第10章-机器学习与神经网络简介.pptxVIP

第10章机器学习与神经网络简介杨缨

目录页机器学习的常用算法人工神经网络简介主流人工智能开发框架简介机器学习简介项目-受教育年限与收入水平的线性回归

过渡页机器学习的常用算法人工神经网络简介主流人工智能开发框架简介项目-受教育年限与收入水平的线性回归机器学习简介

机器学习的定义从广义上来说，机器学习是一种能够赋予机器学习的能力以完成直接编程无法完成的功能的方法。从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的方法

机器学习的分类监督学习也称为有教师学习，是从给定的训练数据集中学习出一个从输入到输出的映射关系，然后将这种映射关系应用到未知数据,达到分类或者回归的目的。分类和回归的主要区别是输出结果是离散的还是连续的。

机器学习的分类分类：给定一个新的模式，根据训练集推断它所对应的类别山鸢尾（setosa）和维基尼亚鸢尾（versicolor）的分类

机器学习的分类回归：给定一个新的模式，根据训练集推断它所对应的输出值（实数）是多少广告投入金额与销售量回归

机器学习的分类无监督学习根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习监督学习和无监督学习的区别训练集数据是否有标签，若有标签，则为监督学习，若没标签则为无监督学习

机器学习的分类半监督学习是监督学习与无监督学习相结合的一种学习方法，它使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。强化学习强化学习用于描述和解决智能体（Agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。其基本原理是：如果Agent的某个行为策略导致环境正的奖赏（强化信号），那么Agent以后产生这个行为策略的趋势便会加强。

过渡页机器学习简介人工神经网络简介主流人工智能开发框架简介项目-受教育年限与收入水平的线性回归机器学习的常用算法

线性回归线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

决策树决策树是一种十分常用的分类方法，决策树模型可解释性强，符合人类思维方式，是经典的树形结构。由于这种决策分支画成的图形很像一棵树的树干，称为决策树。

K-近邻算法工作原理存在一个样本数据集合，并且样本集中每个数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的K个最近邻数据的分类标签。通常k是不大于20的整数。优缺点优点：算法简单，易于理解和实现；适合对稀有事件进行分类；适合于多分类问题。缺点：算法需要大量的空间来存储已知的实例；算法复杂度较高。

朴素贝叶斯算法朴素贝叶斯概念朴素贝叶斯方法是在贝叶斯算法的基础上进行了简化（假定给定目标值时属性之间相互条件独立），在实际的应用场景中，简化了贝叶斯方法的复杂性。优缺点优点：逻辑性十分简单，算法较为稳定，当数据集属性之间的关系相对独立时，算法有较好的效果。缺点：属性独立性的条件是朴素贝叶斯分类器的不足，若数据集属性之间存在关联，会导致分类的效果降低。

K均值聚类算法算法原理确定常数K（最终的聚类类别数），首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度（欧式距离），将样本点归到最相似的类中，接着，重新计算每个类的质心（类中心），重复这样的过程，直到质心不再改变，就确定了每个样本所属的类别以及每个类的质心。优缺点优点：原理简单，易于实现；当聚类的区别较明显时，聚类效果较好。缺点：当样本集规模大时，收敛速度变慢；对孤立点数据敏感；结果不一定是全局最优，只能保证局部最优。

过渡页机器学习简介机器学习的常用算法主流人工智能开发框架简介项目-受教育年限与收入水平的线性回归人工神经网络简介

人工神经网络概述神经网络最早是人工智能领域的一种算法或者说是模型，是生物神经网络在某种简化意义下的技术复现，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，在技术上实现出来用以解决实际问题。

神经元模型神经元是神经网络的基本单元，神经元有两种状态：兴奋和抑制。一般情况下，大多数的神经元处于抑制状态，一旦某个神经元受到刺激，这个神经元就会被激活，处于“兴奋”状态，向其他的神经元传播化学物质。

神经元模型?偏置值b???????输入权值参数激