學期2024-2025-1 學號20241414 《計算機基礎與程式設計》第十週學習總結

作業資訊

這個作業屬於哪個課程	<班級的連結>2024-2025-1-計算機基礎與程式設計
這個作業要求在哪裡	<作業要求的連結>2024-2025-1計算機基礎與程式設計第一週作業
這個作業的目標	資訊系統資料庫與SQL 人工智慧與專家系統人工神經網路模擬與離散事件排隊系統天氣與地震模型圖形影像
作業正文	本部落格連結

教材學習內容總結

資訊系統

資訊系統（Information System，簡稱IS）是一個廣泛的概念，它指的是能夠收集、處理、儲存和傳遞資訊的系統。資訊系統可以應用於各種組織和業務流程中，以提高效率、決策質量和競爭力。以下是一些資訊系統的關鍵組成部分和特點：

硬體：包括計算機、伺服器、網路裝置等物理裝置，它們是資訊系統執行的基礎。

軟體：包括作業系統、資料庫管理系統、應用程式等，它們使得硬體能夠執行特定的任務。

資料庫：儲存、管理和檢索資料的系統，是資訊系統中的核心部分。

網路：包括區域網（LAN）、廣域網（WAN）和網際網路等，它們使得資訊能夠在不同地點和裝置之間傳輸。

人員：包括系統管理員、使用者、開發者等，他們負責資訊系統的管理和使用。

過程：指資訊系統中的資料流和工作流程，它們定義瞭如何收集、處理和分發資訊。

資料：資訊系統處理的原始資訊，可以是結構化的（如資料庫中的表格）或非結構化的（如文字檔案、圖片等）。

資訊：從資料中提取的有意義的內容，用於支援決策和業務流程。

安全：保護資訊系統免受未授權訪問、資料洩露和其他安全威脅的措施。

整合：將不同的資訊系統和應用程式整合在一起，以提高效率和一致性。

資訊系統可以是簡單的，如一個小型企業的會計軟體，也可以是複雜的，如大型企業的企業資源規劃（ERP）系統。隨著技術的發展，資訊系統也在不斷進化，例如，現在越來越多的系統採用了雲端計算、大資料、人工智慧等先進技術。

資料庫與SQL

資料庫是用於儲存、管理和檢索資料的系統。它允許使用者儲存大量結構化資料，並能夠透過查詢來訪問和操作這些資料。資料庫管理系統（DBMS）是資料庫的核心軟體，它提供了資料的建立、查詢、更新和管理的功能。

SQL（Structured Query Language）是一種專門用來與資料庫通訊的程式語言

人工智慧與專家系統

關於人工智慧與專家系統，以下是一些關鍵資訊：

專家系統的定義：
專家系統（Expert Systems）是人工智慧的一個重要分支，它使用人類專家推理的計算機模型來處理現實世界中需要專家作出解釋的複雜問題，並得出與專家相同的結論。專家系統可視作“知識庫(knowledge base)”和“推理機 (inference machine)”的結合
。

專家系統的起源與發展：
1968年，愛德華·費根鮑姆（Edward Feigenbaum）提出首個專家系統DENDRAL，這標誌著專家系統的誕生，也孕育了後來的第二次人工智慧浪潮。DENDRAL系統具有非常豐富的化學知識，可根據質譜資料幫助化學家推斷分子結構
。

專家系統的特點：

專家系統屬於人工智慧範疇，其求解的問題不是傳統程式求解的結構化問題，而是半結構化或非結構化問題，需要應用啟發法或弱方法來解決
。
專家系統模擬的是人類專家在問題領域的推理，而不是模擬問題領域本身
。
專家系統具有處理和操縱各種符號、理解形象化圖片（影像）的能力，以及想象力和創造力
。
專家系統的組成：
專家系統主要由知識庫、推理機和使用者介面三部分組成。知識庫是專家系統的核心，它包含了大量的專家知識
。

專家系統的應用領域：
專家系統已經在多個領域得到廣泛應用，包括醫療診斷、金融投資、工業生產、教育培訓、環境保護和法律諮詢等
。

專家系統的最新發展趨勢：
隨著人工智慧技術的不斷進步，專家系統也在不斷髮展和創新。一些最新的發展趨勢包括深度學習整合、大資料應用、雲端計算部署、多智慧體系統和自然語言處理等
。

專家系統的優勢與侷限性：

優勢：提高決策質量、降低成本、一致性、可靠性、速度
。
侷限性：不能提供創造性的解決方案，並且維護成本可能很高
。
綜上所述，專家系統是人工智慧領域中的一個重要應用，它透過模擬人類專家的決策過程，在特定領域內提供高效、可靠的解決方案。隨著技術的不斷髮展，專家系統的應用範圍和能力也在不斷擴充套件和增強。

人工神經網路

人工神經網路（Artificial Neural Networks，簡稱ANNs）是一種模仿動物神經網路行為特徵，進行分散式並行資訊處理的演算法數學模型。它們透過模擬人腦中神經元之間的相互連線和資訊傳遞工作，由多個人工神經元（節點）組成，這些神經元透過連線權重相互傳遞訊號，並透過啟用函式對輸入訊號進行處理。如果網路不能準確識別輸入，系統就會調整權重，以減小實際輸出與期望輸出之間的誤差。

人工神經網路的結構特點包括分散式並行處理、自學習與自適應能力、非線性對映能力和魯棒性與容錯性。這些網路能夠逼近任意複雜的非線性關係，從而解決傳統方法難以處理的問題。

人工神經網路的訓練過程通常包括資料預處理、網路設計、訓練與迭代以及測試與最佳化。在訓練過程中，利用訓練資料集對網路進行訓練，透過反向傳播演算法調整權重值，以減小誤差。

人工神經網路的應用領域非常廣泛，包括影像識別、語音識別、自然語言處理、金融預測和醫療診斷等。隨著技術的不斷髮展，人工神經網路將在更多領域發揮重要作用，包括演算法最佳化、硬體加速、跨領域融合和實際應用擴充。

最新的研究進展包括圖神經網路（Graph Neural Networks，GNN）、強化學習與深度強化學習、自動生成模型（AutoML）等。這些進展推動了人工神經網路在社交推薦、分子設計、遊戲、機器人控制等領域的應用。同時，人工神經網路也面臨著模型效率與推理速度、泛化能力和資料效率、可解釋性和可靠性等挑戰

模擬與離散事件

關於模擬與離散事件，以下是一些關鍵資訊：

離散事件模擬（Discrete Event Simulation, DES）的定義：

離散事件模擬是一種計算機模擬方法，用於研究和分析系統、過程或事件在離散時間點發生的行為和互動。
它關注的是系統中狀態變化的非連續性，即只在特定時間點（事件點）上系統狀態才會發生變化。
離散事件模擬模擬的是一個系統，其狀態只能在時間的離散點發生變更，假設在連續的狀態轉換之間沒有發生任何相關的事情。
離散事件模擬的基本步驟：

問題定義和模型建立：明確模擬的目標和範圍，建立系統模型，定義系統中的實體、事件和狀態。
初始化：設定模擬的起始條件，如系統狀態、實體位置等。
事件生成：根據模型規則生成即將發生的事件，並確定其發生時間。
事件排序：將所有生成的事件按照時間順序進行排序。
事件處理：按順序處理事件，更新系統狀態，並可能觸發新的事件。
資料收集和統計：在模擬過程中收集所需資料，如等待時間、吞吐量等。
模擬終止：根據設定的終止條件結束模擬。
離散事件模擬的應用：

離散事件模擬廣泛應用於交通管理、生產製造、醫療系統等領域，用於預測系統效能、最佳化資源配置等。
在生產製造領域，離散事件模擬可以用於分析生產線的效率，研究物料的流動和處理過程，最佳化生產排程，減少生產成本。
在醫療保健領域，醫院和醫療機構使用離散事件模擬來最佳化患者流程、人員排程和資源分配，改善患者護理、減少等待時間並更好地利用資源。
在供應鏈管理中，離散事件模擬用於對供應鏈流程進行建模，包括庫存管理、訂單履行和物流，幫助組織分析各種場景並就庫存水平、分銷策略和訂單處理做出明智的決策。
離散事件模擬的專業解釋：

離散事件模擬是一種動態型別模擬，由事件驅動，事件的發生是離散且隨機的，即系統狀態變數的取值是依時間軸離散且隨機分佈的。
此類系統無法用數學方程描述，DES使用兩種事件推進機制：後續事件時間推進機制（NETA）和固定步長時間推進機制（FITA）。
這些資訊提供了對模擬與離散事件的全面理解，包括其定義、步驟、應用和專業解釋。

排隊系統

排隊系統是運籌學和工業工程中的一個重要領域，它研究的是服務設施、服務物件和兩者之間的互動。排隊系統廣泛應用於銀行、醫院、超市、機場、電話服務中心等需要等待服務的場景。排隊理論提供了一種數學方法來分析和最佳化這些系統的效能。
排隊系統的基本概念
實體（Customer）：需要服務的物件，可以是人、物品或請求。
服務檯（Server）：提供服務的設施或人員。
佇列（Queue）：等待服務的實體排列成的序列。
到達過程（Arrival Process）：實體到達服務檯的隨機過程。
服務過程（Service Process）：服務檯為實體提供服務的隨機過程。
排隊系統的基本引數
到達率（λ）：單位時間內到達服務檯的平均實體數量。
服務率（μ）：單位時間內服務檯能完成的平均服務數量。
利用率（ρ）：服務檯忙碌的平均時間比例，計算公式為
等待時間（W）：實體在佇列中等待的平均時間。
服務時間（S）：服務檯為一個實體提供服務的平均時間。
系統中的平均實體數（L）：系統中（包括正在服務和等待的）的平均實體數量。
排隊規則（Service Discipline）
先來先服務（FCFS）：按照到達的順序提供服務。
後到先服務（LCFS）：新到達的實體優先服務。
優先順序服務：根據實體的優先順序提供服務。
隨機服務：隨機選擇實體提供服務。
排隊模型
排隊理論中常用的模型包括M/M/1、M/M/c、M/G/1等，其中：

M 表示馬爾可夫（Markovian），即到達和服務時間符合指數分佈。
G 表示一般（General），即到達或服務時間可以是任何分佈。
1 和 c 分別表示服務檯的數量。
排隊系統的應用
效能分析：評估現有排隊系統的效能，如等待時間和服務水平。
系統設計：設計新的排隊系統，確定服務檯的數量和規模。
資源最佳化：最佳化資源分配，提高系統效率和客戶滿意度。
風險管理：評估和降低排隊系統中的潛在風險。
排隊理論是理解和最佳化服務系統的重要工具，透過數學模型和分析方法，可以幫助管理者做出更合理的決策，提高服務質量和效率。

天氣與地震模型

關於天氣與地震模型，以下是一些關鍵資訊：

天氣模型
概述：
天氣模型是基於當前和過去的天氣資料來預測大氣未來狀態的計算機模擬。這些模型需要處理溫度、氣壓、溼度、降水、風速等氣象觀測資料，並涉及流體動力學微分方程的複雜計算。
工作方式：

資料收集：透過氣象站、氣象氣球、浮標、雷達、氣象衛星等收集初始條件資料。
網格點：資料形成三維網格，計算機程式在每個網格點生成數值預測。
計算能力：需要強大的計算能力來處理大量資料和複雜的數學方程。
著名模型：

全球預報系統 (GFS)：美國國家氣象局的全球模型，每天更新四次，預報長達十六天的天氣狀況。
歐洲中期天氣預報中心 (ECMWF)：每天更新兩次，生成10天的預報，解析度高，歷史上預報更準確。
北美中尺度模型 (NAM)：短期區域模型，覆蓋整個北美，預報61小時天氣狀況。
AI在天氣預測中的應用：

MetNet：谷歌釋出的神經網路模型，使用卷積神經網路（CNN）架構提取氣象資料中的時空特徵，提供多種天氣引數的預測。
地震模型
地震波大模型“諦聽”：

由國家超級計算成都中心、中國地震局地球物理研究所以及清華大學聯合開發的億級引數量地震波大模型，顯著提升了地震訊號的識別準確率和速度。
“諦聽”資料集是國內首個，也是目前最大規模、樣本型別和標註最為全面的地震學專業AI訓練資料集之一。
非線性地震模擬：

清華大學等單位共同完成的專案，首次實現了對1976年唐山大地震的高解析度精確模擬，模擬了地震發生後150秒內的地質變化，解析度達到8米，頻率達到18赫茲。
地震科學實驗場：

中國地震科學實驗場釋出了高精度速度模型2.0版，提供了更高解析度的速度模型，有助於認識精細的地殼結構，服務於地震學研究和防震減災工作。
這些模型和模擬技術的發展，不僅提高了我們對天氣和地震現象的理解，也為預測和減輕這些自然災害的影響提供了有力的工具。

圖形影像

圖形影像是一個廣泛的領域，它涉及到數字影像的建立、處理、分析和顯示。以下是一些關鍵概念和應用：

數字影像基礎：

畫素：影像的基本單元，每個畫素代表影像中的一個點，幷包含顏色資訊。
解析度：影像的清晰度，通常以畫素數量（如1920x1080）來衡量。
顏色深度：每個畫素可以表示的顏色數量，常見的有24位真彩色（RGB各8位）。
影像格式：

無失真壓縮：如PNG、GIF，不丟失影像資訊，但檔案較大。
有失真壓縮：如JPEG，透過減少影像資訊來減小檔案大小，可能導致影像質量下降。
影像處理：

濾鏡效果：如模糊、銳化、邊緣檢測等。
色彩調整：調整亮度、對比度、飽和度等。
影像修復：去除影像中的缺陷或不需要的元素。
計算機圖形學：

2D圖形：涉及二維圖形的繪製，如向量圖形。
3D圖形：建立和渲染三維影像，廣泛應用於遊戲、電影特效和虛擬現實。
影像識別與分析：

特徵提取：從影像中提取有用的資訊，如邊緣、角點等。
物件識別：識別影像中的特定物件，如人臉、車輛等。
影像分割：將影像分割成多個區域或物件。
機器學習與影像：

卷積神經網路（CNN）：一種深度學習模型，特別適用於影像識別和分類任務。
影像生成：使用生成對抗網路（GANs）等技術生成新的影像。
影像應用領域：

醫學成像：如X光、MRI、CT掃描的影像分析。
衛星影像：用於地理資訊系統（GIS）、環境監測等。
安全監控：影片監控和影像識別用於安全目的。
影像編輯軟體：

Adobe Photoshop：專業的影像編輯軟體，用於照片修飾、圖形設計等。
GIMP：一個免費的影像編輯軟體，功能與Photoshop類似。
Autodesk Maya：3D建模、動畫和渲染軟體。
影像標準和協議：

JPEG：用於壓縮影像的標準。
PNG：用於網路上的影像傳輸，支援無失真壓縮。
SVG：用於向量圖形的XML基礎格式。
圖形影像技術是現代數字世界的重要組成部分，它們在娛樂、通訊、教育、醫療和許多其他領域都有廣泛的應用。隨著技術的發展，影像處理和分析的能力也在不斷提高，為各種行業帶來革命性的變化。

教材學習中的問題和解決過程

問題1：對資料庫的事務控制、神經網路的反向傳播演算法等，難以理解。
問題1解決方案：透過圖解、影片教程、實際案例和逐步分解的解釋來幫助理解。實踐操作，如搭建簡單的資料庫或神經網路模型，也有助於加深理解。
問題2：專業術語和符號可能會讓初學者感到困惑。
問題2解決方案：建立術語表，使用圖解和示例來解釋術語。同時，透過線上資源和社群尋求幫助。

基於AI的學習

程式碼除錯中的問題和解決過程

問題1：不會求組合數
問題1解決方案：透過詢問AI後再自己思考

第十週學習總結