人工智能概論（第2版） 課件第3章 機器學習

第三章機器學習——讓人工智能學會思考目錄什么是機器學習機器學習的模型機器學習的方法機器學習的應用領域案例——鳶尾花種類識別什么是機器學習PART01什么是機器學習機器學習（MachineLearning）人類是在經(jīng)驗中不斷學習。人工智能是否有相似的思考能力呢？機器學習就是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的學科。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用已遍及人工智能的各個分支，如自然語言處理、模式識別、機器視覺、智能機器人等領域。機器學習的過程數(shù)據(jù)組成特征值：表示特征的取值特征：反應事物或對象在某方面的表現(xiàn)或性質的事項，特征的質量決定了模型的效果。標簽：表示預測的結果機器學習是通過計算機算法，發(fā)現(xiàn)和學習歷史數(shù)據(jù)中蘊含的規(guī)律，并產(chǎn)生模型，當有新的數(shù)據(jù)時，我們使用產(chǎn)生的模型進行預測，這也是機器學習的學習過程。機器學習的過程樣本、訓練數(shù)據(jù)集、測試數(shù)據(jù)集機器學習的學習過程可以分為兩個階段：訓練階段和預測階段學習模型PART02學習模型有哪些？機器學習常見的學習模型主要有分類模型、回歸模型和聚類模型等，每種模型的建立有不同的學習算法。聚類模型是將數(shù)據(jù)分成幾個相異性最大的群組，群組內的數(shù)據(jù)相似性最高。機器學習的方法強化學習不提供訓練數(shù)據(jù)，計算機利用自己學習得到的策略來指導行動，通過產(chǎn)生新的數(shù)據(jù)，反饋結果（獎勵或者懲罰），根據(jù)反饋調整優(yōu)化策略，最終得到想要的結果。半監(jiān)督學習對小部分的樣本提供預測量的真實值。通過有效利用小部分監(jiān)督信息，取得比無監(jiān)督學習更好的效果，同時把監(jiān)督信息的成本控制在可以接受的范圍。有監(jiān)督學習（分類問題和回歸問題）有監(jiān)督學習（SupervisedLearning）要求為每個樣本提供預測量的真實值，通過測試結果與測試樣本結果進行比較，不斷調整預測模型，直到達到一個預期的準確率。無監(jiān)督學習（聚類問題）不提供標簽值的條件下進行學習，直接對輸入數(shù)據(jù)進行建模。有監(jiān)督學習水果部分樣本數(shù)據(jù)使用KNN算法實現(xiàn)的水果分類可視化表示主要處理分類問題和回歸問題1.分類模型：K-近鄰算法（KNN）應用有監(jiān)督學習天氣樣本數(shù)據(jù)決策樹模型主要處理分類問題和回歸問題2.分類模型：決策樹ID3算法有監(jiān)督學習建立回歸模型為y=45.7x+148,模型的可視化效果如紅色線，采用一次線性函數(shù)建模。主要處理分類問題和回歸問題3.回歸模型：線性回歸算法應用機器學習的應用領域PART03應用領域計算機視覺計算機視覺=圖像處理+機器學習。圖像處理技術用于將圖像處理為適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關的模式。計算機視覺相關的應用非常的多，例如百度識圖、手寫字符識別、車牌識別等應用。應用領域自然語言處理自然語言處理=文本處理+機器學習。自然語言處理主要是讓機器理解人類的語言的一門技術。自然語言處理的應用領域十分廣泛，如從大量文本數(shù)據(jù)中提煉出有用信息的文本挖掘，以及利用文本挖掘對社交媒體上商品和服務的評價進行分析等。應用領域語音識別語音識別=語音處理+機器學習。語音識別就是音頻