湘潭大学人工智能课件机器学习课件.ppt

湘潭大学 人工智能课件 机器学习;内容提要; 阿法狗通过神经网络学习所有高水平围棋棋谱，大概是历史上有的20万个左右职业棋谱，从而获得了在盘面上如何落子的直觉。; 类似的深度学习是在近几年出现的，目前，这项科技也有了一些应用，最简单的例子就是通过深度学习识别猫。通过这项识别验证，已经引申出了更多具有实际意义的应用，比如识别某一个图片中是否有癌细胞，某一个铁路沿线上的轨道是否存在磨损，甚至军事作战中，对方的视线中是否有坦克，都可以通过深度学习实现。谷歌的自动驾驶，其中很重要的就是识别道路、交通信号灯、路标等，这都是通过深度学习获得。; 阿法狗走的是通用学习的道路。它的估值函数，不是专家攻关捣哧出来的。它的作者只是搭了一个基本的框架（一个多层的神经网络），除了围棋最基本的规则外，没有任何先验知识。你可以把它想象成一个新生儿的大脑，一张白纸。然后，直接用人类高手对局的3000万个局面训练它，自动调节它的神经网络参数，让它的行为和人类高手接近。这样，阿法狗就具有了基本的棋感，看到一个局面大致就能知道好还是不好。 阿法狗的核心技术还包括策略网络的训练和蒙特卡洛树搜索。;内容提要; 机器学习是人工智能的核心，通过使机器模拟人类学习行为，智能化地从过去的经历中获得经验，从而改善其整体性能，重组内在知识结构，并对未知事件进行准确的推断。机器学习在科学和工程诸多领域都有着非常广泛的应用，例如金融分析、数据挖掘、生物信息学、医学诊断等。生活中常见的一些智能系统也广泛使用机器学习算法，例如电子商务、手写输入、邮件过滤等。; 人类的未来生活和工作，还将有机器人参与。机器人的自主学习，更离不开人脸识别技术。;机器学习的基本概念;机器学习的基本概念;机器学习的基本概念;机器学习的基本概念;内容提要;机器学习策略与基本结构;机器学习策略与基本结构;内容提要;归纳学习;归纳学习;内容提要;类比学习;类比学习;类比学习;内容提要;解释学习;解释学习;解释学习;解释学习;解释学习;解释学习;解释学习;内容提要;神经网络???习;神经网络学习;神经网络学习;神经网络学习;神经网络学习;感知器学习 单层感知器学习算法 单层感知器学习的例子 BP网络学习 Hopfield网络学习 ; 单层感知器学习实际上是一种基于纠错学习规则，采用迭代的思想对连接权值和阈值进行不断调整，直到满足结束条件为止的学习算法。 假设X(k)和W(k)分别表示学习算法在第k次迭代时输入向量和权值向量，为方便，把阈值θ作为权值向量W(k)中的第一个分量，对应地把“-1”固定地作为输入向量X(k)中的第一个分量。即W(k)和X(k)可分别表示如下： X(k)=[-1, x1(k), x2(k), …, xn(k)] W(k)=[θ(k),w1(k), w2(k), … ,wn(k)] 即x0(k)=-1，w0(k)=θ(k)。 单层感知器学习是一种有导师学习，它需要给出输入样本的期望输出。 假设一个样本空间可以被划分为A、B两类，定义: 功能函数：若输入样本属于A类，输出为+1，否则其输出为-1。 期望输出：若输入样本属于A类，期望输出为+1，否则为-1。; 单层感知器学习算法可描述如下： (1) 设t=0，初始化连接权和阈值。即给wi(0)(i=1, 2, … ,n)及θ(0)分别赋予一个较小的非零随机数，作为初值。其中，wi(0)是第0次迭代时输入向量中第i个输入的连接权值；θ(0)是第0次迭代时输出节点的阈值； (2) 提供新的样本输入xi(t)(i=1, 2, … , n)和期望输出d(t)； (3) 计算网络的实际输出： ; (4) 若y(t)=d(t)，不需要调整连接权值，转(6)。否则，需要调整权值 (5) 调整连接权值 其中，η是一个增益因子，用于控制修改速度，其值如果太大，会影响wi(t)的收敛性；如果太小，又会使wi(t)的收敛速度太慢; (6) 判断是否满足结束条件，若满足，算法结束；否则，将t值加1，转(2)重新执行。这里的结束条件一般是指wi(t)对一切样本均稳定不变。 若输入的两类样本是线性可分的，则该算法就一定会收敛。否则，不收敛。; 例 用单层感知器实现逻辑“与”运算。 解：根据“与”运算的逻辑关系，可将问题转换为：输入向量： X1=[0, 0, 1, 1] X2=[0, 1, 0, 1] 输出向量： Y=[0, 0,