人工智能專業(yè)英語Unit 5

Unit5MachineLearning人工智能專業(yè)英語教學(xué)課件ContentsPart1ReadingandTranslatingSectionA:DecisionTreeinMachineLearningSectionB:K-meansClusteringAlgorithmandExamplePart2SimulatedWriting:DevelopingReportsandProposals(I)Part3Listening&SpeakingDialogue:MachineLearningListeningComprehension:SupervisedLearningDictation:UnsupervisedLearningSectionA:DecisionTreeinMachineLearningWordsregression[ri?ɡre?n]n.回歸programmatic[?pr?uɡr??m?tik]adj.有計劃的，按計劃的displacement[dis?pleism?nt]n.位移discrete[di?skri?t]adj.離散的，不連續(xù)的living-being有機體，生物parrot[?p?r?t]n.鸚鵡hibiscus[hi?bisk?s;hai?bisk?s]n.木槿，芙蓉花entry[?entri]n.條目SectionA:DecisionTreeinMachineLearningPhrasessuchthat如此…以致SectionA:DecisionTreeinMachineLearningExercisesI．Readthefollowingstatementscarefully,anddecidewhethertheyaretrue(T)orfalse(F)accordingtothetext.___1．ThecommonwaytobuildaDecisionTreeistouseaSVMapproach.___2．Regardingmachinelearning,inputdatasetfortheDecisionTreealgorithmwouldbethelistoffeaturevalueswiththecorrespondingcategoricalvalue.___3．DecisionTreecouldtakethenon-linearityofafeatureoranyrelationbetweentwoormorefeatures.___4．IntheFigure5-1,theDecisionTreehasusedonlytwofeatures[displacement,feathers].___5．DecisionTreeinMachineLearningisusedforunsupervisedlearning.SectionA:DecisionTreeinMachineLearningII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.1．WhichofthefollowingisrightabouttheDecisionTree?

A．DecisionTreecouldtakethelinearityofafeatureoranyrelationbetweentwoormorefeatures.

B．DecisionTreeexploitscorrelationbetweenfeaturesandnon-linearityinthefeatures.

C．DecisionTreeinMachineLearningisusedforunsupervisedlearning.

D．ThecommonwaytobuildaDecisionTreeistouseaSVMapproach.2．HowmanyfeaturesarementionedintheFigure5-1?

A．One

B．Two

C．Three

D．FourSectionA:DecisionTreeinMachineLearningII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.3．WhichofthetwofeatureshasDecisionTreeusedintheFigure5-1?

A．[displacement,feathers]

B．[displacement,hands]

C．[displacement,wings]

D．NoneoftheaboveSectionA:DecisionTreeinMachineLearningIV.TranslatethefollowingpassageintoChineseSupportVectorMachine(SVM)Asupportvectormachineisasupervisedlearningalgorithmthatsortsdataintotwocategories.Itistrainedwithaseriesofdataalreadyclassifiedintotwocategories,buildingthemodelasitisinitiallytrained.ThetaskofanSVMalgorithmistodeterminewhichcategoryanewdatapointbelongsin.ThismakesSVMakindofnon-binarylinearclassifier.AnSVMalgorithmshouldnotonlyplaceobjectsintocategories,buthavethemarginsbetweenthemonagraphaswideaspossible.SectionB:K-meansClusteringAlgorithmandExampleWordsclustering[?kl?st?ri?]n.聚類cluster[?kl?st?(r)]n.群集，簇，集群latent[?leitnt]adj.潛在的，潛伏的prescribe[pri?skraib]v.規(guī)定mean[mi?n]n.平均數(shù)，平均值centroid['sentr?id]n.質(zhì)心，形心Euclidean[ju:'klidi?n]adj.歐幾里德幾何學(xué)的，歐幾里德的RNA-seq轉(zhuǎn)錄組測序技術(shù)（RNAsequencing）metric[?metrik]n.度量標(biāo)準(zhǔn)gene[d?i?n]n.基因axis[??ksis]n.軸，軸線SectionB:K-meansClusteringAlgorithmandExamplePhrasesanoceanof極多的，無窮無盡的freakout崩潰，使處于極度興奮中sumup計算…的總數(shù)squareddistances距離平方SectionB:K-meansClusteringAlgorithmandExampleAbbreviationsa.k.a.亦稱，又名（alsoknownas）SectionB:K-meansClusteringAlgorithmandExampleNotes[1]k-means是一種數(shù)據(jù)聚類算法，質(zhì)心(centroid)是指各個類別的中心位置，質(zhì)心的維數(shù)等同于單條數(shù)據(jù)的維數(shù)。比如說，你有1000條數(shù)據(jù)，每條數(shù)據(jù)100維。你使用k-means算法將這1000條數(shù)據(jù)聚為10個類別，那么你就會得到10個質(zhì)心。每個類別的質(zhì)心是該類別所有數(shù)據(jù)點的均值。比如第一次確定了10個質(zhì)心，同時也將元數(shù)據(jù)分別歸類到這10個質(zhì)心，那么接下來可繼續(xù)調(diào)整質(zhì)心以至最后達到最優(yōu)：（1）將各個示例sample分配到距離最近的質(zhì)心；（2）對于各個類別，計算其所包含的sample的平均值，作為該類別新的質(zhì)心。[2]肘部法則（Elbowmethod），此種方法適用于K（簇的數(shù)量）值相對較小的情況，當(dāng)選擇的k值小于真正的K時，k每增加1，cost值就會大幅地減??；當(dāng)選擇的k值大于真正的K時，k每增加1，cost值的變化就不會那么明顯。這樣，正確的k值就會在這個轉(zhuǎn)折點，類似elbow的地方。SectionB:K-meansClusteringAlgorithmandExampleExercisesI.Readthefollowingstatementscarefully,anddecidewhethertheyaretrue(T)orfalse(F)accordingtothetext.___1．K-meansclusteringalgorithmisasupervisedmachinelearningalgorithm.___2．Themainconceptofk-meansistoassigneachobservationintotheclusterwiththenearestmean(centroid),servingasaprototypeofthecluster..___3．Tofindthelatentstructureinthedatak-meansclusteringisasimplewaytoassigndatapointsintokclustersbasedontheminimumdistance.___4．"Beingunsupervised"isthattherearesomeprescribedlabelsinthedatadenotingitsstructure.___5．Elbowmethodisawell-knownmethodwhichvalidatesthenumberofclusters.SectionB:K-meansClusteringAlgorithmandExampleII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.1．Whichofthefollowingisnotmentionedinthetext?

A．ID3

B．Centroid

C．Euclidean

D．K-means2．Howmanystepsarementionedforthek-meansclusteringalgorithmandanexampleforillustration?

A．Two

B．Three

C．Four

D．FiveSectionB:K-meansClusteringAlgorithmandExampleII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.3．Whichofthefollowingisright?

A．Themainconceptofk-meansistoassigneachobservationintotheclusterwiththenearestmean(centroid),servingasaprototypeofthecluster.

B．Tofindthelatentstructureinthedatak-meansclusteringisasimplewaytoassigndatapointsintokclustersbasedontheminimumdistance.

C．Elbowmethodisawell-knownmethodwhichvalidatesthenumberofclusters.

D．AlloftheaboveSectionB:K-meansClusteringAlgorithmandExampleIV.TranslatethefollowingpassageintoChinese.EnsembleLearningManyensemblelearningtoolscanbetrainedtoproducevariousresults.Individualalgorithmsmaybestackedontopofeachother,orrelyona"bucketofmodels"methodofevaluatingmultiplemethodsforonesystem.Insomecases,multipledatasetsareaggregatedandcombined.Forexample,ageographicresearchprogrammayusemultiplemethodstoassesstheprevalenceofitemsinageographicspace.Oneoftheissueswiththistypeofresearchinvolvesmakingsurethatvariousmodelsareindependent,andthatthecombinationofdataispracticalandworksinaparticularscenario.Ensemblelearningmethodsareincludedindifferenttypesofstatisticalsoftwarepackages.Someexpertsdescribeensemblelearningas"crowdsourcing"ofdataaggregation.SimulatedWriting:DevelopingReportsandProposals(I)報告和提案是在工作中最常寫的長文檔。這兩者都回答了某個主題或項目的問題，或者針對某個問題提供解決方案。讀者將會研究作者的報告，并且運用其中的結(jié)論和分析來幫助他們進行決策。除了商業(yè)企業(yè)之外，非盈利的機構(gòu)和政府機構(gòu)也會撰寫與請求報告來總結(jié)或者分析研究狀況。有時，組織會雇傭?qū)I(yè)的撰稿人撰寫提案以贏得合同，或相反得以獲得銷售機會。了解如何寫作這些重要的文檔是一項很有價值的專業(yè)技能。SimulatedWriting:DevelopingReportsandProposals(I)1.了解報告和提案報告是一種針對特定主題交流信息而設(shè)計的書面文檔。雖然有些報告可以包含分析或建議，但撰寫的報告往往很客觀。提案與報告很相似，但其目的在于說服和通知。提案提供了有關(guān)產(chǎn)品、服務(wù)或者想法的信息，并且試圖說服讀者接納所建議的解決方案。報告與提案的一個關(guān)鍵區(qū)別在于它們被寫作的時間。提案通常在制定決策過程的早期進行，此時它能夠影響決策。報告通常在已經(jīng)采取一些行動之后撰寫。當(dāng)一項活動或項目發(fā)生的時候，一些報告可以記錄它們的狀態(tài)。當(dāng)活動或項目完結(jié)時，可以撰寫其他的報告。報告和提案的類型參見圖5-7。SimulatedWriting:DevelopingReportsandProposals(I)圖5-7報告和提案的類型SimulatedWriting:DevelopingReportsandProposals(I)在開始撰寫報告或提案前，請回顧下面的問題：撰寫的目的是什么？撰寫報告的第一步是明確地定義目的。首先分析想要達到的目標(biāo)，目標(biāo)是通知、更新、分析，還是說服？目標(biāo)將幫助決定應(yīng)該使用的形式。讀者是誰？與其他類型的文檔相同，撰寫報告或提案時，要考慮讀者。為了更好地滿足讀者的需求，要辨別他們理解報告或提案主旨的程度。他們想要通過閱讀報告或提案了解什么？他們有可能怎樣閱讀？應(yīng)該怎樣撰寫才能使信息清晰，并且使讀者易懂？一定要考慮主要讀者和次要讀者，以及包括那些可能會閱讀該文檔的任何人。SimulatedWriting:DevelopingReportsandProposals(I)應(yīng)該撰寫報告還是提案？撰寫報告是為了與他人分享信息。撰寫提案是為了說服讀者采納想法、產(chǎn)品或者解決方案。這兩者與分析報告很類似，但區(qū)別是只是這里只呈現(xiàn)一個建議。表5-2列出了何時應(yīng)該撰寫報告或提案的建議。SimulatedWriting:DevelopingReportsandProposals(I)場景報告提案其他參加一場貿(mào)易展示會，希望通告本公司的競爭對手的產(chǎn)品?！?/p>

需要為公司流程撰寫文檔?！?/p>

分析是購買新的電腦設(shè)備還是升級現(xiàn)有設(shè)備?！?/p>

提議購買新的電腦設(shè)備。

√

為規(guī)劃職員資源提議一種新方案。

√

為個人或組織提供公司的服務(wù)。

√

在所參加的一場會議上為之后的查閱總結(jié)所做的筆記。非正式筆記或大綱為一般的受眾推銷公司的服務(wù)。

廣告為潛在的顧客描述公司產(chǎn)品，并且提供樣品。

展示表5-2何時撰寫報告或提案SimulatedWriting:DevelopingReportsandProposals(I)報告中會展示信息還是分析話題？報告可以是下述兩種類型中的一個。信息報告以清晰、客觀的形式展示信息。當(dāng)想為讀者書面總結(jié)針對某個主題的信息時，使用信息報告比較合適。意見和建議不應(yīng)寫在一個信息報告之中。分析報告一般呈現(xiàn)數(shù)據(jù)、分析和結(jié)論。分析報告通常會提供不同的選擇，鑒別優(yōu)劣以得到替代方案，以及包含具體的建議。提案是為內(nèi)部還是外部的讀者而撰寫？提案也有兩種類型。內(nèi)部提案建議如何在一個組織內(nèi)解決問題，例如通過改變一個程序或者使用商家的不同產(chǎn)品或服務(wù)。外部提案被設(shè)計來銷售產(chǎn)品或服務(wù)于客戶，并且通常為響應(yīng)請求而撰寫?；卮疬@些問題有助于決定報告應(yīng)該有多長，包含什么樣的信息，以及適當(dāng)形式的程度。SimulatedWriting:DevelopingReportsandProposals(I)2.規(guī)劃報告或提案有條理地組織業(yè)務(wù)報告和提案，以便使信息容易閱讀和理解。在寫第一句話之前，就應(yīng)該有針對如何組織報告或提案的好的思路。將一般的思路組合在一起，并遵循邏輯順序。該順序能夠滿足目的，并有助于讀者明白所寫的內(nèi)容。有邏輯地組織信息的方式應(yīng)依時間、重要性，以及類別，例如位置或產(chǎn)品來進行。撰寫正式或非正式的大綱可以有助于規(guī)劃有效的報告。表5-3總結(jié)了撰寫大綱的注意事項。SimulatedWriting:DevelopingReportsandProposals(I)要素適合提到的需要避免的主要思路

以頭腦風(fēng)暴開始，列出想要包含的所有思路選擇一個作為主要的思路寫在大綱開頭不要保留所有的思路，只保留那些服務(wù)于報告或者提案的目的和那些服務(wù)于讀者的思路表述主要思路不要超過兩句大標(biāo)題和章節(jié)選擇議題并寫出相應(yīng)的標(biāo)題使用標(biāo)準(zhǔn)標(biāo)題，例如介紹（Introduction）和結(jié)論（Conclusion）按邏輯順序列出標(biāo)題在正式大綱中，使用羅馬數(shù)字標(biāo)注大標(biāo)題除非不同的組織更清晰，否則不要偏離標(biāo)準(zhǔn)模式：

（1）介紹（introduction）

（2）事實和發(fā)現(xiàn)（factsorfindings）

（3）結(jié)論（conclusion）不要包含沒有足夠細節(jié)和證據(jù)的議題子標(biāo)題用子標(biāo)題將大議題分解為子議題以邏輯順序列出子議題，例如時間、重要性，或者類別在正式大綱中，第一級子標(biāo)題使用大寫字母，下一級使用數(shù)字，最后的一級使用小寫字母不要以任意順序列出子議題不要使用難以解釋的子標(biāo)題表5-3撰寫大綱的注意事項SimulatedWriting:DevelopingReportsandProposals(I)（1）首先確定主要的思路開始撰寫大綱可以通過在頁面頂端用一兩個句子描述主要思路來開始。如果主要的思路太長，可以精簡所寫的內(nèi)容。在頁面的上方說明主要的思路，能夠有助于在制定大綱的其余部分時專注于自己的目標(biāo)，許多報告和提案的主要思路是要描述一個解決問題的辦法。（2）為重要的思路使用標(biāo)題復(fù)查報告的思路和主題，并選擇最重要的部分。這些都應(yīng)作為大綱的主要標(biāo)題。這些標(biāo)題要按照邏輯順序列出，比如從最重要的到最不重要的，或按時間順序（如果報告強調(diào)了時間）。這些標(biāo)題將成為報告的主要部分。圖5-8展示了正式和非正式大綱中的標(biāo)題，包括使用羅馬數(shù)字、大寫字母、數(shù)字和小寫字母的規(guī)范。SimulatedWriting:DevelopingReportsandProposals(I)圖5-8正式和非正式的大綱SimulatedWriting:DevelopingReportsandProposals(I)（3）為子議題創(chuàng)建子標(biāo)題可以將每一個主要議題分為幾個思路，以便詳細地討論它們。在大綱中列出這些思路將其作為子標(biāo)題。可以為每個大標(biāo)題提供兩個或兩個以上的子標(biāo)題，如圖5-8所示。如果正在寫一個很長的或者很復(fù)雜的報告，可以將子議題分解為更小的部分。（4）將合適的章節(jié)添加進來大多數(shù)報告和提案包括標(biāo)準(zhǔn)章節(jié)，如介紹、背景、現(xiàn)狀、事實、提出的解決方案、總結(jié)、結(jié)論、建議、利弊、參考清單和附錄。選擇能夠服務(wù)于報告或提案目的章節(jié)。（5）復(fù)查大綱復(fù)查大綱的完整草案以便回答以下問題：思路是否按照邏輯順序安排？如果大聲讀大綱給自己聽，聽起來是否有意義？標(biāo)題和子標(biāo)題是否具有邏輯性和平衡性？它們的重要性是否差不多？如果有必要則重新排列順序。議題是否已經(jīng)有了足夠的細節(jié)或證據(jù)來支持主要的思路？如果不是，那就應(yīng)該將它們添加到大綱中或者重組大綱。Dialogue:MachineLearningExercisesWorkinagroup,andmakeupasimilarconversationbyreplacingthestatementswithotherexpressionsontherightside.Dialogue:MachineLearningWordsinfeasible[in'fi?zib(?)l]adj.不可行的，不可實行的designate[?dezigneit]v.指定，指派file[fail]v.把…歸檔Dialogue:MachineLearningPhrasesreinforcementlearning強化學(xué)習(xí)soonandsoforth等等ListeningComprehension:SupervisedLearningListentothearticleandanswerthefollowing3questionsbasedonit.Afteryouhearaquestion,therewillbeabreakof15seconds.Duringthebreak,youwilldecidewhichoneisthebestansweramongthefourchoicesmarked(A),(B),(C)and(D).Questions1．Whichofthefollowingisright?

(A).Supervisedlearningisthemachinelearningtaskoflearningafunctionthatmapsaninputtoanoutputbasedonexampleinput-outputpairs.

(B).Supervisedlearninginfersafunctionfromlabeledtrainingdataconsistingofasetoftrainingexamples.

(C).Asupervisedlearningalgorithmanalyzesthetrainingdataandproducesaninferredfunction.

(D).AlloftheaboveListeningComprehension:SupervisedLearningQuestions2．Regardingthehand-writtendigitrecognitionproblem,whichofthefollowingisright?

(A).Areasonabledatasetforthisproblemisacollectionofimagesof