人工智能基础与应用：机器学习PPT教学课件.pptxVIP

机器学习第5章

第5章机器学习本章概述机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。本章主要介绍机器学习的流程，机器学习的模型及常见的一些分类算法和聚类算法。

第5章机器学习本章的学习目标理解机器学习和人工智能的关系掌握常见的分类分析方法理论及应用场景掌握常见的聚类分析理论及应用场景

5.1机器学习的概念与类型ONTENTSC主要内容5.2机器学习的流程5.3模型性能度量5.4常见分类方法5.6集成学习5.5常见聚类方法第5章机器学习5.7本章小结5.8习题

5.1机器学习的概念与类型ONTENTSC主要内容5.2机器学习的流程5.3模型性能度量5.4常见分类方法5.6集成学习5.5常见聚类方法第5章机器学习5.7本章小结5.8习题

第5章机器学习5.1.1机器学习的概念机器学习有下面几种定义：机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

第5章机器学习5.1.2机器学习的类型机器学习算法可以按照不同的标准来进行分类。比如按函数的不同，机器学习算法可以分为线性模型和非线性模型；按照学习准则的不同，机器学习算法也可以分为统计方法和非统计方法。一般来说，我们会按照训练样本提供的信息以及反馈方式的不同，将机器学习算法大致分类为有监督学习、无监督学习和弱监督学习?有监督学习无监督学习弱监督学习数据特征数据全部具有标签数据不具有标签数据一部分有标签，一部分没有标签一句话概括给定数据，预测标签给定数据，寻找隐藏的标签综合利用数据，生成合适的分类函数常见算法决策树、支持向量机、KNN层次聚类、K-means强化学习、迁移学习

第5章机器学习有监督学习有监督学习又称为分类或者归纳学习，这种类型的学习类似于人类学习的方式，人类可以从过去的经验中获取知识以用于提高解决当前问题的能力。给出一个数据集D，机器学习任务的目标就是产生一个联系属性值集合A和类标集合C的分类/预测函数，这个函数可以用于预测新的属性集合(数据实例)的类标。这个函数又被称为分类模型、预测模型，或者简称为分类器。常用的有监督学习方法：KNN、决策树、逻辑回归等。

第5章机器学习无监督学习无监督学习与有监督学习不同的是，那些表示数据类别的分类或分组信息是缺失的，当希望通过浏览数据来发现其中的某些内在结构时，就需要用到无监督学习算法。聚类就是一种发现这种内在结构的技术，聚类技术经常被称作无监督学习。聚类需要一个相似度计算函数来度量两个数据点(对象)有多相似，或者说一个距离函数来度量两个数据点之间的距离，聚类的目的就是通过使用某个聚类算法和某个距离函数来发现数据中内在的分组结构。常用的无监督学习方法：k-means、层次聚类、DBSCAN等。

第5章机器学习弱监督学习弱监督学习中的数据标签允许是不完全的，即训练集中只有一部分数据是有标签的，其余甚至绝大部分数据是没有标签的，半监督学习、迁移学习和强化学习都是经典的弱监督学习方法。半监督学习：通常只拥有少量有标注数据，以通过充分地利用少量的有监督数据和大量的无监督数据来改善算法性能，广泛应用于社交网络分析、文本分类、计算机视觉和生物医学信息处理等诸多领域。迁移学习：侧重于将已经学习过的知识迁移应用到新的问题中，主要通过三种方式来实现迁移，一是样本迁移，二是特征迁移，三是模型迁移。强化学习：强化学习需要通过尝试来发现各个动作产生的结果，通过设置合适的奖励函数，使机器学习模型在奖励函数的引导下自主学习出相应的策略。

5.1机器学习的概念与类型ONTENTSC主要内容5.2机器学习的流程5.3模型性能度量5.4常见分类方法5.6集成学习5.5常见聚类方法第5章机器学习5.7本章小结5.8习题

第5章机器学习5.2.1模型一种机器学习的模型如图所示环境和知识库是以某种知识表示形式表达的信息的集合，分别代表外界信息来源和系统具有的知识。学习环节和执行环节代表两个过程。学习环节处理环境提供的信息，以便改善知识库中的显式知识。执行环节利用知识库中的知识来完成某种任务，并把执行中获得的信息回送给学习环节。环境结束执行环境知识库学习环节反馈

第5章机器学习5.2.2训练模型的训练就是参数的求解，即算法，模型训练的目标就是找到误差尽可能小的参数。通常用损失函数度量拟合的程度，从而评估模型拟合的好坏迭代法是用计算机解决问题的一种基本方法，尝试一