机器学习与数据挖掘——中山大学软件工程学院专业必修课 2023.8.30

课程内容

线性模型：线性回归，逻辑回归

决策树

集成学习

聚类

降维

贝叶斯分类

支持向量机

神经网络

       强化学习

考核

40%平时作业（5次）+60%期末

机器学习算法分类（按照数据）

分类	特点
监督学习	训练数据有标注的类别或者值，如回归分析，分类。 有标注就是监督要这么做，有正确答案。
无监督学习	训练数据无标注，如聚类，图片生成网络。 无标注就是无人监督，纯靠自学。
半监督学习	训练数据有部分标注

三种常见的机器学习任务

分类：标记为离散值

• 二分类：判断是否为垃圾邮件，是否为良性肿瘤等

• 多分类：判断图片为哪个数字，哪种动物等

回归：标记为连续值

聚类： 将数据归为几个数据簇

深度学习、强化学习、深度强化学习

深度学习：一种基于神经网络和梯度下降的机器学习方法。

强化学习： 自主行动的个体 (agent) ，通过和环境 (environment) 互动，利用奖惩 (reward) 机制不断改进它的行为 (action) 。

• 深度强化学习： 深度学习的感知能力 + 强化学习的决策能力。

• 结合数百万人类围棋专家的棋谱 ( 监督学习 ) ，以及进行自我训练 ( 强化学习 ) 。

深度强化学习应用：自动驾驶

• 深度学习 模型对环境进行处理，抽象，提取重要信息。

• 强化学习 针对不同的环境情况预测出最应该执行的动作（加速、减速、转弯、避让行人等）。

历史回顾

重大历史事件

图灵测试（1950）有30%的人分不出回答的是人还是机器则通过

达特茅斯会议（1956年） 提出“人工智能（Artificial Intelligence，简称AI）”这一概念，标志着人工智能学科的诞生。

机器学习发展历程

• 推理期：针对某个问题进行求解
• 知识期：大量专家系统问世，模拟人类专家的知识和经验解决特定领域的问题
• 学习期：深度学习问世

发展趋势：从计算到感知到认知

三要素：数据、算法、算力