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