载

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

6 A Vision Guided Robotic application system

仅

An intelligent system based on machine vision 6

 载
Execution

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

•A Vision Guided Robotic application system 7

 载
执行

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

successfully predicted that

内

the H1N1 outbreak in a

供

small town in the US.

仅

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

(浅白, 蜷缩, 浊响, ?)

类别标记
南

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

属性空间, 样本空间, 输入空间 • 未知“分布”

16

• 特征向量(feature vector) • 独立同分布(i.i.d.)

•
20

标记空间, 输出空间 • 泛化(generalization)

供
仅
 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

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

模型、学习准则、 优化算法 基本概念

供

2023-8-29   arg min J ( )


84
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
补充内容
部
内

模型、学习准则、 优化算法 基本概念

供

2023-8-29   arg min J ( )


85
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
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

critics Agent Agent

仅
Supervised v.s. Reinforcement

载
转
制
• Supervised:

复
禁
Next Next

严
move: move:

，
习“5-5” “3-3”
学
• Reinforcement Learning
部

First move …… many moves Win!

……
内
供

Alpha Go is supervised learning + reinforcement learning.

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
 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