高中人工智能课程-机器学习入门级算法-ppt课件.pptx

《高中人工智能课程-机器学习入门级算法-ppt课件.pptx》由会员分享，可在线阅读，更多相关《高中人工智能课程-机器学习入门级算法-ppt课件.pptx（26页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、高中人工智能人工智能课程机器学机器学习习入入门级门级算法算法目目录录又是一年蝉鸣时二、图图形化形化编编程程实现实现算法算法三、人工智能人工智能创创意意编编程程竞赛竞赛一、机器学机器学习习入入门级门级算法算法机器学机器学习习算法算法1、人工人工智智能、能、机机器器学学习习与与深深度度学学习习人人工工智智能能（ArtificialIntelligenceArtificialIntelligence），它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。机器学习（机器学习（MachineLearningMachineLearning）使用算法来解析数据、从中学习

2、，它然后对真实世界中的事件做出决策和预测。它使用大量的数据来“训练”，它通过各种算法从数据中学习如何完成任务。深度学习（深度学习（DeepLearningDeepLearning），），它作为机器学习的分支，它它试图使用包含复杂结构或者由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。二二2、监监督督学学习习与与无无监监督督学学习习1 1、有有监监督督学学习习（supervisedlearning)supervisedlearning)和无无监监督督学学习习（unsupervised unsupervised learning)learning)都是机器学习的常用方法。简单归纳，它是否

3、有监督（supervised），它就看输入数据是否有标签（label）。输入数据有标签，它则为有监督学习；没标签则为无监督学习。2、监督学习与无监督学习有监督机器学习又被称为“有老师的学习”，它先通过已知的训练样本（如已知输入和对应的输出）来训练，它从而得到一个最优模型，它再将这个模型应用在新的数据上，它映射为输出结果。而无监督机器学习被称为“没有老师的学习”，它相比于有监督，它没有训练的过程，它而是直接拿数据进行建模分析，它通过机器学习自行学习探索。典型的监督学习任务：分类与回归典型的监督学习任务：分类与回归 典型的无监督任务：聚类典型的无监督任务：聚类二二1）回回归归算算法法演示：演示：样

4、本数据：特征标签（x1），（y1）（x2），（y2）（x3），（y3）（x4），（y4）。y为连续值2）分分类类算算法演示法演示。样本数据：特征标签（x11，x12），（y1）（x21，x22），（y2）（x31，x32），（y3）（x41，x42），（y4）。y为离散值，它表示类别。二二二二监监督督学学习习二二Kmeans与 KNN算法演示Kmeans：一种聚类算法，它目标是发现数据中的特殊结构。算法思路：把n个对象根据属性分为k个聚类以便使所获得的聚类满足：同一聚类中的对象相似度较高；不同聚类中的对象相似度较小。3、Kmeans与与KNN算法算法1）Kmeans算算法法2）KNN算算法法K

5、NN：一种分类算法，它它不具有显式的学习过程。对应的输入是特征空间的点，它输出为实例的类别。算法思路：如果一个样本在特征空间中的k 个邻近的样本中的大多数属于于某一个类别，它则该样本划分为这个类别。KNN 算法中，它所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。图图形化形化编编程程实现实现算法算法课课例例三三实实例例来来源源人工智能初中版（一（一）聚聚类实类实例例人工智能高中版问题导入如何实现肖像照片的分类？三三问题抽象三三基本思路曼哈顿距离欧几里得距离明可夫斯基距离a、b两点间距离公式：三三基本步骤随机设置三个（K=3）初

6、始锚点，它计算各样本点与锚点的距离，它确定最短距离，它分配类别。三三基本步骤遍历一次后，它更新锚点坐标（以黄色锚点横坐标为例）i三三xN为初步分类黄色类别样本点个数，它 x 为坐标重复上述步骤，它 直 到 锚 点 位 置 不 再 变 化。一一种种聚聚类类算算法法，它它发发现现并并利利用用数数据据中中的的特特殊殊结结构构实实现现聚聚类类。聚聚类类结结果果满满足足：同同一一聚聚类类中中的的对对象象相相似似度度较高；不同聚类中的对象相似度较小。较高；不同聚类中的对象相似度较小。K均均值值算算法法（K-Means）小小结结三三基本步骤计算待判断数据点与每个样本点间的距离；取前K个最小值；利用少数服从多

7、数原则，它 将多数作为分类依据。三三K最最近近邻邻算算法（法（KNN）一一种种分分类类算算法法，它它不不需需要要训训练练模模型型的的算算法法，或或者者说说训训练练集集本本身身就就是是模模型型，它它 但前提是训练数据集为已经标记好的数据集但前提是训练数据集为已经标记好的数据集。算算法法思思路路：在在特特征征空空间间中中 K个个邻邻近近的的样样本本中中，大大多多数数属属于于某某一一类类别别，它它则则该该样本被划分为这个类别。样本被划分为这个类别。小结三三三三Kmeans问题问题分解：分解：1）画样本散点图2）随机分布三个（K=3）锚点3）计算样一个本点与每个锚点的距离4）确定最短距离，分 配类别5

8、）每个样本点重复3）、4）6）更新散点图，它用颜色表示分类7）计算分类点坐标“质心”，更新锚点坐标8）重复3）、4）、5）、6）、7）9）以锚点坐标不再更新作为聚类结束标志KNN问题问题分解分解：1）随机生成一个待分类测试点2）计算该点与每个样本散点的距离3）记录测试点与样本点间距离最小的7个（K=7）点的标记4）确定这7个点的所属类别5）划线直观显示分类结果编程实现kittenblock图形化编程软件三三问问题题延伸延伸相册聚类的流程特征提取：广义上就是一种变换。原始特征的数据量可能很大或者样本处于高维空 间，通过映射（或变换）的方法将样本用低维空间表示。三三三三特特征征提取提取特征提取：用一个向量表示人脸的特征使用之前学习的神经网络提取人脸特征人脸识别旨在辨别人脸的身份，神经网络为了胜任这一任务，在训练过程中已经学会总结了最适合辨别人脸的特征，这 些特征非常适合我们用于作人脸聚类。一般选用倒数第二层网络的输出作为特征三三人人脸脸聚聚类类人脸聚类：使用K均值聚类算法处理获得的人脸特征人脸聚类经过K均值聚类，人 脸根据特征的不同，被 分 为若干类。选取其中某一类，使 用计算机自动排版的技术，就 可以得到右图所示的精美的相册页了。入门算法总结：1、线性回归2、感知机3、Kmeans4、KNN谢谢倾谢谢倾听听欢欢迎指迎指导导交流交流