人工智能技术与应用（案例版）课件 第7章 智能汽车自动驾驶（2）.pptx

第7章智能汽车自动驾驶-2人工智能技术与应用ArtificialintelligencetechnologyandApplication

1.智能汽车概述2.自动驾驶车辆的应用3.智能技术——机器学习4.应用案例

3.机器学习机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。概念机器学习就是针对识别菊花和玫瑰花这样的任务构造某种算法。它的特征是：当训练的菊花和玫瑰花的图片越来越多的时候，也就是样本越来越多的时候，识别率就会越来越高。用显著式编程是达不到这种效果的，因为显著式编程一开始就定死了程序的输入和输出，识别率是不会随着训练样本的增加而变化。

机器学习的发展历程

机器学习的类型机器学习的类型，主要分成这三大类：有监督学习，无监督学习，半监督学习。有监督学习是指有求知欲的学生（计算机）从老师（环境）那里获取知识、信息。无监督学习常常是指同学自主地学习，没有老师，不知道标准的答案是对还是错。半监督的学习，是监督学习与无监督学习相结合的一种学习方法。有监督学习无监督学习

机器学习过程

线性回归随机变量与确定变量之间只有一个的，那这个就称之为一元线性回归。如果考虑多种影响因素，或者是预测多个变量的，那我们就称之为多元回归。线性回归的优点是简单、易于理解和实现，缺点是不能处理非线性关系和高维数据。线性回归概念线性回归基本思想建立回归模型的基本步骤：确定研究对象，明确哪个是自变量，哪个是因变量；画出它们的散点图，观察他们之间是否存在线性关系；由经验确定回归方程的类型；按照一定的规则（如最小二乘法）估计回归方程中的参数；得出结果，分析残差，确定模型是否合适。

聚类聚类是按照某个特定标准（如距离）把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。聚类是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签，目标就是把相似的数据聚合到一起。聚类基本概念

聚类划分式聚类方法需要事先指定簇类的数目或者聚类中心，通过反复迭代，直至最后达到“簇内的点足够近，簇间的点足够远”的目标。聚类基本过程迭代1次??????????????迭代3次?????????????迭代10次聚类是探索性数据挖掘的主要任务，也是统计数据分析的常用技术，用于许多领域，包括机器学习、模式识别、图像分析、信息检索、生物信息学、数据压缩和计算机图形学。

关联分析关联分析是一种数据挖掘技术，用于发现数据集中项之间的关联规则。在商业领域，关联分析被广泛应用于市场篮分析、交叉销售分析、购物篮分析等领域。它可以帮助企业发现产品之间的关联性，从而制定更有效的营销策略，提高销售额和客户满意度。

支持向量机支持向量机缩写是SVM，它是一种有监督的机器学习算法，用于分类任务或者是回归任务。由俄罗斯统计学家和数学家弗拉基米尔·万普尼克（VladimirVapnik）在1995年发表和创造的。支持向量机是一款强大的分类模型，主要应用场景有图像分类、文本分类、面部识别、垃圾邮箱检测等领域。

决策树决策树的构造是按分类规则得到最优的这个划分特征，然后计算这些最优的特征的子函数，并创建特征划分的这些节点。按照划分的分节点，把这些数据集划分到若干的子数据集里，然后在这些子数据集上重复使用判别规则，构建出新的节点，作为决策树的新枝干，然后重复这样去执行，直到满足终止的条件，这样来实现的。

4.机器学习应用案例车牌号码识别***

机器学习应用案例疲劳预警系统

本章小结