高中人工智能课程-机器学习入门级算法-ppt课件

,2/25/2021,#,高中,人工智能,课程,机器学习入门级算法,高中人工智能课程机器学习入门级算法,1,目录,又是一年蝉鸣时,二,、,图形化编程实现算法,三,、,人工智能创意编程竞赛,一,、,机器学习入门级算法,目录二、图形化编程实现算法三、人工智能创意编程竞赛一、机器学,2,机器学习算法,机器学习算法,3,1,、,人工,智,能、,机,器,学,习与,深,度,学,习,人工智能（,ArtificialIntelligence,），,它是研究、开发用于模拟、延伸和扩展人的,智能的理论、方法、技术及应用系统的一,门新的技术科学。,机器学习（,MachineLearning,）,使用算,法来解析数据、从中学习，它然后对真实世,界中的事件做出决策和预测。它使用大量,的数据来“训练”，它通过各种算法从数据中,学习如何完成任务。,深度学习（,DeepLearning,），,它作为机器,学习的分支，它它试图使用包含复杂结构或,者由多重非线性变换构成的多个处理层对,数据进行高层抽象的算法。,1、人工智能、机器学习与深度学习人工智能（Artificia,4,二,2,、,监督,学,习与,无,监,督,学习,1,、有监督学习（,supervisedlearning),和,无监督学习,（,unsupervised learning),都是机器学习的常用方法。简单归纳，它是否有监督（,supervised,），它就看输入数据是否有标签（,label,）。输入数据有标签，它则为有监督学习；没标签则为无监督学习。,2,、监督学习与无监督学习,有监督机器学习又被称为“有老师的学习”，它先通过已知的训练样本（如,已知输入和对应的输出）来训练，它从而得到一个最优模型，它再将这个模,型应用在新的数据上，它映射为输出结果。而无监督机器学习被称为“没有,老师的学习”，它相比于有监督，它没有训练的过程，它而是直接拿数据进行,建模分析，它通过机器学习自行学习探索。,典型的监督学习任务：分类与回归,典型的无监督任务：聚类,二2、监督学习与无监督学习1、有监督学习（supervise,5,二,1,）,回,归,算,法,演示：,样本数据：,特征标签,（,x1,），（,y1,）,（,x2,），（,y2,）,（,x3,），（,y3,）,（,x4,），（,y4,）,。,。,y,为连续值,二1）回归算法演示：样本数据：y为连续值,6,2,）,分,类,算,法演示,。,样本数据：,特征标签,（,x11,，,x12,），,（,y1,）,（,x21,，,x22,），,（,y2,）,（,x31,，,x32,），,（,y3,）,（,x41,，,x42,），,（,y4,）,。,y,为离散值,，它表示类别,。,二,2）分类算法演示。样本数据：二,7,二,监督,学,习,二监督学习,8,二,Kmeans,与,KNN,算,法,演,示,Kmeans,：,：一种聚类算法，它目标是发现数据中的特殊结构。,算,法,思路,：把,n,个对,象,根,据属,性,分,为,k,个,聚,类,以便使所,获,得的聚类,满,足,：,同一,聚,类中的对,象,相,似度,较,高,；,不同聚类,中,的对象相,似,度,较小,。,3,、,Kmeans,与,KNN,算法,1,）,Kmeans,算,法,2,）,KNN,算,法,KNN,：一种分类算法，它它不具有显式的学习过程。对应的输入是特征空间的点，它输出为实例的类别。,算法思路：如果一个样本在特征空间中的,k,个邻近的样本中的大多数属于于某一个类别，它则该样本划分为这个类别。,KNN,算法中，它所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。,二Kmeans与KNN算法演示Kmeans：一种聚类算法，,9,图形化编程实现算法课例,图形化编程实现算法课例,10,三,实,例,来,源,人,工智,能,初,中,版,（一,）,聚类实,例,人,工智,能,高,中,版,三实例来源人工智能初中版（一）聚类实例人工智能高中版,11,问,题导入,如何实现肖像照片的分类？,三,问题导入如何实现肖像照片的分类？三,12,问题,抽,象,三,问题抽象三,13,基本,思,路,曼哈顿距离,欧几里得距离,明可夫斯基距离,a,、,b,两点间距离公式,：,三,基本思路曼哈顿距离明可夫斯基距离a、b两点间距离公式：三,14,基本,步,骤,随机设置三个（,K=3,）初始锚点，它计算各样本点与锚点的距离，它确定最短距离，它分配类别。,三,基本步骤随机设置三个（K=3）初始锚点，它计算各样本点与,15,基,本步骤,遍历一次后，它更新锚点坐标（以黄色锚点横坐标为例）,i,三,x,N,为,初,步,分类,黄,色,类,别样,本,点,个,数,，,它,x,为坐标,重复上述步骤,，,它直,到,锚,点,位,置不,再,变,化,。,基本步骤遍历一次后，它更新锚点坐标（以黄色锚点横坐标为例）i,16,一种聚类算法，它发现并利用数据中的特殊结构实现聚类。聚类结果满足：同一聚类中的对象相似度较高；不同聚类中的对象相似度较小。,K,均,值,算,法,（,K-Means,）,小,结,三,一种聚类算法，它发现并利用数据中的特殊结构实现聚类。聚类结果,17,基本,步,骤,计,算,待,判,断,数,据,点,与,每,个,样,本,点,间,的,距,离,；取前,K,个最小值,；,利,用,少,数,服,从,多,数,原,则，,它,将,多,数,作,为,分,类,依,据,。,三,基本步骤计算待判断数据点与每个样本点间的距离；取前K个最小值,18,K,最,近,邻,算,法（,KNN,）,一种分类算法，它不需要训练模型的算法，或者说训练集本身就是模型，它 但前提是训练数据集为已经标记好的数据集。,算法思路：在特征空间中,K,个邻近的样本中，大多数属于某一类别，它则该样本被划分为这个类别。,小结,三,K最近邻算法（KNN）一种分类算法，它不需要训练模型的算法，,19,三,Kmeans,问题分解：,1,）,画样本散点图,2,）,随机分布三个,（,K=3,）,锚点,）计算样一个本点与每个锚点的距离,）确定最短距,离,，分,配类别,）,每个样本点重复,3,）、,4,）,）更,新散点图，它用,颜色表示分类,）计算分类点坐,标,“,质心,”，,更新锚点,坐标,）,重复,3,）、,4,）、,5,）、,6,）、,7,）,）以锚点坐标不再更新作为聚类结束,标志,KNN,问题分解,：,）随机生成一个待分类测试点,）计算该点与每个样本散点的距离,）,记录测试点与样本点间距离最小的,7,个（,K=7,）,点的标记,）,确定这,7,个点的所属类别,）划线直观显示分类结果,三Kmeans问题分解：1）画样本散点图）计算样一个本点与,20,编,程,实现,kittenblock,图形化编程软件,三,编程实现kittenblock图形化编程软件三,21,问,题延伸,相,册,聚,类的,流,程,特,征,提,取：,广,义,上,就是,一,种,变,换,。,原始特,征,的,数,据,量,可能,很,大,或,者,样,本处,于高,维,空间，,通,过,映,射,（或变,换,）,的,方,法,将样,本,用,低,维,空,间表,示,。,三,问题延伸相册聚类的流程特征提取：广义上就是一种变换。原始特征,22,三,特,征,提取,特,征提,取,：,用,一个,向,量,表,示人,脸,的特征,使,用之,前,学,习,的神,经,网,络,提取,人,脸特征,人,脸识,别,旨,在,辨别,人,脸,的,身份,，,神经,网,络为,了,胜,任,这一,任,务，,在训,练,过程,中,已经,学,会,总,结了,最,适,合,辨别,人,脸的,特,征，,这,些,特,征非,常,适,合,我们,用,于作,人,脸聚,类,。,一,般选,用,倒,数,第二,层,网,络,的输,出,作为,特,征,三特征提取特征提取：用一个向量表示人脸的特征使用之前学习,23,三,人,脸,聚类,人脸,聚,类,：,使用,K,均,值,聚,类算,法,处,理,获得的,人,脸,特,征,人脸,聚,类,经过,K,均,值聚,类,，,人,脸,根,据特,征,的,不,同,，被,分,为,若,干类,。,选,取,其中,某,一,类,，使,用计,算,机,自,动排,版,的,技,术，,就,可,以,得到右图,所,示,的,精美,的,相,册,页了,。,三人脸聚类人脸聚类：使用K均值聚类算法处理获得的人脸特征人脸,24,入门,算,法,总,结,：,、,线,性回归,、,感,知机,、,Kmeans,、,KNN,入门算法总结：、线性回归,25,谢谢倾听,欢迎指导交流,谢谢倾听欢迎指导交流,26,