(4.3.1)--人工智能初步-了解人工智能（1）.ppt

人工智能初步 了解人工智能（1）INFORMATION TECHNOLOGY 信 息 技 术 01什么是人工智能CONTENT目 录02人工智能的算法传统软件 VS 人工智能人工智能（AI）传统软件基于规则if 满足条件A then 执行动作B人工智能（AI）传统软件 VS 人工智能人工智能从数据中归纳知识海量数据归纳知识解决问题01什么是人工智能CONTENT目 录02人工智能的算法人工智能算法基础机器学习卷积神经网络CNN人工智能的算法创意对抗网络CAN深度学习生成对抗网络GAN机器学习 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，是人工智能的核心，是使计算机具有智能的根本途径。机器学习监督学习无监督学习半监督学习监督学习监督学习需要有明确的目标，很清楚自己想要什么结果。比如：按照“既定规则”来分类、预测某个具体的值1.合适的模型2.提供训练数据3.训练得出方法论4.在新数据上使用方法论监督学习体现在这监督学习的4个流程监督学习监督学习的2个任务回归预测连续的、具体的数值分类预测非连续的、离散的数据回归案例：芝麻信用分是怎么来的？监督学习芝麻信用评分的原理是什么？监督学习个人信用影响因素是什么？A付款记录 B账户总金额 C信用记录跨度(自开户以来的信用记录、特定类型账户开户以来的信用记录)D新账户(近期开户数目、特定类型账户的开户比例)E信用类别(各种账户的数目)第一步：构建模型体重监督学习第一步：构建模型监督学习第二步：收集已知数据第三步：训练出理想模型第四步：对新用户预测分类案例：如何预测离婚 美国心理学家戈特曼博士用大数据还原婚姻关系的真相，他的方法就是分类的思路。其与机器学习的分类原理类似。监督学习第一步：构建模型第二步：收集数据第三步：训练出理想模型监督学习第四步：对新用户进行预测监督学习主流的监督学习算法无监督学习监督学习VS无监督学习监督学习1.目标明确2.需要带标签的训练数据3.效果容易评估无监督学习1.目标不明确2.不需要带标签的训练数据3.效果很难评估无监督学习无监督学习无监督学习无监督学习2种主流的无监督学习方式聚类降维无监督学习聚类算法K均值聚类1.1.定义 K 个重心。一开始这些重心是随机的。2.2.寻找最近的重心并且更新聚类分配。将每个数据点都分配给这 K 个聚类中的一个。每个数据点都被分配给离它们最近的重心的聚类。这里的接近程度的度量是一个超参数通常是欧几里得距离（Euclidean distance）。3.3.将重心移动到它们的聚类的中心。每个聚类的重心的新位置是通过计算该聚类中所有数据点的平均位置得到的。重复第 2 和 3 步，直到每次迭代时重心的位置不再显著变化（即直到该算法收敛）。无监督学习聚类算法层次聚类如果你不知道应该分为几类，那么层次聚类就比较适合了。层次聚类会构建一个多层嵌套的分类，类似一个树状结构。层次聚类的步骤如下：1.1.首先从 N 个聚类开始，每个数据点一个聚类。2.2.将彼此靠得最近的两个聚类融合为一个。现在你有 N-1 个聚类。3.3.重新计算这些聚类之间的距离。4.4.重复第 2 和 3 步，直到你得到包含 N 个数据点的一个聚类。5.5.选择一个聚类数量，然后在这个树状图中划一条水平线。无监督学习降维算法主成分分析-PCA主成分分析是把多指标转化为少数几个综合指标。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。变换的步骤：1.第一步计算矩阵X的样本的协方差矩阵S（此为不标准PCA，标准PCA计算相关系数矩阵C）2.第二步计算协方差矩阵S（或C）的特征向量e1,e2,eN和特征值,t=1,2,N3.第三步投影数据到特征向量张成的空间之中。利用下面公式，其中BV值是原样本中对应维度的值。降维算法奇异值分解-SVD奇异值分解（SingularValueDecomposition）是线性代数中一种重要的矩阵分解，奇异值分解则是特征分解在任意矩阵上的推广。在信号处理、统计学等领域有重要应用。算法 Algorithm人工智能有三驾马车：数据、算法、算力。什么是算法？简单的说，算法就是：解决问题的手段，并且是批量化解决问题的手段。菜谱就是一种“算法”，只要按照菜谱的方法做，就能做出对应的菜。人工智能里的算法主要是用来训练模型的。算法 Algorithm课后任务本节内容你了解了吗？请同学们寻找生活中的人工智能实例想想都应用了哪些算法，继续深入的学习!感谢聆听INFORMATION TECHNOLOGY