機(jī)器學(xué)習(xí)技術(shù)任務(wù)驅(qū)動(dòng)式教程-課件 模塊1 了解機(jī)器學(xué)習(xí)

理解機(jī)器學(xué)習(xí)的概念和目標(biāo)了解機(jī)器學(xué)習(xí)的四個(gè)發(fā)展階段了解機(jī)器學(xué)習(xí)涉及的行業(yè)領(lǐng)域機(jī)器學(xué)習(xí)常用方法了解常用的機(jī)器學(xué)習(xí)方法參考書目《機(jī)器學(xué)習(xí)技術(shù)任務(wù)驅(qū)動(dòng)式教程》了解機(jī)器學(xué)習(xí)模塊1機(jī)器學(xué)習(xí)技術(shù)考核方式1.平時(shí)表現(xiàn)（70%）

-考勤

-課堂提問(wèn)

-課堂作業(yè)

-課后作業(yè)2.考試（30%）過(guò)程考核目錄機(jī)器學(xué)習(xí)技術(shù)簡(jiǎn)介機(jī)器學(xué)習(xí)發(fā)展史機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)常用方法Sklearn機(jī)器學(xué)習(xí)庫(kù)小結(jié)習(xí)題一了解機(jī)器學(xué)習(xí)模塊1機(jī)器學(xué)習(xí)技術(shù)機(jī)器學(xué)習(xí)簡(jiǎn)介機(jī)器學(xué)習(xí)（MachineLearning,ML）專門研究機(jī)器模擬或?qū)崿F(xiàn)人類的行為，以獲得新的知識(shí)或技能，并且能夠優(yōu)化現(xiàn)有的知識(shí)結(jié)果使之適應(yīng)新的環(huán)境。模擬機(jī)器學(xué)習(xí)簡(jiǎn)介機(jī)器學(xué)習(xí)是將現(xiàn)實(shí)中的問(wèn)題抽象為數(shù)學(xué)模型，利用歷史數(shù)據(jù)對(duì)數(shù)據(jù)模型進(jìn)行訓(xùn)練，然后基于數(shù)據(jù)模型對(duì)新數(shù)據(jù)進(jìn)行求解，并將結(jié)果再轉(zhuǎn)為現(xiàn)實(shí)問(wèn)題的答案的過(guò)程。（1）現(xiàn)實(shí)問(wèn)題抽象為數(shù)學(xué)問(wèn)題；1機(jī)器學(xué)習(xí)的實(shí)現(xiàn)步驟（2）數(shù)據(jù)處理為要求的格式；（3）選擇或創(chuàng)建模型；（4）模型訓(xùn)練及評(píng)估；（5）預(yù)測(cè)新的數(shù)據(jù)。機(jī)器學(xué)習(xí)簡(jiǎn)介主要步驟2機(jī)器學(xué)習(xí)的處理流程機(jī)器學(xué)習(xí)發(fā)展史探索期：20世紀(jì)50年代~60年代中葉1

第1/4階段側(cè)重于非符號(hào)的神經(jīng)元模型探索，研究目標(biāo)是自組織系統(tǒng)和自適應(yīng)系統(tǒng)。主要研究方法是不斷修改系統(tǒng)的控制參數(shù)以改進(jìn)系統(tǒng)的執(zhí)行能力，不涉及與具體任務(wù)有關(guān)的知識(shí)。塞繆爾的跳棋程序就是本階段的典型例子。這個(gè)時(shí)期的機(jī)器學(xué)習(xí)方法取得的學(xué)習(xí)結(jié)果都很有限，遠(yuǎn)不能滿足人們對(duì)機(jī)器學(xué)習(xí)系統(tǒng)的期望。我國(guó)研制出了數(shù)字識(shí)別學(xué)習(xí)機(jī)。機(jī)器學(xué)習(xí)發(fā)展史發(fā)展期：20世紀(jì)60年代中葉~70年代中葉2

第2/4階段側(cè)重于符號(hào)學(xué)習(xí)，研究目標(biāo)是模擬人類的概念學(xué)習(xí)過(guò)程，并采用邏輯結(jié)構(gòu)和圖結(jié)構(gòu)作為機(jī)器內(nèi)部描述。機(jī)器學(xué)習(xí)采用符號(hào)來(lái)描述概念，并提出了關(guān)于學(xué)習(xí)概念的各種假設(shè)。代表性工作有溫斯頓（Winston）的結(jié)構(gòu)學(xué)習(xí)系統(tǒng)和海思（Hayes）等人的歸納學(xué)習(xí)系統(tǒng)。這類學(xué)習(xí)系統(tǒng)只能學(xué)習(xí)單一概念，不能投入實(shí)際應(yīng)用。我國(guó)機(jī)器學(xué)習(xí)研究陷于停滯。機(jī)器學(xué)習(xí)發(fā)展史復(fù)興期：20世紀(jì)70年代中葉~80年代中葉3

第3/4階段機(jī)器學(xué)習(xí)的概念從單個(gè)到多個(gè)，機(jī)器學(xué)習(xí)過(guò)程建立在大規(guī)模的知識(shí)庫(kù)上，實(shí)現(xiàn)知識(shí)強(qiáng)化學(xué)習(xí)。1980年，美國(guó)卡內(nèi)基-梅隆大學(xué)（CMU）召開(kāi)了第一屆機(jī)器學(xué)習(xí)國(guó)際研討會(huì)，標(biāo)志機(jī)器學(xué)習(xí)研究走向繁榮。本階段的代表性工作有莫斯托（Mostow）的指導(dǎo)性學(xué)習(xí)、萊納特（Lenat）的數(shù)字概念發(fā)現(xiàn)程序、蘭利（Langley）的BACON程序及其改進(jìn)版本。20世紀(jì)70年代末，中國(guó)科學(xué)院自動(dòng)化研究所進(jìn)行質(zhì)譜分析和模式文法推斷研究，機(jī)器學(xué)習(xí)研究重新得到恢復(fù)。機(jī)器學(xué)習(xí)發(fā)展史最新階段：80年代中葉~至今4第4/4階段機(jī)器學(xué)習(xí)綜合多門學(xué)課，進(jìn)入最新階段。機(jī)器學(xué)習(xí)已成為新的學(xué)課并在許多高校開(kāi)設(shè)課程。結(jié)合各種學(xué)習(xí)方法，取長(zhǎng)補(bǔ)短的集成學(xué)習(xí)系統(tǒng)研究正在興起。機(jī)器學(xué)習(xí)與人工智能各種基礎(chǔ)問(wèn)題的統(tǒng)一性觀點(diǎn)逐漸成型。機(jī)器學(xué)習(xí)方法的應(yīng)用范圍不斷擴(kuò)大，商業(yè)性應(yīng)用層出不窮。機(jī)器學(xué)習(xí)研究已形成熱潮，相關(guān)的學(xué)術(shù)活動(dòng)空前活躍。機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域通過(guò)探索和與環(huán)境交互來(lái)學(xué)習(xí)1

自動(dòng)駕駛機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域聲音、圖像經(jīng)過(guò)模型識(shí)別后轉(zhuǎn)換為文字、特征，推薦的商品也反映用戶的習(xí)慣和興趣。2

個(gè)性化推薦機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域從已分類郵件建立模型，識(shí)別未知郵件3

垃圾郵件分類機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域周期性識(shí)別課堂圖片中的學(xué)生，顯示實(shí)時(shí)考勤4

課堂考勤機(jī)器學(xué)習(xí)常見(jiàn)方法監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種常用的學(xué)習(xí)方法，其訓(xùn)練樣本中包含特征和標(biāo)簽。它利用一組已知標(biāo)簽的樣本調(diào)整模型參數(shù)，使其達(dá)到所要求的性能，也稱為監(jiān)督訓(xùn)練或有教師學(xué)習(xí)。1

監(jiān)督學(xué)習(xí)決策樹(shù)K-最近鄰貝葉斯分類回歸支持向量機(jī)深度學(xué)習(xí)機(jī)器學(xué)習(xí)常見(jiàn)方法無(wú)監(jiān)督學(xué)習(xí)中的訓(xùn)練樣本沒(méi)有對(duì)應(yīng)的標(biāo)簽或目標(biāo)值。這意味著無(wú)法提供訓(xùn)練數(shù)據(jù)，機(jī)器只能自行學(xué)習(xí)，而無(wú)需事先提供任何有關(guān)標(biāo)簽或目標(biāo)的信息。預(yù)測(cè)結(jié)果是樣本的分類。2

無(wú)監(jiān)督學(xué)習(xí)K-均值最大期望機(jī)器學(xué)習(xí)常見(jiàn)方法強(qiáng)化學(xué)習(xí)的輸出標(biāo)簽不是直接的是或否，而是一種獎(jiǎng)懲機(jī)制。它描述和解決智能體(agent)在復(fù)雜不確定的環(huán)境(environment)下極大化獎(jiǎng)勵(lì)問(wèn)題。3

強(qiáng)化學(xué)習(xí)策略優(yōu)化Q-LearningMBMF機(jī)器學(xué)習(xí)常見(jiàn)方法深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和人工智能之間關(guān)系4

機(jī)器學(xué)習(xí)所處位置Sklearn機(jī)器學(xué)習(xí)庫(kù)2010年發(fā)布的Scikit-learn（又稱為Sklearn）是機(jī)器學(xué)習(xí)領(lǐng)域非常熱門的一個(gè)開(kāi)源包，基本功能分為六大部分。Sklearn分類回歸數(shù)據(jù)降維聚類模型選擇數(shù)據(jù)預(yù)處理小結(jié)機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要分支，也是機(jī)器獲取智能的重要途經(jīng)。機(jī)器學(xué)習(xí)處理對(duì)象既有類似二維表的結(jié)構(gòu)化數(shù)據(jù)，也有文本、語(yǔ)音、圖像等非結(jié)構(gòu)化數(shù)據(jù)。監(jiān)督學(xué)習(xí)的訓(xùn)練樣本包含標(biāo)簽，而非監(jiān)督學(xué)習(xí)的樣本則沒(méi)有標(biāo)簽。深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)分支，是通過(guò)深度網(wǎng)絡(luò)模型自動(dòng)提取特征的一類學(xué)習(xí)算法。Sklearn提供目前常用的機(jī)器學(xué)習(xí)算法接口。習(xí)題一一選擇題1.下面（）步驟不屬于監(jiān)督學(xué)習(xí)的流程。A.數(shù)據(jù)準(zhǔn)備 B.模型訓(xùn)練C.模型評(píng)估 D.數(shù)據(jù)展示2.K-均值算法屬于（）。A.監(jiān)督學(xué)習(xí) B.無(wú)監(jiān)督學(xué)習(xí)C.強(qiáng)化學(xué)習(xí) D.深度學(xué)習(xí)3.下列表述中，不屬于神經(jīng)網(wǎng)絡(luò)的組成部分的是（）。A.輸入層 B.輸出層C.隱藏層 D.特征層習(xí)題一一選擇題4.不屬于監(jiān)督學(xué)習(xí)的方法是（）。A.K-最近鄰 B.邏輯回歸C.策略優(yōu)化 D.決策樹(shù)5.不屬于集成學(xué)習(xí)的方法是（）。A.投票法 B.K-均值C.Bagging D.AdaBoost習(xí)題一二填空題1.深度學(xué)習(xí)是（）的一種，而（）是實(shí)現(xiàn)人工智能的重要途經(jīng)。2.在K-最近鄰、邏輯回歸、決策樹(shù)、