高中人工智能課程-機(jī)器學(xué)習(xí)入門級(jí)算法-課件

高中人工智能課程

機(jī)器學(xué)習(xí)入門級(jí)算法目錄又是一年蟬鳴時(shí)二、圖形化編程實(shí)現(xiàn)算法三、人工智能創(chuàng)意編程競(jìng)賽一、機(jī)器學(xué)習(xí)入門級(jí)算法機(jī)器學(xué)習(xí)算法1、人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)人工智能（ArtificialIntelligence），它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。機(jī)器學(xué)習(xí)（MachineLearning）使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，它然后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。它使用大量的數(shù)據(jù)來“訓(xùn)練”，它通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。深度學(xué)習(xí)（DeepLearning），它作為機(jī)器學(xué)習(xí)的分支，它它試圖使用包含復(fù)雜結(jié)構(gòu)或者由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的算法。二2、監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)1、有監(jiān)督學(xué)習(xí)（supervisedlearning)和無監(jiān)督學(xué)習(xí)（unsupervisedlearning)都是機(jī)器學(xué)習(xí)的常用方法。簡(jiǎn)單歸納，它是否有監(jiān)督（supervised），它就看輸入數(shù)據(jù)是否有標(biāo)簽（label）。輸入數(shù)據(jù)有標(biāo)簽，它則為有監(jiān)督學(xué)習(xí)；沒標(biāo)簽則為無監(jiān)督學(xué)習(xí)。2、監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)有監(jiān)督機(jī)器學(xué)習(xí)又被稱為“有老師的學(xué)習(xí)”，它先通過已知的訓(xùn)練樣本（如已知輸入和對(duì)應(yīng)的輸出）來訓(xùn)練，它從而得到一個(gè)最優(yōu)模型，它再將這個(gè)模型應(yīng)用在新的數(shù)據(jù)上，它映射為輸出結(jié)果。而無監(jiān)督機(jī)器學(xué)習(xí)被稱為“沒有老師的學(xué)習(xí)”，它相比于有監(jiān)督，它沒有訓(xùn)練的過程，它而是直接拿數(shù)據(jù)進(jìn)行建模分析，它通過機(jī)器學(xué)習(xí)自行學(xué)習(xí)探索。典型的監(jiān)督學(xué)習(xí)任務(wù)：分類與回歸典型的無監(jiān)督任務(wù)：聚類二1）回歸算法演示：樣本數(shù)據(jù)：特征 標(biāo)簽（（x1），（y1））（（x2），（y2））（（x3），（y3））（（x4），（y4））。。。。。。。。。。。。y為連續(xù)值2）分類算法演示。。。。。樣本數(shù)據(jù)：特征 標(biāo)簽（（x11，x12），（y1））（（x21，x22），（y2））（（x31，x32），（y3））（（x41，x42），（y4））。y為離散值，它表示類別。。。。。。二二監(jiān)督學(xué)習(xí)二Kmeans與KNN算法演示Kmeans：：一種聚類算法，它目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的特殊結(jié)構(gòu)。算法思路：把n個(gè)對(duì)象根據(jù)屬性分為k個(gè)聚類以便使所獲得的聚類滿足：同一聚類中的對(duì)象相似度較高；不同聚類中的對(duì)象相似度較小。3、Kmeans與KNN算法1）Kmeans算法2）KNN算法KNN：一種分類算法，它它不具有顯式的學(xué)習(xí)過程。對(duì)應(yīng)的輸入是特征空間的點(diǎn)，它輸出為實(shí)例的類別。算法思路：如果一個(gè)樣本在特征空間中的k個(gè)鄰近的樣本中的大多數(shù)屬于于某一個(gè)類別，它則該樣本劃分為這個(gè)類別。KNN算法中，它所選擇的鄰居都是已經(jīng)正確分類的對(duì)象。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別。圖形化編程實(shí)現(xiàn)算法課例三實(shí)例來源?人工智能初中版（一）聚類實(shí)例?人工智能高中版問題導(dǎo)入如何實(shí)現(xiàn)肖像照片的分類？三問題抽象三基本思路曼哈頓距離歐幾里得距離明可夫斯基距離a、b兩點(diǎn)間距離公式：三基本步驟隨機(jī)設(shè)置三個(gè)（K=3）初始錨點(diǎn)，它計(jì)算各樣本點(diǎn)與錨點(diǎn)的距離，它確定最短距離，它分配類別。三基本步驟遍歷一次后，它更新錨點(diǎn)坐標(biāo)（以黃色錨點(diǎn)橫坐標(biāo)為例）i三xN為初步分類黃色類別樣本點(diǎn)個(gè)數(shù)，它

x

為坐標(biāo)

重復(fù)上述步驟，它直

到

錨

點(diǎn)

位

置不

再

變

化。一種聚類算法，它發(fā)現(xiàn)并利用數(shù)據(jù)中的特殊結(jié)構(gòu)實(shí)現(xiàn)聚類。聚類結(jié)果滿足：同一聚類中的對(duì)象相似度較高；不同聚類中的對(duì)象相似度較小。K均值算法（K-Means）小結(jié)三基本步驟計(jì)算待判斷數(shù)據(jù)點(diǎn)與每個(gè)樣本點(diǎn)間的距離；取前K個(gè)最小值；利用少數(shù)服從多數(shù)原則，它

將多數(shù)作為分類依據(jù)。三K最近鄰算法（KNN）一種分類算法，它不需要訓(xùn)練模型的算法，或者說訓(xùn)練集本身就是模型，它但前提是訓(xùn)練數(shù)據(jù)集為已經(jīng)標(biāo)記好的數(shù)據(jù)集。算法思路：在特征空間中K個(gè)鄰近的樣本中，大多數(shù)屬于某一類別，它則該樣本被劃分為這個(gè)類別。小結(jié)三三Kmeans問題分解：

1）畫樣本散點(diǎn)圖2）隨機(jī)分布三個(gè)（K=3）錨點(diǎn)）計(jì)算樣一個(gè)本點(diǎn)與每個(gè)錨點(diǎn)的距離）確定最短距離，分

配類別）每個(gè)樣本點(diǎn)重復(fù)3）、4））更新散點(diǎn)圖，它用顏色表示分類）計(jì)算分類點(diǎn)坐標(biāo)“

質(zhì)心”，

更新錨點(diǎn)坐標(biāo)）重復(fù)3）、4）、5）、6）、7））以錨點(diǎn)坐標(biāo)不再更新作為聚類結(jié)束標(biāo)志KNN問題分解：）隨機(jī)生成一個(gè)待分類測(cè)試點(diǎn)）計(jì)算該點(diǎn)與每個(gè)樣本散點(diǎn)的距離）記錄測(cè)試點(diǎn)與樣本點(diǎn)間距離最小的7個(gè)（K=7）點(diǎn)的標(biāo)記）確定這7個(gè)點(diǎn)的所屬類別）劃線直觀顯示分類結(jié)果編程實(shí)現(xiàn)kittenblock圖形化編程軟件三問題延伸相冊(cè)聚類的流程特征提取：廣義上就是一種變換。原始特征的數(shù)據(jù)量可能很大或者樣本處于高維空間，通過映射（或變換）的方法將樣本用低維空間表示。三三特征提取特征提?。河靡粋€(gè)向量表示人臉的特征??使用之前學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)提取人臉特征人臉識(shí)別旨在辨別人臉的身份，神經(jīng)網(wǎng)絡(luò)為了勝任這一任務(wù)，在訓(xùn)練過程中已經(jīng)學(xué)會(huì)總結(jié)了最適合辨別人臉的特征，這

些特征非常適合我們用于作人臉聚類。?一般選用倒數(shù)第二層網(wǎng)絡(luò)的輸出作為特征三人臉聚類人臉聚類：使用K均值聚類算法處理獲得的人臉特征人臉聚類經(jīng)過K均值聚類，人

臉根據(jù)特