Professional Documents
Culture Documents
Chapter 1 绪论20232024
Chapter 1 绪论20232024
转
制
复
禁
Chapter 1 绪论
严
,
机器学习
习
学
部
内
供
1
仅
1
Artificial Intelligence (AI) 无处不在的AI!
载
转
制
复
禁
严
,
习
学
部
内
供
仅
1. 什么是人工智能
载
转
p人工智能,Artificial Intelligence (AI)
制
pAI是研究、开发用于模拟、延伸和扩展人的智能的理
复
禁
论、方法、技术及应用系统的一门新的技术科学。
严
,
p人工智能是计算机科学的一个分支,它企图了解智能
习
的实质,并生产出一种新的能以人类智能相似的方式
学
做出反应的智能机器,该领域的研究包括机器人、语
部
言识别、图像识别、自然语言处理和专家系统等。
内
供
2023-8-29 3
仅
人工智能与机器学习
载
转
• 人工智能,Artificial Intelligence (AI)
制
• 机器学习,Machine Learning (ML)
复
禁
严
由 人工智能
,
讨论到 机器学习!
习
学
部
内
智能 算法的研究、设计与实现 机器学习!
供
2023-8-29 4
仅
载
• Vision-Recognition Guided Robotic
转
application system
制
Some cases
复
Video 1 Computer Vision and Machine Learning for Autonomous Car-like Robot
禁
Video 2 Greyparrot uses deep vision for waste management
严
Video 3 Watch This AI Robot Pick Peppers With A Tiny Saw
,
习
学
部
内
供
仅
5
载
转
Execution
制
Target to be recognized
复
禁
Multi-degree of freedom manipulator
严
Robot
Image acquisition system
,
Control signal
习 Original Information
学
message
部
Pose information
内
controller
Intelligent Systems
供
转
制
复
•Target to be recognized
禁
•Multi-degree of freedom
严
manipulator
•Robot •Control signal
,
•message
•Image acquisition module
习 Original Information
学
•Pose information
部
Intelligent Systems
内
Controller
•An intelligent system based on machine vision
供
仅
转
制
多自由度机械臂 图像采集系统(传感器)
待识别目标
复
原始量
测信息
禁
控制信号
位姿信息
严
识别系统(特征空间)
,
控制柜
习
图 视觉识别引导的机器人应用系统示意图
学
部
(视觉)识别引导的机器人应用系统在工业机器人的基础上增加感
知识别引导系统,通过感知系统获取场景原始量测特征信息(颜色/
内
深度定位信息等),通过模式识别系统(上位机中)对应用目标进
供
行识别定位,引导机器人动作(提供目标位置,姿态和路径指导)。
仅
8
AI意义
载
转
制
1. 与生物学和心理学结合,将使我们进一步解开人类智能机
复
制之谜。
禁
2. 了解自身;
严
3. 解决许多智能问题。
,
习
学
AI历史---与机器学习紧密结合发展的
部
内
智能 算法的研究、设计与实现 机器学习!
供
仅
2. 人工智能与机器学习
载
转
p机器学习是人工智能的一个分支,探索如何让计算机
制
通过经验学习提高性能。
复
禁
p学习是人类智能行为的重要形式,只有让计算机系统
严
由类似于人的学习能力,才有可能实现人工智能的最
,
终目的之一---建造人工智能人。 习
p机器学习成为人工智能研究最为关注的核心议题之一。
学
部
内
供
2023-8-29 10
仅
2. 人工智能与机器学习
载
转
• 人工智能,Artificial Intelligence (AI)
制
• 机器学习,Machine Learning (ML)
复
禁
严
机器学习是
,
习
人工智能发展到一定阶段的必然产物!
学
部
内
供
2023-8-29 11
仅
2. 人工智能与机器学习
载
转
p机器学习成为人工智能研究最为关注的核心议题之一。
制
p机器学习
复
禁
低级阶段:机械式学习,有教师指导下的学习
严
高级阶段:知识发现(计算机无需教师帮助,自发发现
,
蕴含在客观规律中的知识)
习
KDD(数据库中的知识发现)从90年代起成为机器学习的
学
一个重要分支:如何从数据中发现和获取隐含知识。
部
内
供
2023-8-29 12
仅
AI诞生
载
转
1956年夏季,以麦卡锡(McCarthy)、明斯基(Minsky)、
制
罗切斯特(Lochester)和香农(Shannon)等为首的一批有
复
禁
远见卓识的年轻科学家在一起研讨会,共同研究和探讨用机
严
器模拟智能的一系列有关问题,并首次提出了“人工智能”
,
这一术语,它标志着“人工智能”这门新兴学科的正式诞
生。
习
学
部
达特茅斯会议标志着人工智能这一学科的诞生
内
供
仅
机器学习源自“人工智能”
载
转
制留
Artificial Intelligence (AI), 1956 -
复 权保
禁 所有
1956年夏 美国达特茅斯学院
严 专用
J. McCarthy, M. Minsky, N. Lochester, C. E. Shannon, 约翰 麦卡锡
, 课程
(1927-2011)
H.A. Simon, A. Newell, A. L. Samuel 等10余人
“人工智能之父”
习 习导 论
1971年图灵奖
达特茅斯会议标志着人工智能这一学科的诞生
学 器学
John McCarthy (1927 - 2011):
部 学机
1971年获图灵奖, 1985年获IJCAI终身成就奖。人工智能之父。他提出了“人工智能”
内 京大
的概念,设计出函数型程序设计语言Lisp,发展了递归的概念,提出常识推理和情境
南
演算。出生于共产党家庭,从小阅读《10万个为什么》,中学时自修CalTech的数学
16
课程,17岁进入CalTech时免修两年数学,22岁在Princeton获博士学位,37岁担任
20
Stanford大学AI实验室主任。
供
仅
第一阶段:推理期
载
转
制留
复 权保
1956-1960s: Logic Reasoning
禁 所有
出发点: “数学家真聪明!”
严 专用
, 课程
赫伯特 西蒙
主要成就: 自动定理证明系统 (例如, (1916-2001)
习 习导 论
1975年图灵奖
西蒙与纽厄尔的“Logic Theorist”
系统)
学 器学
部 学机
渐渐地,研究者们意识到,仅有逻辑
内 京大
推理能力是不够的 …
南
16
阿伦 纽厄尔
(1927-1992)
20
供
1975年图灵奖
仅
第二阶段:知识期
载
转
制留
复 权保
1970s -1980s: Knowledge Engineering
禁 所有
爱德华 费根鲍姆
出发点: “知识就是力量!”
严 专用
(1936- )
1994年图灵奖
, 课程
主要成就: 专家系统 (例如,费根鲍
习 习导 论
姆等人的“DENDRAL”系统)
学 器学
部 学机
渐渐地,研究者们发现,要总结出知识再“教”给
内 京大
系统,实在太难了 …
南
16
20
供
仅
第三阶段:学习期
载
转
制留
复 权保
1990s -now: Machine Learning
禁 所有
出发点: “让系统自己学!”
严 专用
, 课程
主要成就: ……
习 习导 论
机器学习是作为“突破知识工程瓶颈”
学 器学
之利器而出现的
部 学机
内 京大
恰好在20世纪90年代中后期,人类发现自己淹没在数据的汪洋
南
16
中,对自动数据分析技术——机器学习的需求日益迫切
20
供
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
载
18
仅
供
内
部
学
习
,
严
禁
复
制
转
载
19
仅
供
内
部
学
习
,
严
禁
复
制
转
载
20
仅
供
内
部
学
习
,
严
禁
复
制
转
载
21
仅
供
内
部
学
习
,
严
禁
复
制
转
载
22
Why machine learning?
载
转
Because: 机器学习已经“无处不在”
制
复
We are in a data world, and we can not analyze and use
禁
them fully depend on ourselves. We MUST use machine
learning to assist us to do such a terrible job
严
,
习
学
In 2009,Goolge
部
23
机器学习已经“无处不在”
载
转
制留
复 权保
禁 所有
严 专用
入侵检测
, 课程
Web搜索
生物信息学
习 习导 论
学 器学
部 学机
内 京大
南
16
决策助手(DARPA)
20
火星机器人 (JPL)
供
汽车自动驾驶
(DARPA Grand Challenge)
仅
载
今天的“机器学
习”已经是一个
转
经常被谈到的“深度学习”
制留
广袤的学科领域 (Deep Learning)仅是
复 权保
机器学习中的一个小分支
禁 所有
例如,这是第32届
严 专用
国际机器学习大会
的“主题领域”
, 课程
习 习导 论
学 器学
部 学机
2006年,美国CMU
(卡内基梅隆大学)
内 京大
成立“机器学习系”
南
16
20
供
仅
3. 机器学习
载
转
制
3.1 什么是机器学习?
复
禁
3.2 机器学习的概述
严
(基本要素、概念?)
,
习
学
部
内
供
2023-8-29 26
仅
3.1 什么是机器学习
载
转
制
p机器学习 ( Machine Learning ML ) 是指从有限的观
复
测数据中学习(或“猜测”)出具有一般性的规律,
禁
并可以将总结出来的规律应用到未观测样本上的方法。
严
,
习
学
部
内
供
2023-8-29 27
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
载
28
3.1 什么是机器学习
载
转
制
复
禁
严
,
习
学
部
由应用模式识别系统看ML的内涵与发展
内
供
2023-8-29 29
仅
第一章 绪论
载
转
制
Review
复
禁
严
模式识别课程
,
习
学
Do you remember?
部
内
供
仅
仅
供
内
部
学
习
,
严
禁
复
机器学习概述
制
转
载
第一章 绪论
载
模式识别系统
转
制
复
禁
严
计算机分类
识别
,
习
学
计算机分析
部
内
供
32
仅
第一章 绪论
载
1.5 模式识别系统
转
制
复
禁
严
,
习
学
部
内
供
33
仅
第一章 绪论
载
转
p机器学习是指从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
模式识别系统
严
,
由应用模式识别系统看ML的内涵与发展
习
学
部
p传统的机器学习主要关注于如何学习一个预测模型。
内
供
仅
什么是机器学习
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29
补充内容35
仅
1. 什么是机器学习
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 36
仅
1. 什么是机器学习
载
转
制
复
禁
严
,
习
学
部
特征转换方法也
内
是机器学习方法
供
2023-8-29 p传统的机器学习主要关注于如何学习一个预测模型。 37
仅
1. 什么是机器学习
载
转
制
复
禁
严
,
习
学
部
内
供
2023-8-29 38
仅
第一章 绪论
载
转
开发者教会他!Algorithm!!!!!!!!!
制
复
机器学习算法!模式识别算法与系统!!!!
禁
如何教会他?
严
,
习
1.模式—特征表示
学
部
2.学习
内
供
39
仅
第一章 绪论
载
模式识别(Pattern Recognition)的概念
转
Ø 模式就是要让机器自动识别的事物。
制
用模式识别的术语来说,所见的具体事物是样本,通过
复
对具体的个别事物进行观测所得到的具有时间和空间分布的
禁
信息称为模式,把模式所属的类别或同一类中模式的总体称
严
为模式类(或简称类)。
,
习 ?X
学
部
内
供
?X
40
仅
载
为什么 特征描述(特征表示)?
转
制
计算机处理!人工智能!
复
禁
区分度的特征(特性)
严
,
习
学
部
内
供
仅
04
第一章 绪论
载
模式识别(Pattern Recognition)与模式的概念
转
Ø 模式识别的关键
制
因此,首先要能从度量中看出不同事物之间的差异,才
复
能分辨当前要识别的事物(称为测试样本)跟哪类事物更接近。
禁
因此找到有效地度量不同类事物的差异的方法是最关键的。
严
,
区分度的特征(特性)
习
学
部
内
供
42
仅
本页图片均来源于baidu搜索引擎
载
Feature Representation / Description
转
制
复
为什么 特征描述(特征表示)?
禁
严
,
计算机处理!人工智能! 习
学
区分度的特征(特性)
部
内
供
仅
43
仅
供
?X
内
部
学
?X
习
,
严
禁
复
制
转
载
44
基本概念 -- 特征、标签、样本
载
转
p特征Feature、特征向量Feature vector
制
复
p标签Label 需要预测的结果,可以连续值,可以离散值
禁
严
p样本Sample
,
?X 习
学
部
内
供
?X
45
仅
如何实现特征表示?
载
转
制
复
特征向量、特征空间
禁
严
?X
,
习
学
部
内
?X
供
仅
04
什么是机器学习
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29
补充内容47
仅
联系PR与典型的机器学习过程举例,并了解其中基本术语
载
转
制留
复 权保
使用学习算法(learning algorithm)
禁 所有
类别标记
严 专用
训练数据 (label)
训练
模型
, 课程
色泽 根蒂 敲声 好瓜
习 习导 论
青绿 蜷缩 浊响 是 决策树,神经网络,支持向量机,
乌黑 蜷缩 浊响 是 Boosting,贝叶斯网,……
青绿 硬挺 清脆 否
学 器学
乌黑 稍蜷 沉闷 否
?= 是
部 学机
新数据样本
内 京大
未知
16
20
供
仅
基本术语
载
转
制留
• 监督学习(supervised learning)
复 权保
• 无监督学习(unsupervised learning)
禁 所有
• 假设(hypothesis)
• 真相(ground-truth)
严 专用
• 学习器(learner)
, 课程
习 习导 论 • 分类, 回归
学 器学
• 二分类, 多分类
• 数据集; 训练, 测试 • 正类, 反类
部 学机
• 示例(instance), 样例(example)
•
内 京大
样本(sample)
• 属性(attribute), 特征(feature); 属性值 • 未见样本(unseen instance)
•
南
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
50
仅
供
内
部
学
习
,
严
禁
复
制
转
机器学习—基本术语
载
51
机器学习—基本术语
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
52
机器学习—基本术语
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
53
机器学习—基本术语
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
54
机器学习—基本术语
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
55
机器学习—基本术语
载
转
• 1. 数据集 2. 属性、特征 3. 示例、样本 。。。
制
复
禁
严
,
习
学
部
内
供
仅
56
1. 什么是机器学习
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 57
仅
1. 什么是机器学习
载
转
制
复
禁
严
,
习
学
部
内
供
2023-8-29 58
仅
由应用模式识别系统看ML的内涵与发展
载
转
1. 表示学习
制
复
禁
严
,
习
学
部
内
供
仅
1. 什么是机器学习---表示学习
载
转
制
复
禁
严
,
习
学
部
内
供
2023-8-29 60
仅
由应用模式识别系统看ML的内涵与发展
载
转
1. 表示学习
制
复
禁
严
,
习
学
部
内
供
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
载
载
转
制
复
禁
严
,
习
深度学习虽然早期主要用来进行表示学习,但越来越
学
多地来进行处理更加复杂的推理、决策等问题。
部
内
供
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
1.
学
习
,
严
禁
什么是机器学习
复
制
转
载
66
载
转
制
复
禁
严
,
特征表示的能力!
习
深度学习虽然早期主要用来进行表示学习,但越来越
学
多地来进行处理更加复杂的推理、决策等问题。
部
内
供
仅
机器学习---传统机器学习、表示学习、深度学习
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
• 什么是机器学习?----- 实例,感性认识!
禁
严
,
习
学
部
内
供
“肺结节检测、良恶性识别比赛”
2023-8-29 68
仅
机器学习( Machine Learning )
载
转
制
复
禁
严
1. “肺结节检测比赛”
,
习 2.“循证医学”(evidence-based
medicine)、精准医学和大数据研究
学
3. 在“循证医学”(evidence-based
部
medicine)中,针对特定
的临床问题,先要对相关研究报告进行
内
详尽评估
供
4. 基于放射影像组学和随机森林算
法的肺结节良恶性分类
仅
69
“肺结节计算机辅助诊断”
载
转
应用机器学习技术,进行计算机辅助诊断
制
复
根据病理结果,标记为
“是结节”或 “不是肺结节”
禁
严
对是否“肺结节”
,
进行预测
习 分类模型
学
部
1. “肺结节检测比赛”
内
2. 基于放射影像组学和随机森
供
林算法的肺结节良恶性分类
仅
3. 机器学习
载
转
制
3.1 什么是机器学习?
复
禁
3.2 机器学习的概述
严
(基本要素、概念?)
,
习
学
部
内
供
2023-8-29 71
仅
3.2.1. 机器学习的相关概念
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 72
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
73
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
74
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
75
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
76
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
77
仅
3.2.1. 机器学习的相关概念
载
转
制
复
禁
严
,
习
学
部
内
供
2023-8-29 78
仅
3.2.2. 机器学习的三个基本要素
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 79
仅
学习模型
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
补充内容
2023-8-29 80
仅
学习模型 补充内容
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
建立样
习
学
部
内
供
2023-8-29 81
仅
基本概念 补充内容
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 82
仅
基本概念 补充内容
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 83
仅
3. 机器学习的三个基本要素
载
转
p机器学习方法分为三个基本要素:模型、学习准则、优化算法。
制
复
禁
严
,
习
学
Review
部
内
3. 机器学习的三个基本要素
载
转
p机器学习方法分为三个基本要素:模型、学习准则、优化算法。
制
复
禁
严
,
习
学
补充内容
部
内
3.2.2. 机器学习的三个基本要素
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.2. 机器学习的三个基本要素
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.2. 机器学习的三个基本要素
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.2. 机器学习的三个基本要素
载
转
机器学习是指:从有限的观测数据中学习(或“猜测”)出具有一般性的
制
规律,并可以将总结出来的规律应用到未观测样本上的方法。
复
禁
严
,
习
学
部
内
供
2023-8-29 89
仅
3.2.1. 机器学习的三个基本要素
载
转
p 机器学习方法分为三个基本要素:模型、学习准则、优化算法。
制
后面课程详细讲授
复
禁
严
,
习
学
部
内
供
2023-8-29 90
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-task
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-task
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-task
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-task
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-task
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-model
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-方法
载
转
制
复
禁
严
,
习
学
部
内
供
仅
Review
载
监督学习与非监督学习
转
制
• 监督学习与非监督学习的最大区别在于
复
训练样本是否有类别标号,无类别标号
禁
的称为非监督学习;
严
,
• 监督学习与无监督学习也被称为有教师
习
学习与无教师学习。
学
部
内
供
仅
3.2.3. 机器学习算法类型-方法
载
转
制
复
禁
严
,
习
学
部
内
供
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
载
101
载
转
Age
制
复
禁
严
,
习
学
Size
部
不致 致癌
内
癌
供
仅
102
3.2.3. 机器学习算法类型-方法
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-方法
载
转
制
复
禁
严
,
习
学
部
内
供
仅
Semi-supervised learning (SSL)
载
转
The teacher gives an incomplete training signal: a
制
复
training set with some (often many) of the target
禁
outputs missing.
严
,
它主要考虑如何利用少量的标注样本和大量的未标注
习
学
样本进行训练和分类的问题。主要分为半监督分类,
部
半监督回归,半监督聚类和半监督降维算法。
内
供
仅
105
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
载
转
制
Unsupervised learning is the
复
machine learning task of inferring Age
a function to describe hidden
禁
structure from unlabeled
严
data.(From Wikipedia)
,
数据并不被特别标识,学习模型是为 习
了推断出数据的一些内在结构。常
学
见的应用场景包括关联规则的学
部
习以及聚类等。常见算法包括
k-Means算法和Apriori算法。……
内
Size
供
仅
110
载
非监督学习的广泛应用
转
Review
制
复
禁
严
,
习
学
部
内
供
仅
仅
供
内
部
学
习
,
严
禁
复
制
转
非监督学习的广泛应用
载
仅
供
内
部
学
习
,
严
禁
复
制
转
非监督学习的广泛应用
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
仅
供
内
部
学
习
,
严
禁
复
制
转
载
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型
载
转
制
复
禁
严
,
习
学
部
内
供
仅
Supervised v.s. Reinforcement
载
转
制
• Supervised
复
“Hello” Say “Hi”
Learning from
禁
teacher “Bye bye” Say “Good bye”
严
• Reinforcement
,
习
……. ……. ……
学
部
Hello …… Bad
内
Learning from
供
载
转
制
• Supervised:
复
禁
Next Next
严
move: move:
,
习“5-5” “3-3”
学
• Reinforcement Learning
部
载
转
制
复
禁
严
,
习
学
部
内
供
仅
3.2.3. 机器学习算法类型-方法
载
转
制
复
禁
严
,
习
学
部
内
供
仅
载
转
1. Python(Pytorch,TensorFlow, Keras… )
制
复
2. C++
禁
严
3. Matlab
,
习
……
学
……
部
内
供
仅
128
载
致谢与说明
转
制
• 本章课件标有“南京大学机器学习导论课程专用
复
所有权保留”的页面所有权属南京大学。
禁
• 课件部分内容来自《Introduction of Machine
严
Learning 台湾Dr. Hung-yi Lee》
,
习
• 课件仅限本课堂内部教学使用,不用商业用途。
学
• 课件仅限本课堂内部教学使用,勿转载或作他用。
部
内
供
仅