兴趣。在每堂课即将结束时，我都要进行作品展示。同学们总是要争先恐后地展示自己的作品，当自己的作品得到展示时，一种得意的表情便会在他的脸上呈现。当许多新的技巧和操作方法在作品中不断得到体现时，当学生们利用各种传感器设计出了许多具有可操作性的创意方案时，就会看到他们创造发明的信心和能力。兴趣引发了学生的创造性思维的产生，一幅幅作品、一个个设计图案，一个个创意程序都来自他们内心的“灵感”。
2、升华创造性思维离不开运用
学习兴趣的源泉在于学以致用，这时候人们才能真正感受到掌握知识的欢乐。知识运用可以促进学习和智力活动的兴趣。乐高教育机器人模仿于人，又帮助于人们的生活和服务于我们的人类，因此具有广泛的应用范围。
3、良好的多媒体手段是培养创造性思维的保证
2.应用领域安防
实时从视频中检测出行人和车辆。
自动找到视频中异常的行为（比如，醉酒的行人或者逆行的车辆），并及时发出带有具体地点方位信息的警报。
自动判断人群的密度和人流的方向，提前发现过密人群带来的潜在危险，帮助工作人员引导和管理人流。
医疗
对医学影像进行自动分析的技术。这些技术可以自动找到医学影像中的重点部位，并进行对比比分析。
通过多张医疗影像重建出人体内器官的三维模型，帮助医生设计手术，确保手术
为我们每个人提供康建议和疾病风险预警，从而让我们生活得更加健康。
智能客服
智能客服可以像人一样和客户交流沟通。它可以听懂客户的问题，对问题的意义进行分析（比如客户是询问价格呢还是咨询产品的功能呢），进行准确得体并且个性化的回应。
自动驾驶
现在的自动驾驶汽车通过多种传感器，包括视频摄像头、激光雷达、卫星定位系统（北斗卫星导航系统BDS、全球定位系统GPS等）等，来对行驶环境进行实时感知。智能驾驶系统可以对多种感知信号进行综合分析，通过结合地图和指示标志（比如交通灯和路牌），实时规划驾驶路线，并发出指令，控制车子的运行。
工业制造
帮助工厂自动检测出形态各异的缺陷
3.概念什么是人工智能？
人工智能是通过机器来模拟人类认知能力的技术。
人工智能的三种训练方式分别是监督学习、非监督学习、强化学习。下文会一一介绍。
二、这是不是鸾尾花（分类器）1.特征提取人类感官特征
花瓣数量、颜色
人工设计特征
先确定哪些特征，再通过测量转化为具体数值
深度学习特征
2.感知器
老师给了一道题：
要区分两种鸾尾花，得画出一条直线区分两类花，你可以画出无数条直线，但是哪条才是最好的呢？
怎么办呢？我可是学渣啊，靠蒙！
随便找三个数a=0.5、b=1.0、c=-2带入y=ax[1]+bx[2]+c，
每朵花的两个特征也代入x[1]、x[2]，比如带入(4，1)得出y[预测]=1，此时y[实际]=1（样本设定变色鸾尾花为1，山鸾尾为-1），所以y[实际]–y[预测]=0.
重复以上两步，得出所有的『实际值和预测值的差距的综合，记为Loss1
可怎么知道是不是最优的直线呢？继续猜啊！继续懵！像猜世界杯一样猜就好了。
通过沿y=ax[1]+bx[2]+c梯度（梯度就是求导数，高中有学的！）下降的方向继续猜数字，具体过程大概是这样子的：
上述所属的实际值和预测值的差距实际上是一种损失函数，还有其他的损失函数，比如两点间直线距离公式，余弦相似度公式等等可以计算预测结果和实际结果之间的差距。
划重点：损失函数就是现实和理想的差距（很残酷）
3.支持向量机
*判断依据的区别也导致了损失函数的不同（但依旧是猜）
直观的说，缝隙（上图的分类间隔）越大越好
4.多分类
如果有多种花怎么办？
一趟植物课上，老师请来了牡丹鉴别专家、荷花鉴别专家、梅花鉴别专家。老师拿出了一盘花给各个专家鉴定，牡丹角色这是牡丹的概率是0.013、荷花专家角色这是荷花的概率是0.265、梅花专家角色这是梅花的概率是0.722。
老师综合了各位专家的意见后，告诉同学们，这是一盘梅花。
小明：这老师是不是傻，一朵花是啥都不知道，还要请三个专家
老师：你给我滚出去
实际计算过程就是通过用2.2和2.3等方法训练的二分类器，分别输出对应的分类值（比如三种花的分类器分别输出-1，2，3），那怎么把这些分类值转化成概率呢？这就要用到归一化指数化函数Softmax（如果是二分类就用Sigmoid函数），这里就不拿公式来说，可以直观的看看书中这个表格就懂了：
5.非监督学习第2.2能从预测值和实际值的差别判断”是否猜对了”，是因为生物老师告诉了学渣，哪些样本是山鸾尾花，哪些变色鸾尾花。但如果老师连样本实际的类别也不告诉学渣（非监督式学习），学渣不知道样本分别是什么花。
那该怎么办呢？
机器学习的入门课程总是在讲鸾尾花，也是够烦的。
这里我们换个场景：
这时候你把她们的胸围和臀围都标准在一张二维坐标图上：
这是你随手一划，把她们分成两组，可以说“聚成两类了”。
用某种计算方式（比如平均值）找到这个聚类的中心。点离聚类中心越近，代表越相似。
求出每个聚类中的点到蓝色聚类中心点和黄色聚类中心的距离
如果一个点离黄色聚类中心更近却被你随手划到了蓝色分组（上图用红色边框标出的小方块），那么就把它划入黄色分组。
这时因为分组范围和分组内包含哪些小姐姐都发生了变化。这时候你需要以步骤3的方法重新计算聚类的中心
重复步骤4（算点中心距离）->重复步骤5（调整黄色小姐姐们和蓝色小姐姐们）->重复步骤3（算中心），一直循环这个过程直到蓝色和黄色聚类下所包含的小姐姐不再发生变化。那么就停止这一循环。
至此，小姐姐们已经被分为两大类。你可以得出两类小姐姐：
计算机在没有监督的情况下，成功把小姐姐们分成两类，接下来就可以在把两种主播各投放2个到平台看看谁更能干。效果更好的，以后就以那个聚类的样本特征扩充更多能干的主播。
小明：有什么了不起的，我一眼就能看出黄色小姐姐更能干
上面聚类小姐姐的算法就叫做K邻近算法，K为要聚类的数量（这需要人工指定），上述例子K=2.那么如果分成三类就是K=3，训练过程可以看下图，有个直观的了解：
三、这是什么物品（图像识别）1.特征提取人类感官特征
花瓣颜色、花瓣长度、有没有翅膀（区分猫和小鸟）、有没有嘴巴和眼睛（飞机和小鸟）
感官的特征通过量化得到颜色（RGB值）、边缘（圆角、直角、三角）、纹理（波浪、直线、网格）数值特征
通过卷积提取图像特征
1维卷积1*5+2*4+3*3=22、1*4+2*3+3*2=16、1*3+2*2+3*1=10
2维卷积1*2+3*0+2*4+4*2=28…
通过卷积就可以得到图像的特征信息，比如边缘
垂直边缘检测
水平边缘检测
方向梯度直方图
2.深度学习和传统模式分类的区别既然有传统模式分类，为什么还要神经网络呢？
区别就在于传统的模式分类需要人为设置特征，比如花瓣长度、颜色等等。而深度学习省略掉人工设计特征的步骤，交由卷积操作去自动提取，分类器的训练也同时融入到神经网络当中，实现了端对端的学习
划重点：端对端学习（EndtoEnd）就是从输入直接得出输出，没有中间商，自己赚差价。
3.深(多)层神经网络存在的问题一般来说，神经网络层数增多，会提高准确率。但是，网络层数加深导致：
过拟合学渣把高考预测试题的答案都背一遍而不理解，考试的时候，如果试题是考生背过的，那么考生就能答对；如果没背过那么考生就不会回答了。我们就可以说，学渣『过拟合了预测试题。
与之对应的是：欠拟合渣得不能再渣的人，连预测试题都背不下来，即使考试试题和预测试题一模一样，他也只能答对30%。那么就可以说这种人~~欠揍~~欠拟合。
有兴趣的还可以了解一下梯度弥散和梯度爆炸下面是网上很火很励志的一个公式，权重在多层网络中相乘，比如每一层的权重都是0.01，传递100层就是0.01的100次方，变得非常小，在梯度下降GradientDescent的学习过程中，学习将变得非常慢。（好比从一个碗顶部放下一个小球，在底部徘徊的速度会越来越慢）
非凸优化学习过程可能在局部最小值（极小值）就停止了，因为梯度（斜率）为零。在局部最低停止而不是全局最低停止，学习到的模型就不够准确了。
看图感受一下
你说的底不是底，你说的顶是什么顶
解决的办法
均匀初始化权重值（UniformInitialization）、批归一化（BatchNormalization）、跳远链接（Shortcut）涉及到比较多数学逻辑，这里就不展开说明了。
4.应用人脸识别
自动驾驶把汽车顶部拍摄到的图片切分层一个个小方块，每个小方块检测物体是车还是行人还是狗，是红灯还是绿灯，识别各种交通标识等等。再配合雷达等判断物体距离。
四、这是什么歌（语音识别）1.特征提取人类感官特征音量、音调、音色
通过采样、量化、编码。实现声波数字化（声波转电信号）
人工设计特征梅尔频率在低频部分分辨率高，高频部分分辨率低（这与人耳的听觉感受是相似的，即在一定频率范围内人对低频声音比较敏感而对高频声音不敏感）。
关系为：
在每一个频率区间对频谱求均值，它代表了每个频率范围内声音能量的大小。一共有26个频率范围，从而得到26维的特征。倒谱操作后，得到13维的梅尔频率倒谱系数(Mel-FrequencyCepstralCoefficients，MFCCs)
深度学习特征通过3.1所介绍的1维卷积进行特征提取
2.应用音乐风格分类
输入：音频文件特征：声音特征输出：音乐种类
语音转文字
输入：音频文件特征：声音特征输出：声学模型（比如26个英文字母）
再把声学模型送入另外的学习器
输入：声学模型特征：语义和词汇输出：通顺的语句（可以查看第6点，如何让计算机输出通顺的语句）
听歌识曲通过窗口扫描（把音乐分割成一小段一小段的），然后通过4.1说的方法提取这一段的特征，就得到一个特征向量。对数据库的歌和用户录音的歌做同样的操作得到特征向量，然后两两之间计算相似度（两个向量的距离可以用余弦公式算夹角大小或者两点间距离公式来算）
五、视频里的人在做什么（视频理解，动作识别）1.介绍视频，本质是由一帧帧图片连续组成的，因为人视觉的暂留效应（Persistenceofvision，人眼在观察景物时，光信号传入大脑神经，并不立即消失，让人产生画面连续的印象），看上去是连续的，也就是视频。识别视频里面有什么物体，可以用上文说过的图像识别和分类方法去实时分析单帧图像，比如：
但是视频相对于图像有一个更重要的属性：动作（行为）。
怎么从一个连续的视频分析动作呢？
举个例子，像上图那只二哈，腿部的像素点相对于黄色的方框（框和狗相对静止）在左右”移动”，这里的”移动”我们引入一个概念——光流（一个像素点从一个位置移动到另一个位置），通过像素点移动形成的光流作为神经网络的训练特征（X），『奔跑作为训练目标值（Y），经过多次的迭代训练，机器就可以拟合得出一个Y=f(X)用于判断视频中的物体（Object）是否在奔跑。
2.光流假设，1）相邻两帧中物体运动很小2）相邻两帧中物体颜色基本不变
至于神经网络是怎么跟踪某个像素点的，这里不展开说明。
第t时刻的点指向第t+1时刻该点的位置，就是该点的光流，是一个二维的向量。
整个画面的光流就是这样：
整个视频的光流（轨迹）是这样的
不同的虚线代表图像上某个点移动的轨迹
假设视频宽width、高height、一共有m帧，那么该视频可以用width*height*m*2的张量（就是立体的矩阵）来表示，把向量喂到神经网络即可进行分类训练。
进一步优化，可以把光流简化为8个方向上的，把视频某一帧的所有光流累加到这八个方向上得出某一帧的光流直方图，进一步得出8维的特征向量。
六、一段文字在表达什么（自然语言处理）1.特征提取
这里有4个句子，首先进行分词：
去掉停用词（副词、介词、标点符合等等，一般在文本处理上都有一个停用词表）
编码词表
句子向量化
这样就得到一个句子19维的特征向量，再把这19维的特征向量用普通卷积网络或者LSTM循环神经网络作为X读入（喂它吃东西），文本的分类（比如积极、消极）作为训练标签值Y，迭代训练得到的模型可以用于情感分析或文本分类等任务。
2.进阶词向量化厉害-牛逼、计算机-电脑是同义词。光从上面的步骤，我们可能认为厉害和牛逼是两个完全不一样的词语，但其实他们是近似的意思，怎么才能AI学习知道这点呢？需要从多个维度去进一步给词语更丰富的内涵，比如：
举例来说，男性用1表示，女性用0表示，不带性别倾向就是0.5。多个维度扩展之后，就得到“男人”这个词的特征向量（1，0，0.5，0，1）
假设句子中有N个词，某个词出现次数为T，一共有X个句子，该词语在W个句子出现，则逆向文档频率TF-IDF为T/N*log(X/W)
3.应用
七、让计算机画画（生成对抗网络）从前有个人，以卖临摹名家的画来赚钱。他开始临摹一副名画：
第一次他画成这样子了：
鉴赏家一眼就看出来是假的，他不得不回去画第二幅画、第三幅画…
经过了10万次”画画-鉴别”的过程，这个临摹者画出来的画，鉴赏家居然认为这是真的原作，以高价买入了这副画。
这种生成（画画）-鉴别（鉴伪）的模式正是生成对抗网络（GAN）的核心。
通过生成器，把随机像素点有序排列形成具有意义的画面，再通过鉴别器得出生成的画面的分类、和真实画面之间的差距，并告诉生成器要往什么方向去优化。多轮的训练之后，生成器就学会了画『真画了。
计算机是怎么把随机像素点变成有意义的画面的呢？我们通过一个简化的例子来看看。
直线上一些均匀分布的点，经过y=2x+1变换后变成了非均匀分布。一张随机排布的像素点画面，经过某个f(x)变换后就会变成具有某种意义的画面，而生成器就是不停地去近似f(x)，就像2.2感知器拟合一条直线那样。
下图为计算机生成手写数字的过程
划重点：函数可以变换数据分布（库克说：可以把直的变成弯的）
八AlphaGo是怎么下棋的？（强化学习）1.粗略认知监督/无监督训练：尽可能让每一次任务正确强化学习：多次任务是否达成最终目标
每一次任务都准确，不就是能达成最终目标吗？我们来看一个例子：
一家批发商店的老板爱丽丝要求她的经理比尔增加销售额，比尔指导他的销售员多卖一些收音机，其中一个销售员查尔斯弄到了一个可以获利的大单，但是之后公司因为供应紧缺无法交付这些收音机。
应该责怪谁呢？
从爱丽丝的角度来看，查尔斯的行为让公司蒙羞了（最终任务没完成）。
但是从比尔的角度，查尔斯成功地完成了他的销售任务，而比尔也增加了销量（子任务达成）。——《心智社会》第7.7章
2.AlphaGo下围棋，最古老的办法是决策树，从左上角的位置开始到右下角的位置遍历，每一个空的位置就是一个分支，然后预测每种棋局赢的概率，找出最大概率的走法玩。这就是落子预测器。
但是由于围棋19X19的超大棋盘，空间复杂度高达10的360次方，要穷尽所有的走法几乎是不可能的，如大海捞针。
要降低复杂度，关键是要降低搜索的广度和深度。
我们栽培一颗小盆栽的时候，如果不对枝叶进行修剪，那么养分就会浪费在没长好的枝条上。需要及时对枯萎或者异常的枝条进行修剪以保证养分往正常（或者说我们希望它生长的方向）枝条上输送。
是否可以通过“修剪”落子选择器这颗庞大的决策树，加快较优落子方案的选择呢？怎么判断哪些是好的”枝条”，哪些是坏的”枝条”呢？这就需要棋局价值评估器（哪个棋盘的赢的概率更大），把没有价值的棋局先去掉不再往下遍历，这就同时减少了搜索的广度和深度。
其中，落子预测器有个名称，叫做政策网络（policynetwork）价值评估器有个名称，叫做价值网络（valuenetwork）政策网络（policynetwork）利用蒙特卡洛搜索树从当前棋局推演（随机下棋）到最终的棋局，最终胜则回报为正，反之回报为负。之后该算法会反向沿着该对弈过程的落子方案步步回溯，将路径上胜者所选择的落子方案分数提高，与此对应将败者的落子方案分数降低，所以之后遇到相同局面时选择胜者方案的概率就会增加。因此可以加速落子选择，称为快速走子网络。
通过政策网络+价值网络+蒙特卡洛搜索树实现最优落子方案的选择，同时两个机器人互相对弈，这样就不停地训练网络，学习落子方案。
3.定义接下来说一下枯燥的定义
什么是强化学习
强化学习的目标是要获得一个策略(poliey)去指导行动。比如在围棋博弈中，这个策略可以根据盘面形势指导每一步应该在哪里落子；在股票交易中，这个策略会告诉我们在什么时候买入、什么时候卖出。
一个强化学习模型一般包含如下几个部分：
一组可以动态变化的状态(sute)
对于围棋棋盘上黑白子的分布位置对于股票交易来说，就是股票的价格
一组可以选取的动作(metion)
一个可以和决策主体(agent)进行交互的环境(environment)这个环境会决定每个动作后状态如何变化。
棋手（主体）的落子会影响棋局（环境），环境给主体奖励（赢）或惩罚（输）操盘手（主体）的买入或卖出会影响股票价格（环境，供求关系决定价格），环境给主体奖励（赚钱）或惩罚（亏钱）
作者简介
目
录
1第1章智能时代
2开章案例
61.1开启智能时代
71.1.1MrSmart——我的智能生活
131.1.2智能时代之认知颠覆
181.1.3人工智能——工作“终结者”
191.1.4新产业的催生——“智”家帮的兴起
251.2迎接崭新的智能社会
251.2.1“数字化”——智能社会的“快引擎”
261.2.2“信息化”——智能社会的“大动脉”
271.2.3“网络化”——智能社会的“高速路”
281.2.4“集成化”——智能社会的“点金石”
291.2.5“公共化”——智能社会的“新时代”
321.3智能生态——智能时代的终极奥义
321.3.1传统工业逻辑的颠覆式创新
361.3.2人人创造，智能时代新分子
371.3.3用户“双力”：参与力创造力
381.3.4“智”之大器之智能整合
391.3.5未来人工智能生态圈
421.4智能时代的内核
421.4.1人工智能之先发“智”人
451.4.2超级计算之千手“算”音
461.4.3云端服务之无上“云”法
471.4.4网络安全之“安全”卫士
51章末案例
56第2章人工智能
57开章案例
622.1人工智能：让机器更聪明
622.1.1人机大战：阿尔法狗与柯洁
642.1.2人工智能与智能机器人
672.1.3机械思维向左，智能思维向右
682.1.4人机融合：超人类智能时代
722.2人工智能新认知
752.2.1解密人工智能
762.2.2重要的是数据，而非程序
772.2.3淘汰的不仅是工作，更是技能
802.2.4超人工智能时代
822.3大数据与人工智能
822.3.1数据驱动智能革命
852.3.2数据挖掘：从大数据中找规律
862.3.3大数据的本质：数据化
892.3.4大数据——人工智能的永恒动力
902.4人机融合：连接未来
932.4.1人工智能之“星际迷航”
952.4.2机器学习与人工神经网络
962.4.3超越未来：人工智能之深度学习
1012.4.4人工智能之前世今生
1022.4.5人机融合：未来ING
104章末案例
109第3章超级计算
110开章案例
1143.1大话超级计算机
1143.1.1超级计算知多少
1153.1.2从数据到超级计算的飞跃
1173.1.3大千世界，“数”在掌握
1193.1.4数据流——“超算流体”
1223.2时代新宠——超级计算机
1233.2.1超级计算，未来国之重器
1243.2.2超算之不得不懂
1263.2.3大国超算之超常发展
1323.3超级管理
1323.3.1数据收集——“超管”之“核基础”
1323.3.2数据存储——“超管”之“核聚变”
1333.3.3数据处理——“超管”之“核爆炸”
1363.3.4超级计算安全
1373.4.1互联网应用：“互联”的二次方
1403.4.2电子政务应用：政务“超算”跨时代
1413.4.3精准医疗应用：超算医疗，快，准，狠
1453.4.4智能交通应用：数据出行，悠哉，享哉
1463.4.5金融投资应用：“超算”致富经
1493.4.6新零售应用：“超”未来，“算”零售
153章末案例
159第4章云端服务
160开章案例
1644.1云服务——“云”上境界
1644.1.1走进“云”化时代
1684.1.2享受云生活
1724.1.3幕后英雄——云计算推动“团队”
1734.2直击云计算
1744.2.1云计算为何物
1784.2.2云计算从哪里来
1794.2.3虚拟化，一切皆有可能
1814.2.4云计算未来规模
1834.3双重界：云计算与虚拟网络
1834.3.1云计算与虚拟网络关系
1844.3.2云服务之“虚化”技术
1894.3.3虚拟服务器——“虚化”技术承载终端
1934.3.4多云大融通——云存储设备
1954.3.5有备无患——云资源备份
1984.4“三云”家族：公有云私有云混合云
1994.4.1公有云——“云”家必争之地
2014.4.2私有云——私享“云端”之上
2034.4.3混合云：公私合并——“云端”最强音
2074.5云应用——“云端”的机智强大
2074.5.1云应用：极致“云”风暴
2104.5.2云应用、云服务与云计算
2114.5.3AI云运用=“云端”最强音
212章末案例
218第5章网络安全
219开章案例
2235.1直击网络安全
2235.1.1计算机安全——21世纪的重点“安全区”
2245.1.2网络安全：居安思危，严阵以待
2275.1.3安全攻击之“四面”埋伏
2285.2不得不知的网络安全
2295.2.1网络安全之认知“大充电”
2325.2.2网络安全风险之危机四伏
2365.2.3网络安全的“威胁危邪”
2415.2.4安全管理“六板斧”
2425.3网络“歪脑筋”：犯罪与黑客
2435.3.1网络犯罪——犯罪“新境界”
2465.3.2黑客攻击：高智商罪犯的攻击
2475.3.3黑客攻击“六”手段：智、快、狠
2505.4无处不在的安全管家——网络安全管理
2505.4.1网络安全“密匙”：加密安全
2545.4.2保密系统：守口如瓶，从一而终
2565.4.3智能防火墙——安全防护之智能乾坤
2605.4.4网络安全未来式：量子通信
264章末案例
270参考文献
关键词：人工智能；SEO技术；搜索算法；启发信息
随着大数据和“互联网+”时代的到来，网络、计算和信息技术也取得飞速发展，人类社会正朝着信息化时代迈进，给各行各业和人们的日常生活与工作也带来了深刻的变革。同时，信息技术的发展与创新，离不开人工智能技术的支持。通过人工智能技术的应用，能推动信息技术变革，让人们各项工作的开展都有技术支撑。例如，当前迅速发展的SEO技术，就离不开人工智能技术的应用。尤其是在现代社会，上网人数越来越多，对网速要求也越来越高，广大网民在互联网搜索信息时，很多问题离不开人工智能技术的应用，这就迫切需要全面分析和认识人工智能技术，并对其应用进行研讨。本文将结合大数据和“互联网+”的时代背景，探讨分析人工智能及其在SEO技术中的应用，并提出相应策略，希望能为人工智能的有效利用，作用的充分发挥提供启示与参考。
1人工智能的概念与特点
1.1人工智能的概念
1.2人工智能的特点
人工智能的应用中，为促进其作用发挥，离不开计算机和互联网技术的支持。在高度发达的信息时代，随着云计算和互联网技术应用，人工智能的特点和优势进一步显现，其显著特点表现在以下方面。此外，由于人工智能的应用，有利于保障计算机安全和稳定运行，同时也为网络运行提供支持。
1）辅助信息的模糊处理。通过人工智能技术的应用，可以将不明确的信息进行模糊处理，为顺利完成某项任务创造条件。在具体的某项任务处理过程中，采用模糊处理手段对网络进行分析，能避免固定数学模型对程序的限制，有利于进行类似人类的各项操作，让计算机完成具有人类智能的操作任务。此外，模糊处理方式的应用，增加了网络管理新形式，有利于更好管理计算机系统当中的不确定信息，防止对系统运营带来不利影响，也有利于网络跨越式发展。
2）帮助网络层次化管理。计算机网络和系统应用中，在人工智能的辅助下，有利于更好实现网络的层次化管理。网络的构成内容复杂，包括不同层次和不同信息。而整个管理过程中，通过人工智能的应用，能实现上级对下级的有效约束，下级对上级进行监控。并且还可以增进上级与下级的联系，相互协作，共同完成任务，促进网络系统更好运行和发挥作用。
3）具备一定的学习能力。人工智能的灵活性较好，具有较为强大的功能，有利于增进不同管理者之间的联系与合作，让不同网络相互协作，联系在一起。同时，人工智能具有一定的学习能力，可以增进人工智能对信息技术进行处理的能力，探寻系统当中比较难的词汇，对其进行全面分析。并确定词汇的含义，进而对网络进行全面监控和有效管理，促进网络系统作用的充分发挥。
2人工智能及其在SEO技术中的应用
作为重要的技术措施，人工智能的出现和应用，给很多行业带来变革，也大大方便人们的日常生活。下面将结合SEO技术的基本情况，就人工智能应用进行介绍和分析。
2.1搜索算法是关键
SEO是“SearchEngineOptimization”的英文缩写，它的基本含义是搜索引擎优化。其出现和应用，对提高人们的搜索效率，更好开展各项工作具有积极作用。事实上，SEO技术指的是网页内外各种可以用来提高网站在搜索引擎中排名的设计策略。搜索引擎的构成包含多方面内容，并且每个部分缺一不可，分别发挥相应的作用，进而让整个系统更好运营。在这些构成内容当中，搜索算法是关键的组成部分，也是促进人工智能系统充分发挥作用，有效满足人们日常生活和工作需要的关键。
2.2搜索是基本技术
利用人工智能技术解决实际问题时，搜索是最基本的技术，也是解决问题过程中不可忽视的内容。具体应用中，符号智能、计算智能，解决具体问题的应用、智能行为本身，都离不开搜索技术的应用。
2.3应用启发式搜索法
在搜索路径对信息进行控制的过程中，增加被解问题的某些特征，进而更好指导搜索，让搜索朝着最有希望达到目标节点的方向前进，进而满足实际工作需要，节约成本，降低劳动强度。启发式搜索法指导排序时，可以分为局部排序和全局排序两种不同方式。
2.4启发信息的三种模式
决定要扩展的下一个节点，防止在宽度或深度优先搜索过程中，出现盲目扩展现象。扩展节点的过程中，决定要生成的后继节点，防止盲目生成所有可能的节点。决定需要从搜索树中抛弃或者剪切的节点，促进节点生成和计算顺利进行，有利于搜索顺利进行，更好完成相应的工作任务。
2.5搜寻算法的应用
启发式通常用于资讯充分的搜寻算法，图1展示的是启发式搜索符号，包括开始节点、一条弧的代价、不同的节点等内容。在图1中，最好优先贪婪算法会为启发式函数选择最低代价的节点，如果h（h）是可以接受的，未曾付出超过达到目标的代价，那么在计算和具体应用中，一定会找到最佳解。
f（n0）=到达一个目标的最低代价（最优）路径的代价
f（n）=g（n）+h（n）=到达一个目标的最低代价路径的代价――仅通过节点n
g（n）=从n0到n的最佳路径的代价
h（n）=从节点n到一个目标的优化路径的代价
2.6n-puzzle的应用
为直观形象了解启发式算法的好处，下面将进引入这方面的经典问题――n-puzzle的应用。该问题在计算错误的拼图图形、计算任意两块拼图的曼哈顿距离总和、距离目的地的距离时，都会得到具体应用。在应用过程中，必须保证应用条件在可以接受的范围之内。曼哈顿距离是一个简单的n-puzzle问题，假设移动一个方块到想要的位置，不考虑移动其他方块问题，计算中采用的是启发式函数式。
2.7利用启发式算法
搜寻问题中，每个节点都有b个选择，同时还要明确到达目标的深度d。最为简单，操作方便的算法是搜寻bd个节点，然后才能探寻到最佳答案，顺利完成计算任务。事实上，为顺利完成计算任务，首先应该了解两个节点的距离和位置，并在启发式算法的应用中，一般采用某种切割机制来降低分叉率，达到提高搜寻效率的目的。启发式算法的计算工作简单，计算效率比较高，能有效满足实际工作需要，可以为搜寻树的每个节点提供较低分叉率，对提升计算能力也具有积极作用。
3结束语
参考文献：
[1]史忠植.高级人工智能[M].2版.北京：科W出版社，2006.
[2]陈真诚，蒋勇.人工智能技术及其在医学诊断中的应用及发展[J].生物医学工程学杂志，2002（3）：505-509.
[3]马龙.人工智能技术在电气自动化控制中的应用[J].山西焦煤科技，2014（z1）：50-52.
[4]滕国文，滕硕.人工智能及其在SEO技术中的应用[J].吉林师范大学学报：自然科学版，2012（2）：41-43.
[5]廉师友.人工智能技术导论[M].2版.西安：电子科技大学出版社，2002.
关键词：大数据人工智能技术
随着计算机技术被应用于社会生产、日常生活的方方面面，其重要作用日益体现出来，不可或缺。计算机从20世纪被发明，经历了各种改革、调整与进步，到今天，计算机技术已经开始融入到人工智能的领域，开始代替人类本身做一些危险性、精密性高的工作。但是人工智能领域的发展并不仅仅是依靠计算机技术的进步，还有互联网时代产生的大数据通过对各种程序化的技术的核算、设计以及发明所推动的人工智能的发展。技术的发展一直在不断促进人工智能的发展，因为起初所有智能化都是在技术中发现和实现的。到当代，这种动力开始被大数据所替代，大数据开始挖掘技术推动人工智能继续发展的潜力。
1大数据挖掘技术推动人工智能继续发展的机制
1.1技术推动人工智能发展
如前所说，在最初几乎所有的人工智能都是在生产的技术中发现、实现和发展的。劳动人民的智慧是无穷的，劳动人民创造的技术更是无尽的。从人类进化史中就可以看出，人类在工业革命后，从最初的利用蒸汽推动机车和及其的运转，到后来利用燃料，通过内燃机来推动机器运转，再到发明电机，再到现在通过电力实现了各种各样人类凭借肉体无法完成的事情，比如在地质勘探、深海探测等方面。人类对于技术的不断完善，推动着人工智能的不断进步和发展。
1.2大数据通过技术推动人工智能发展的机理
大数据指的是对于一定范围内或者行业中，某一特定主体的某一方面或者多方面的特性、数量、属性、问题、偏好、趋势等内容的了解，基于众多信息条目下的数据处理，最终可以从多方面系统化地了解某一事物。而人工智能指的是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
根据人工智能的定义，我们可以看出，人工智能本身说到底是一门技术科学。在技术发展已经脱离以往的直接生产经验，单是凭借大数据就可以进行推陈出新的今天，人工智能的发展动力已经在无形中被置换。大数据通过收集、分析技术参数，利用计算机系统对技术进行智能化改革，将人类从技术操作中剔除，完成人类本身完成不了的工作。
2大数据挖掘技术推动人工智能继续发展的现状
大数据对于人工智能的发展，是通过技术的革新来实现的，但是这种技术的作用与实际的生产之间日渐存在张力，换句话说，大数据所促进的技术进步与革新，不但没有被限制在传统生产领域中，还在一定程度上超越了所有生产的阈值，更像是一种未来计划。
美国的开源汽车制造商LocalMotors曾推出过一款无人驾驶公交车Olli，车身采用3D打印技术制造，只需10h就能打印出恚1h内就可以组装完毕。这辆车没有司机，也没有方向盘，全靠内置的超级计算机来发送指令，通过传感器收集数据，再利用超级计算机进行实时路况分析。我们可以看到，无人汽车在实用性方面目前微乎其微，但是在未来，将彻底地改变人类出行方式，这就是当今大数据挖掘技术推动人工智能发展的路径。
总之，大数据通过挖掘技术的发展来促进人工智能的继续发展，不仅是在科学实验领域，也在我们日常的生产生活之中。
3大数据挖掘技术推动人工智能继续发展的方式
3.1传统技术领域中大数据推动的人工智能技术转变
在传统产业中，依靠人工以及简单的机械来进行工作的领域也已经逐渐被大数据推动的人工智能技术所改变。具体而言，就是大数据渗透进产业的每一个角落中，分析传统产业中耗时耗力的缺点，统筹整个产业或者地区性传统产业的资源分配，协调各方的利益关系，最终以渐进的方式形成产业转变。在我国，逐渐淘汰高耗能、低产出、重污染的企业，向着高兴技术产业发展，就是利用大数据分析这些产业给地区或者行业带来的利弊，最终决定如何转变。
3.2大数据创造人工智能技术的最前沿
这是个数据时代，人们的一举一动都被数据所记录，技术也一样。技术的所有参数都被编制进大数据的网络中，它开始“开疆拓土”，创造以往不存在的人工智能领域。在现代医学领域、现代化农业领域、现代航空领域以及现代军事领域等多个领域中，大数据指导下的技术性人工智能逐渐占据了科技的最前沿，成了社会性技术发展领域的风向标和指明灯。
4结语
大数据通过置换传统生产技术、理念来实现技术的不断进步，随着技术的不断更新，将人类从危险、枯燥的工作中释放出来，代替了人类引以为傲的智能，将社会生产、日常生活推向了一个更方便、更科学的时代，它开启了人工智能的新时代。
参考文献
[1]邹蕾，张先锋.人工智能及其发展应用[J].信息网络安全，2012（2）：11-13.