大学人工智能导论《机器学习基础》专题课件

人工智能导论专题课件大学人工智能导论·机器学习基础年份2026年课程导览01走进机器学习概念定位、基本术语与三要素02监督学习分类与回归的算法体系03无监督学习聚类、降维与结构发现04评估与前沿模型评估、深度学习与学习路径01走进机器学习从人工智能到机器学习厘清定位，建立共同语言课程模块学时分布机器学习基础以8学时位居各模块之首，是课程核心模块六大课程模块按理论学时分级配置：机器学习基础以最高学时领衔核心地位，形成基础—核心—应用的梯度式课程体系。六大课程模块理论学时单位：学时人工智能的三层包含关系深度学习属于机器学习，机器学习属于人工智能人工智能机器学习深度学习更大的研究领域实现AI的重要路径机器学习的重要分支三层递进关系一句话辨析：并非所有人工智能方法都是机器学习，也并非所有机器学习方法都是深度学习。1人工智能更大的研究领域目标是让机器具备感知、推理、决策或生成能力2机器学习实现人工智能的重要路径强调从数据中学习规律3深度学习机器学习的重要分支以多层神经网络为主要模型结构让机器从数据中学习机器学习本质上是让计算机在数据中学习规律，并据此对未来数据进行预测机器学习=任务+数据+目标+算法（TomMitchell）—机器学习形式化定义本质机器学习本质在数据中学习规律，据此对未来数据进行预测VS传统程序与机器学习对比传统程序：人把经验翻译成代码机器学习：人提供样本、模型自己总结经验人类人类经验归纳经验归纳，总结规律，预测未来流程机器学习流程数据训练，拟合规律，预测新数据机器从数据中学习规律，对未来数据进行预测机器学习的三个要素机器学习三要素：模型、数据、目标模型Model函数描述规律用什么函数描述数据中的规律线性模型、树模型、神经网络数据Data从样本学习从样本中学习规律有标签数据、无标签数据目标Objective损失函数衡量通过损失函数衡量好坏训练追求

经验风险小，测试追求

泛化能力强机器学习的四大范式监督学习有人打分，无监督学习自己分组监督学习使用带标签数据集训练，学习输入到输出的映射关系。无监督学习无标签数据，算法自主挖掘数据内在结构与隐藏规律。半监督学习在有监督分类算法中加入无标记样本，实现半监督分类。强化学习强调与环境交互，通过奖励信号学习策略。从专家系统到深度学习发展里程碑1950年代图灵测试提出，达特茅斯会议标志人工智能诞生1980年代专家系统兴起，知识工程成为热点2010年后深度学习突破，推动人工智能大规模应用典型应用场景医疗疾病诊断辅助金融欺诈检测、算法交易自动驾驶环境感知与决策制造业预测性维护、质量控制02监督学习有标准答案的学习从线性模型到集成方法监督学习：从标签到预测监督学习利用带标签的训练数据，学习输入特征到输出标签的映射关系监督学习分类任务预测离散类别典型应用垃圾邮件识别疾病诊断回归任务预测连续数值典型应用房价预测气温预测目标明确、精度高、结果可解释，但高质量标注数据获取成本极高回归任务与线性回归身高（厘米）160170180190鞋码38404244鞋码约等于

0.2×

身高−4，近似呈现线性关系。逻辑回归：概率化的分类逻辑回归名字里有回归，本质上却是分类模型：先对输入做线性计算，再通过Sigmoid函数把结果压缩到0到1之间作为概率。决策机制概率超过阈值通常判为正类，低于阈值判为负类与线性回归相比：输出从连续值变为概率值，损失函数从均方误差变为交叉熵01直观示例广告点击预测判断是否点击广告若计算出点击概率约

0.82，则判为会点击决策树：透明的智者决策树通过一系列条件判断逐步缩小样本范围，把复杂分类过程拆解成可读规则结构组成3类根节点决策起点的首个判定条件内部节点逐层拆解的中间判定环节分支和叶节点输出最终分类结果核心原理2条特征选择通过

信息增益、增益率或基尼系数

选择最能区分数据的特征可解释性强适合贷款审批等需要合规性的场景直观示例2例批准贷款信用评分优且工作年限长则批准贷款拒绝贷款信用评分差则拒绝贷款支持向量机：最大间隔关键概念2项间隔最大目标是找到能正确分类样本、且间隔最大的分界面支持向量真正决定边界位置的，是离边界最近的支持向量核方法2项非线性映射线性不可分时，通过非线性映射把数据转化到高维空间实现线性可分常用核函数包括多项式核与高斯核，其中高斯核最常用朴素贝叶斯与KNN朴素贝叶斯概率原理基于贝叶斯公式，利用先验概率与后验概率进行分类特性假设特征相互独立，计算高效，在文本分类中应用广泛K近邻KNN距离原理新样本到来时，找最近的

k个邻居

进行投票或取平均调参k值过小易过拟合，k值过大易欠拟合，常用交叉验证选择VS集成学习：集体智慧随机森林通过多棵树投票将多个弱分类器组合成强分类器，有效缓解单一决策树容随机性的两个层面2项样本随机通过自助采样抽取多个训练集特征随机每棵树的每个节点仅随机选择部分特征输出机制2项分类任务采用多数投票制回归任务采用结果平均值03无监督学习自己发现数据规律聚类、降维与密度估计无监督学习与三大任务无监督学习2大特点不依赖标注无监督学习不依赖人工标注信号，通过挖掘数据内部结构实现表征学习无标准答案训练数据没有人工标注标签，模型不会获得标准答案三大核心任务3项任务聚类发现数据分组，把相似样本归为同一组降维压缩高维信息，同时保留数据关键结构密度估计捕捉数据分布规律典型场景用户群体划分异常检测特征提取图片相似归类聚类算法：K均值K均值聚类：通过迭代最小化簇内点到中心的欧氏距离平方和，实现划分式聚类算法特征迭代·高效交替更新，迭代收敛交替更新簇中心与样本分配，迭代直至收敛计算高效，规模线性时间复杂度与样本数、簇数、迭代轮数成正比主要局限敏感性·形态限制初始中心敏感，陷局部最优对初始中心敏感，易陷入局部最优仅球形簇，形态受限只能发现球形簇聚类算法：DBSCAN与层次聚类DBSCAN通过密度发现任意形状的簇，层次聚类构建嵌套结构，二者各自拓展DBSCAN定义方式通过邻域半径与最小点数定义密集区域核心优势发现任意形状的簇，自动识别噪声点，无需预设簇数局限对密度不均匀的数据集表现不稳定层次聚类构建方式通过自底向上凝聚或自顶向下分裂，构建嵌套聚类结构信息保留以树状图保留多尺度信息降维：PCA与t-SNE降维在保持数据关键结构的前提下，将高维数据映射至低维空间，既缓解维度灾难，也为数据可视化提供有效手段。主成分分析PCA最经典的线性方法，通过协方差矩阵特征值分解找到方差最大的正交方向计算高效、解释性强，但对非线性结构表达能力有限t-SNE通过最小化高低维空间概率分布的差异，有效保留局部邻域结构广泛用于数据可视化，但计算复杂度较高无监督学习的价值与挑战无监督学习从监督学习的辅助工具，演进为深度学习预训练的核心范式核心价值无需大量人工标注，节约标注成本挖掘无标签数据中的隐藏模式与内在结构主要挑战结果缺少明确参照，输出含义需人工解读精度通常弱于监督学习，常作为数据预处理手段联合使用演进趋势从监督学习的辅助工具，演进为深度学习预训练的核心范式04评估与前沿从评估到深度学习打好基础，走向前沿模型评估：泛化与过拟合泛化能力是模型的核心追求，平衡过拟合与欠拟合是训练的关键挑战核心概念训练追求经验风险小，测试追求泛化能力强泛化误差衡量模型在未见数据上的表现过拟合与欠拟合过拟合：模型过于复杂，在训练集表现好但泛化差欠拟合：模型过于简单，训练集与测试集表现都不佳应对手段交叉验证：将数据划分多折，轮流验证，更可靠地评估模型正则化与早停：控制模型复杂度，抑制过拟合性能度量与评价指标精确率与召回率往往此消彼长，需根据场景侧重；偏差与方差的权衡是模型选择的重要依据混淆矩阵四类结果全记录记录真正例、假正例、真负例、假负例精确率预测可信度预测为正的样本中真正为正的比例召回率查全能力真正为正的样本中被成功预测的比例F1值综合权衡精确率与召回率的调和平均，综合衡量性能深度学习基础：神经网络深度学习利用多层神经网络从数据中自动学习有效表示，擅长处理图像、语音、文本、时序等高维复杂数据。核心机制表征学习·逐层组合·端到端训练要点从表征学习到参数更新，神经网络以逐层抽象逼近复杂映射。多层表征学习4层浅层学习边缘、颜色、纹理等基础模式中间层组合出局部结构深层形成整体判断依据输出层给出最终预测结果训练关键环节4技巧前向传播计算输出反向传播更新参数常用技巧批量归一化Dropout学习率调度早停法主流网络结构卷积神经网络CNN核心机制卷积与池化操作适用数据图像、视频典型应用计算机视觉循环神经网络RNN核心机制记忆功能适用数据序列数据典型应用自然语言处理Transformer核心机制自注意力与编码器-解码器适用数据序列数据典型应用BERT、GPT等模型核心架构应用场景与伦理思考典型应用ApplicationScenarios伦理议题医疗疾病诊断辅助辅助医生提高判读效率医学影像分析识别病灶、辅助影像判读金融欺诈检测实时识别异常交易行为信贷风控评估信用、控制坏账风险交通自动驾驶赋能智能驾驶决策环境感知识别路况、行人、障碍物消费智能推荐个性化推送、提升转化用户分群精细化运营、精准触达数据隐私敏感数据生物识别等敏感数据需单独授权算法偏见数据偏见训练数据偏见可能导致歧视性结果治理框架分级监管分级监管与负