人工智能技術與應用（案例版）課件 第7章 智能汽車自動駕駛2

第7章

智能汽車自動駕駛-2人工智能技術與應用ArtificialintelligencetechnologyandApplication1.智能汽車概述2.自動駕駛車輛的應用3.智能技術——機器學習4.應用案例3.機器學習機器學習是一門多領域交叉學科，專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習是人工智能的核心，是使計算機具有智能的根本途徑。概念機器學習就是針對識別菊花和玫瑰花這樣的任務構造某種算法。它的特征是：當訓練的菊花和玫瑰花的圖片越來越多的時候，也就是樣本越來越多的時候，識別率就會越來越高。用顯著式編程是達不到這種效果的，因為顯著式編程一開始就定死了程序的輸入和輸出，識別率是不會隨著訓練樣本的增加而變化。機器學習的發(fā)展歷程機器學習的類型機器學習的類型，主要分成這三大類：有監(jiān)督學習，無監(jiān)督學習，半監(jiān)督學習。有監(jiān)督學習是指有求知欲的學生（計算機）從老師（環(huán)境）那里獲取知識、信息。無監(jiān)督學習常常是指同學自主地學習，沒有老師，不知道標準的答案是對還是錯。半監(jiān)督的學習，是監(jiān)督學習與無監(jiān)督學習相結合的一種學習方法。有監(jiān)督學習無監(jiān)督學習機器學習過程線性回歸隨機變量與確定變量之間只有一個的，那這個就稱之為一元線性回歸。如果考慮多種影響因素，或者是預測多個變量的，那我們就稱之為多元回歸。線性回歸的優(yōu)點是簡單、易于理解和實現(xiàn)，缺點是不能處理非線性關系和高維數(shù)據(jù)。線性回歸概念線性回歸基本思想建立回歸模型的基本步驟：確定研究對象，明確哪個是自變量，哪個是因變量；畫出它們的散點圖，觀察他們之間是否存在線性關系；由經驗確定回歸方程的類型；按照一定的規(guī)則（如最小二乘法）估計回歸方程中的參數(shù)；得出結果，分析殘差，確定模型是否合適。聚類聚類是按照某個特定標準（如距離）把一個數(shù)據(jù)集分割成不同的類或簇，使得同一個簇內的數(shù)據(jù)對象的相似性盡可能大，同時不在同一個簇中的數(shù)據(jù)對象的差異性也盡可能地大。即聚類后同一類的數(shù)據(jù)盡可能聚集到一起，不同類數(shù)據(jù)盡量分離。聚類是指把相似的數(shù)據(jù)劃分到一起，具體劃分的時候并不關心這一類的標簽，目標就是把相似的數(shù)據(jù)聚合到一起。聚類基本概念聚類劃分式聚類方法需要事先指定簇類的數(shù)目或者聚類中心，通過反復迭代，直至最后達到“簇內的點足夠近，簇間的點足夠遠”的目標。聚類基本過程迭代1次

迭代3次

迭代10次聚類是探索性數(shù)據(jù)挖掘的主要任務，也是統(tǒng)計數(shù)據(jù)分析的常用技術，用于許多領域，包括機器學習、模式識別、圖像分析、信息檢索、生物信息學、數(shù)據(jù)壓縮和計算機圖形學。關聯(lián)分析關聯(lián)分析是一種數(shù)據(jù)挖掘技術，用于發(fā)現(xiàn)數(shù)據(jù)集中項之間的關聯(lián)規(guī)則。在商業(yè)領域，關聯(lián)分析被廣泛應用于市場籃分析、交叉銷售分析、購物籃分析等領域。它可以幫助企業(yè)發(fā)現(xiàn)產品之間的關聯(lián)性，從而制定更有效的營銷策略，提高銷售額和客戶滿意度。支持向量機支持向量機縮寫是SVM，它是一種有監(jiān)督的機器學習算法，用于分類任務或者是回歸任務。由俄羅斯統(tǒng)計學家和數(shù)學家弗拉基米爾·萬普尼克（VladimirVapnik）在1995年發(fā)表和創(chuàng)造的。支持向量機是一款強大的分類模型，主要應用場景有圖像分類、文本分類、面部識別、垃圾郵箱檢測等領域。決策樹決策樹的構造是按分類規(guī)則得到最優(yōu)的這個劃分特征，然后計算這些最優(yōu)的特征的子函數(shù)，并創(chuàng)建特征劃分的這些節(jié)點。按照劃分的分節(jié)點，把這些數(shù)據(jù)集劃分到若干的子數(shù)據(jù)集里，然后在這些子數(shù)據(jù)集上重復使用判別規(guī)則，構建出新的