《人工智能与设计创新》课件【第一部分-第2章】人工智能基础.pptxVIP

第2章：人工智能基础

content目录01机器学习与深度学习概述02人工智能在视觉领域的基本应用03人工智能在声音领域的基本应用04人工智能在自然语言处理中的基本应用05挑战和未来发展方向

机器学习与深度学习概述——机器学习01

监督学习监督学习基本原理基于标注数据训练模型，建立输入到输出的映射关系。通过已知样本学习规律，实现对未知数据的准确预测。应用领域广泛用于图像分类、垃圾邮件识别等分类任务。适用于房价预测、销量估计等回归分析场景。典型算法支持向量机通过最大间隔提升模型泛化能力。逻辑回归使用Sigmoid函数输出类别概率，解释性强。优势特点在标注充分时具有高预测精度和稳定性能表现。评估指标明确，如准确率、F1分数便于模型比较。主要挑战依赖大量人工标注数据，标注成本高且耗时。数据不足时易发生过拟合，影响模型推广能力。

无监督学习自主学习理念无需标签数据驱动模型自主挖掘知识内在机制模拟人类探索未知实现无标注信息高效提取。挖掘数据结构算法聚焦于发现数据的潜在分布与内在关联。揭示隐藏模式以支持后续分析与决策。为知识涌现提供基础支撑。知识自发涌现在无监督训练过程中，高层语义信息逐步形成。模型通过层次化处理实现抽象表达。增强对复杂场景的理解能力。聚类技术应用将相似样本自动归为同一类别。用于客户分群和行为模式识别。提升细分管理和个性化服务效率。降维特征提取减少数据维度同时保留关键信息。有助