人工智能导论教案第4章 机器学习.docx

《人工智能导论教案第4章 机器学习.docx》由会员分享，可在线阅读，更多相关《人工智能导论教案第4章 机器学习.docx（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第4章机器学习教案课题大数据与人工智能课时4知识目标1 掌握机器学习的概念、类型及发展历程。2 .理解常用的机器学习算法。3 .了解机器学习的应用。4 ,熟悉机器学习的一般流程。重点、难点1 .机器学习的概念。2 .常用的机器学习算法。3 .机器学习的一般流程。课程思政1 .通过机器学习算法思想的学习，对学生进行科学思维方法训练， 激发学习热情。2 .通过机器学习算法的学习，提高学生分析与解决复杂问题的能力。3 .通过没有免费的午餐等拓展阅读材料学习，引导学生感悟人生哲 理，树立正确的人生观、价值观。教学内容及进程：一、导入案例“深蓝”大战国际象棋世界冠军卡斯帕罗夫1997年5月11日，是人机

2、挑战赛历史上的又一个具有划时代意义的时 刻。IBM公司研制的超级计算机“深蓝”在正常时限的比赛中首次击败了等 级分排名世界第一的棋手加里卡斯帕罗夫。机器的胜利标志着国际象棋的 历史进入新时代。卡斯帕罗夫和“深蓝”的比赛在纽约公平中心举行。摄像头全程监控， 媒体跟踪报道，全球数百万人观看了这场比赛。“深蓝”获胜的概率并不确定， 因为在1996年的第一次对决中，“深蓝”以2： 4落败卡斯帕罗夫。 二、知识讲授4.1 机器学习概念4.1.1 什么是机器学习机器学习(Machine Learning),通俗地讲就是让计算机也能像人一样学 习，从数据中找到信息，从而学习一些规律，也就是“利用经验来改善系

3、统 自身的性能二汤姆米切尔(Tom Mitchell)在1997年出版的Machine Learning 书中 指出，机器学习这门学科所关注的是计算机程序如何随着经验积累，自动提 高性能。他同时给出了形式化的描述：对于某类任务T和性能度量P,如果 一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这 个计算机程序在从经验E学习。机器学习系统必备的三个元素。1)任务：有明确的目标，这些目标可以是打败一流围棋选手的计算机程 序、识别阿拉伯语的手写字符、找出星巴克咖啡馆的最佳选址地点等。但不 能是诸如“让系统更智能”这样的模糊概念。2)可衡量：对任务有定量的评价方法，系统通过它来改进性

4、能。对于围 棋程序，可以通过其击败人类选手的等级来衡量；手写识别可以用通用文本 库识别率来衡量。备注播放视频素 材通过“深蓝” 大战国际象 棋世界冠军 卡斯帕罗夫 案例，引出 机器学习的 概念。简要介绍机 器学习的概 念3）可成长：这在现代机器学习中称为适配、训练。围棋程序可以通过与 自己下棋获取经验；手写识别可以根据语料库中大量的已识别信息提高自己。机器学习的发展机器学习的发展过程可以划分为若干阶段，至于如何划分却有不同的方 法。例如，按照机器学习的发展形势，分为热烈时期、冷静时期、复兴时期 及蓬勃发展时期4个阶段；按照机器学习的研究途径和目标，分为神经元模型研究、符号概念获取、 知识强化学

5、习、连接学习与混合型学习、大规模学习与深度学习5个阶段。 下面讨论后一种划分方法。（1）神经元模型研究这一阶段为20世纪50年代中期到60年代初期，也被称为机器学习的热 烈时期，所研究的是“没有知识”的学习。（2）符号概念获取这一阶段为20世纪60年代中期到70年代初期。其主要研究目标是模拟 人类的概念学习过程。（3）知识强化学习这一阶段为20世纪70年代中期到80年代初期。示例归纳学习系统是当时的研究主流，自动知识获取是当时的应用研究 目标。（4）连接学习和混合学习这一阶段为20世纪80年代中期至21世纪初，连接学习的再度兴起和符 号学习、统计学习的蓬勃发展，使得这一时期的机器学习异常活跃。

6、（5）大规模学习与深度学习这一阶段开始于21世纪初。在连接学习方面，由于BP网络的训练过程 要受到网络层数的制约，使得其在图像、视频、音频等方面的应用十分有限。拓展阅读跳棋中的机器学习20世纪40年代末，美国伊利诺伊大学的塞缪尔教授开始研究用计算机 下跳棋。后来他加入了 IBM公司的实验室，在IBM 701计算机上完成了他的 第一个跳棋程序，并把它带到了达特茅斯学院的那场聚会上。从达特茅斯学 院回来后，他不断改进他的程序，在1962年夏天打败了美国跳棋大师罗伯 特尼雷（一个盲人天才棋手）。轰动一时的消息让IBM公司的股票大涨十几 个百分点，乐坏了 IBM公司的老板托马斯沃森。IBM公司后来一直

7、是棋类 程序开发的支持者和参与者。4.2 机器学习的类型机器学习最常见的分类方式是根据数据有无标签分为四类：监督学习、 无监督学习、半监督学习和强化学习。机器学习的 发展经历了 哪几个阶 段？讨论：机器 学习有哪些 类型？数据全部有标签的情况称为监督学习，数据没有标签的情况称为无监督 学习，部分数据有标签的情况称为半监督学习和强化学习，半监督学习综合利用有标签的数据和没有标签的数据，生成合适的分类函数，强化学习则是 通过观察反馈自己去学习。4.2.1 监督学习监督学习表示机器学习的数据是带标记的，这些标记可以包括数据类别、 数据属性及特征点位置等。4.2.2 无监督学习无监督学习的训练样本的标

8、记信息是未知的，目标是通过对无标记训练 样本的学习来揭示数据的内在性质及规律。无监督学习表示机器从无标记的 数据中探索并推断出潜在的联系。常见的无监督学习有聚类和降维两种。4.2.3 半监督学习随着大数据的发展，数据库中的数据呈现指数增长，获取大量无标记样 本相当容易，而获取大量有标记样本则困难得多，且人工标注需要耗费大量 的人力和物力。例如，我们可以轻易地收集到几十万或上百万张关于桌子、 椅子、书本和玩具的图片，但是要对每一张图片都打上标签，标明哪张图片 是桌子，哪张是椅子，代价非常高，是一项耗时耗力的工作。只有少量数据 有标签的海量数据，这种情况非常不利于使用有监督学习方法。半监督学习就是

9、为解决上述问题而产生的，其目的在于利用海量未带标 签数据，辅之以少量带标签数据进行学习训练，增强计算机的学习能力。4.2.4 强化学习强化学习主要包括智能体、环境状态、奖励和动作4个元素以及一个状o强化学习用于描述和解决智能体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。动作拓展阅读 Netflix电影推荐系统Netflix将这些评级放在一个巨大的数据集里，该数据集容量超过了 30亿 条。Netflix使用推荐算法和软件来标识具有相似品味的观众对影片可能做出 的评级。几年来，Netflix已经使用参赛选手的方法提高了影片推荐的效率， 得到很多影片评论家和用户的好评。4

10、.3 机器学习的算法回归算法L回归算法的概念2.线性回归与逻辑回归(1)线性回归线性回归描述两个及以上变量之间的关系，按照涉及变量的多少，可分 为一元线性回归分析和多元线性回归分析。1) 一元线性回归2)多元线性回归(2)逻辑回归逻辑回归的预测结果只有两种，因此，我们把数据结果拟合映射到1和 0上，这时需要构造一个函数，使得该函数的结果只有0和1。4.3.2 决策树算法决策树算法一般是至上而下地生成决策树，一棵决策树包含一个根节点、 若干个内部节点和若干个叶节点。树中的根节点与每个内部节点都表示一个 属性，叶节点表示一个分类结果，每个分叉路径代表某个可能的属性值4.3.3 朴素贝叶斯算法.朴素

11、贝叶斯算法概念朴素贝叶斯算法是以贝叶斯理论和特征条件独立假设为基础的分类算 法。1 .朴素贝叶斯算法朴素贝叶斯算法是最常用的一种贝叶斯算法，它是基于贝叶斯公式建立 的.3.4支持向量机支持向量机的一个优点是计算速度很快，它仅依靠外围数据点就能找到 决策边界。与回归分析等技术相比，支持向量机做推导所花的时间更少。2 .3.5聚类算法.聚类算法概述聚类算法的目标是将数据集合分成若干簇，使得同一簇内的数据点相似 度尽可能大，而不同簇间的数据点相似度尽可能小。聚类能在未知模式识别 问题中，从一堆没有标签的数据中找到其中的关联关系。1 .聚类算法的分类聚类方法很多，有些方法原理比较简单，而有些方法可能融

12、合了几种不 同的聚类方法，甚至融合了其他类别的如统计理论、神经网络等分析方法。 根据聚类规则及规则的应用方法分为以下5种。（1）基于划分的聚类算法（2）基于层次的方法（3）基于密度的聚类算法（4）基于网格的聚类算法（5）基于模型的聚类算法3 .聚类算法的应用场景K-Means算法也叫作K均值聚类算法，它是最著名的基于划分的聚类算 法，其简洁和效率高的特点使得它成为所有聚类算法中最为广泛使用的算法降维算法.降维算法概述1 .降维算法的分类（1）主成分分析法（2）因子分析法.降维算法的应用场景拓展阅读没有免费的午餐机器学习中有那么多模型，有没有一种模型完胜其他模型呢？答案是没 有。所谓模型好坏都是相对特定任务、特定场景、特定数据而言的。如果一 个模型在某一场景、某一数据下具有某种优势，则在其他场景、其他数据下 必然具有相应的劣势，这一原则称为N。Free Lunch原则，即常说的“天下没 有免费的午餐二4.4机器学习的应用4.4.1 机器学习的应用领域.数据分析与挖掘1 .模式识别.更广阔的领域4.4.2 机器学习的一般流程.确定分析目标1 .收集数据.预处理数据2 .训练模型.模型评估与优化3 .模型应用案例赏析案例1自动过滤垃圾邮件的克星案例2能够自适应学习的BRETT机器人