人工智能基础及应用课件 模块一-任务三-《什么是机器学习》

了解人工智能发展的关键技术机器学习Part1Part2Part3什么是机器学习机器学习的基本流程常见的机器学习算法

Contents目录什么是机器学习日常生活中，短视频平台总能精准推送用户感兴趣的内容，在线购物时系统会推荐顾客可能喜欢的商品，这些看似神奇的功能背后，都离不开机器学习的助力。机器学习是一种通过算法和模型使计算机从数据中自动学习并进行预测或决策的技术，属于人工智能的一个分支，其核心目标是让计算机在没有明确编程指令的情况下，通过对大量数据的分析，识别模式和规律，从而构建适应新数据的模型。传统编程机器学习人类编写明确规则与步骤计算机从数据中自主学习规律计算机按指令执行任务无需为每个问题编写详尽规则机器学习与传统编程对别机器学习的基本流程1、数据准备2、特征工程3、模型选择与训练4、评估与优化5、预测数据是机器学习的基石。需从多种来源收集数据，并进行清洗（处理缺失、错误值）与预处理（如格式转换），为后续步骤奠定基础。将原始数据转化为模型能理解的有效特征。通过特征提取、构造和转换，提炼出对预测最关键的信息，其质量直接决定模型性能上限。根据问题与数据特点，选择合适算法（如决策树、神经网络）。将数据输入模型，通过算法调整内部参数，使预测结果不断逼近真实答案。使用模型未见过的新数据评估其泛化能力，并采用准确率、均方误差等指标衡量。根据评估结果，反复调整模型参数或优化特征，以提升性能。当模型通过评估并达到性能要求后，即可投入实际应用，对全新的未知数据进行自动化预测，输出可靠的决策结果。常见的机器学习算法——决策树决策树是一种基于树形结构的分类和回归算法，它的原理类似于人类在做决策时的思考过程，决策树如图所示。决策树算法示例决策树是一种模拟人类决策过程的模型，它从根节点开始，根据数据特征（如“是否降雨”）对样本进行层层判断，每个分支代表一个可能的结果，最终引导至叶子节点并得出分类结论。这种模型结构直观、易于解释，并能处理非线性关系；然而，其主要缺点在于容易过拟合，即在训练数据上表现良好，但在未见过的新数据上泛化能力较差。决策树泛化能力什么是泛化能力？模型的泛化能力指训练好的模型对未见过的全新数据也能做出准确预测或决策的能力，而非仅仅记住训练样本。这代表了其真正的实用性和适应性。常见的机器学习算法——线性回归线性回归是一种用于预测连续数值型变量的算法，它的基本思想是通过找到一条直线（二维空间）或超平面（多维空间）使得数据点到该直线或超平面的距离之和最小，这条直线或超平面就是对数据的最佳拟合。线性回归算法示例

线性回归拟合模型的拟合指模型通过训练学习训练数据中的规律与模式，使预测输出尽可能接近真实结果的过程。常见的机器学习算法——人工神经网络人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习一个庞大的分支，有几百种不同的算法。比较重要的人工神经网络算法包括:感知器神经网络(PerceptronNeuralNetwork)、反向传递(BackPropagation)、Hopfield网络、自组织映射(Self-OrganizingMap，SOM)、学习矢量量化(LearningVectorQuantization，LVQ）人工神经网络的基本结构由输入层、隐藏层和输出层构成，这些层次相互协作，形成一个能处理和学习复杂数据的系统。输入层：神经网络与外部数据交互的接口，其神经元数量由输入数据的维度决定。隐藏层：位于输入与输出层之间，是特征学习和提取的核心。隐藏层对输入数据进行加权求和，并通过激活函数转换为非线性输出，从而学习数据的层次特征：底层学习简单局部特征，高层则组合成复杂全局特征。输出层：根据任