Python机器学习与项目实践- 课件 chap1-绪论

第1章绪论《Python机器学习与项目实践》XXX大学更详细的课程概括1.绪论2.机器学习基础概述3.经典线性模型4.前馈神经网络5.卷积神经网络6.循环神经网络7.图神经网络8.机器学习模型的应用课程大纲预备知识线性代数微积分数学优化概率论信息论1.1引言人工智能（artificialintelligence，AI）就是让机器具有人类的智能。“计算机控制”+“智能行为”人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯（Dartmouth）会议。在这次会议上，“人工智能”被提出并作为本研究领域的名称。人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。JohnMcCarthy（1927-2011）1.1引言人工智能的一个子领域机器学习：是一种通过数学模型和算法从观测数据中学习规律的方法。神经网络：是一种以（人工）神经元为基本单元的模型深度学习：是一类机器学习问题，主要解决贡献度分配问题。图灵测试AlanTuring“一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答。如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的”。---AlanTuring[1950]《ComputingMachineryandIntelligence》人工智能的研究领域让机器具有人类的智能机器感知（计算机视觉、语音信息处理）学习（模式识别、机器学习、强化学习）语言（自然语言处理）记忆（知识表示）决策（规划、数据挖掘）发展历史如何开发一个人工智能系统？开发人工智能系统的过程通常包括以下步骤：确定目标、收集和准备数据、选择和训练模型、测试和调整模odel、部署和监控。确定AI系统的目标是一个至关重要的步骤，因为它直接影响到系统设计和实施的方法。数据是训练AI系统的基础。你需要收集大量的数据，这些数据能够反映出你希望系统学习的模式和关系。数据的质量和数量直接影响到AI系统的性能。在收集和准备了数据之后，你需要选择一个适合你的任务的AI模型，并用你的数据来训练它。AI模型的选择取决于你的任务类型，例如，如果你的任务是图像识别，你可能会选择卷积神经网络（CNN）模型；如果你的任务是文本处理，你可能会选择循环神经网络（RNN）模型在模型训练完成后，你需要在测试集上测试模型的性能，看看模型是否能够很好地泛化到未见过的数据。你可能需要调整模型的参数，或者尝试不同的模型，以达到最佳的性能。最后，你需要将训练好的AI系统部署到实际的环境中，看看它在实际的任务中是否能够达到预期的效果。你需要对系统的性能进行持续的监控和调整，以确保系统的稳定性和效果。规则?机器学习机器学习≈构建一个映射函数语音识别图像识别围棋机器翻译“9”“你好”“6-5”“Hello!”“你好！”(落子位置)芒果解释机器学习如果判断芒果是否甜蜜？某天你去买芒果。你挑选后，小贩会称重，你需要根据根据重量乘以标记的固定单价来付钱。毋庸置疑，你会选择那些最甜、最熟的芒果（因为是按重量计费而不是按质量）。那么你要怎么挑选呢？你依稀记得，外婆告诉你，那些有光泽的黄芒果会比没光泽的黄芒果更甜。所以你就定下了一个挑选标准：只在那些有光泽的黄芒果里挑选。然后，你仔细观察了芒果的颜色，然后从中选出了那些有光泽的黄芒果，给钱，回家！然后，幸福和快乐是结局？芒果机器学习从市场上随机选取的芒果样本（训练数据），列出每个芒果的所有特征：如颜色，大小，形状，产地，品牌以及芒果质量（输出变量）：甜蜜，多汁，成熟度。设计一个学习算法来学习芒果的特征与输出变量之间的相关性模型。下次从市场上买芒果时，可以根据芒果（测试数据）的特征，使用前面计算的模型来预测芒果的质量。知识知道怎么做专家系统…不知道怎么做容易做机器学习图像识别自然语言处理语音识别不容易做强化学习围棋如何开发一个人工智能系统？规则标记、特征及样本标记（Label）是我们要预测的内容。特征（Feature）是与其他事物明显区分的显著特点，也就是机器学习模型的输入变量。样本（Sample）是特定事物数据的实例。数据集一组样本构成的集合被称为数据集（DataSet）数据集通常被分为两个部分：训练集和测试集。训练集（TrainingSet）包含用于模型训练的数据样本，也被称为训练样本（TrainingSample）。测试集（TestSet）用于评估最终模型的性能好坏，也被称为测试样本（TestSample）。模型

4.向量在数学中，向量（也称为欧几里得向量、几何向量），指具有大小（magnitude）和方向的量。。在机器学习中，向量常用于表示数据样本和特征。向量在机器学习中扮演着重要的角色，它们提供了一种有效的数据表示形式，使得机器学习算法能够对数据进行建模和分析。4.向量在数学中，向量（也称为欧几里得向量、几何向量），指具有大小（magnitude）和方向的量。。在机器学习中，向量常用于表示数据样本和特征。向量在机器学习中扮演着重要的角色，它们提供了一种有效的数据表示形式，使得机器学习算法能够对数据进行建模和分析。一个生活中的例子：颜色1.2概念机器学习机器学习是一种通过数学模型和算法从观测数据中学习规律的方法。当我们用机器学习来解决一些模式识别任务时，一般的流程包含以下几个步骤：机器学习的基本思路机器学习的流程机器学习解决问题的通用流程包括问题建模、特征处理（工程）、模型选择和模型融合。当我们用机器学习来解决一些模式识别任务时，一般的流程包含以下几个步骤：机器学习的流程图机器学习模型的分类机器学习模型分成4类：监督学习（SupervisedLearning）模型无监督学习（UnsupervisedLearning）模型半监督学习（Semi-SupervisedLearning）模型强化学习（ReinforcementLearning）模型。机器学习应用领域介绍AlphaGo是由GoogleDeepMind公司开发的人工智能围棋程序。自动驾驶智能制造业智慧医疗与健康金融服务媒体和娱乐1.3常用术语假设函数和损失函数假设函数：损失函数损失函数（LossFunction）又叫目标函数拟合、过拟合和欠拟合模型对训练数据的预测误差称为训练误差，也称为经验误差。对测试数据的预测误差称为测试误差，也称为泛化误差。过拟合和欠拟合图解1.4机器学习环境构建和常用工具机器学习环境构建和常用工具PythonAnaconda+JupyterNotebookNumPyMatplotlibPandasScikit-learnPyTorch

…推荐其他教材邱锡鹏,神经网络与深度学习,机械工业出版社,2020，ISBN9787111649687https://nndl.github.io/提供配套练习阿斯顿·张等,动手学深度学习,ISBN:9787115505835https://d2l.ai/有PyTorch版Bishop,C.M.(2006).PatternrecognitionandMachineLearning.Springer.ISBN9780387310732.网上有中文版by马春鹏推荐教材Wright,S.,&Nocedal,J.(1999).Numericaloptimization.SpringerScience,35(67-68),7.Boyd,S.,&Vandenberghe,L.(2004).Convexoptimization.Cambridgeuniversitypress.推荐课程斯坦福大学CS224n:DeepLearningforNaturalLanguageProcessing/class/archive/cs/cs224n/cs224n.1194/ChrisManning主要讲解自然语言处理领域的各种深度学习模型斯坦福大学CS231n:ConvolutionalNeuralNetworksforVisualRecognition/Fei-FeiLiAndrejKarpathy主要讲解CNN、RNN在图像领域的应用加州大学伯克利分校CS294:DeepReinforcementLearning/deeprlcourse/推荐材料林轩田“机器学习