人工智能技术应用导论第3_1章机器学习与深度学习.docx
应用范围应用范围:t11三IUrFg凯畔习*三s向学习研机学SitBwaaHMt三rTg携物理机习又奉处理轨BF习应用范围DriverDrowsinessDetectionhttp/v.360tcenztvc<M4tij6P7VChv,frc三videoo-reMt。人工智能，机器学习和深度学习的区别视嫉来源：httpbiIbi1.i/video/BY1fA411e7X6?fro«=Wrch1.stid=169T9655209411915C65人工智能，机H学习和深度学习的区别智是与人类相关的一种特征机器学习的发展 机器学习的发展： 在机器学习领域，计算机科学家不断探索，基于不同的理论创建出不同的机器学习模型.从发展历程来说,大致经历了三个阶段： 符号主义时代（1980年左右） 概率论时代（19932000年） 联结主义时代（2010年左右）。机器学习的分类 机器学习的分类：可以按照输入的数据本身是否已被标定特定的标签将机器学习区分为有监督学习、无监督学习以及半监督学习三类.1.J1一一机器学习的分类 监督学习：从带标釜（标注的训练林本中it立一个模式（横型）.并依此模式推潴新的散据标签的算法. 无益督学习：在学习时并不知道只分类结果.其目的是对原始资料迸行分类,以便了解资料内部结构算法. 半监督学习：利用少量标注样本和大量未标注样本进行机器学习,利用数据分布上的模型假设,建立学习器对未标签样本进行标签.各主流框架基本情况各主流板架基本情况对比:。各主流框架基本情况各主流框架的怏窿对比:方昌*9UCSMtH力R、“力“力1支内11'TmwrHo*C11e*CXTK*MXSct*Torch*Hirano*'can*目录CONTENTS第三章机器学习3.3监督学习及案例体验监督学习简介案例体聆1：电影票房数据分析,案例体验2:莺尾花分类监督学习简介在舔智学习中.一个例子都是一羽由一个入对（通常Jt一个向）和一个期望的出值（也极称为监督信号）俎成的.。监督学习简介应用步骤;步修1：依搦的创建构分类.步。2：训第.中U1.-工。0港T监督学习简介 回归（RCP:y（夫依残连续校联）f<x）9,出也遗续值.这钟奥教的词星就JI回归问0M于所何己知或未汨的、.外，使得re.0，加,足可短蜿一致,找失语Ii通常定义为甲方褒差. 分类（CIasMfkaIUXi）y出的英女标记（符号），献是分类河魅.H1.火语心育一般用（M帙失函也成负对依伯第语依等在分类问题中，通过学习得到的决策函BMOc/）也叫分类图.。监督学习简介 回归分析确定两种或两种以上变量间相互依赖的定关系的一种统计分析方法.一元线性回归 只涉及一个自变和一个因变. 因变与自变呈姣性关系. 因变与自变的关系可以用一个线性方程表示y=QX+b步覆：数据读取敷据预处理横型建立与询炼数据可祝化根型陵北与可楔化。案例体验1：电影票房数据分析2.1数据读取cadirtf:UtfSrS入馈!portPenda3aspd*使原Z.c"4f7<Zft中送取G界.耳电分勺开“-pd.read.car(,111b.tit*.de1.iaiter-*/)s!9iif定内冲“MHr上映时HTJHWW阿F阿万】士龄婚4NN中谋取第过分玷飞±»«m7i020141172014223NaH120113272O1S4121他0220157.10201582337900832015122020113190420152192015467443025201573201571»2176201535»15322&30T20151224201621364阚0t2015219201532»15631392015619201571950«7df.hd(IO>2.2数据预处理“蕉浦反，去酎器。3Vr中的）的我刷f1.MMVBW为mf1301SW?201312wo17“W.dt<m<)XOCRR仲"MH雇JW阿更打df'1.m<H'1.t-dtt1.e(df120154)7.101.5-1.2-20150½)20164)11iT0O8464f,HWfMPd.to.datet1.w<df'(fi*HM')，电，!依候大a29843S201X2J92O154X7M3O247f,tt*<4f('WRWM')dfC1BftHftT).4t.<by1杵wa歉MR为界点N4Ms73201MM9?1717“【'察网力】4fWW>f.<<w(110tS201&4»OS201皿22«30W*HR1.1.均累酬心”第盾万Var*，0*】201M2-W201g1JWMOURJTS分斤.舲州T201542-1«2O1M>1»313»4fdf.r*set.ifidex<drc)pTr<>»出从业“中调取的69抬眼2O1S4)6-1920154)7-19soe314f.be0d(IO)»15-12-11却博饮？156217日09万i2Mia*224XKn0»7«71fi3tt1.211127S4T141111112492113B«0®W43SOg91MnS色案例体验1:电影票房数据分析23模型建立与训练（使用一元线性回归进行分析*Ask1.earndfrosk1.earniBport1.inear.node1.片设定Xfay的值Xdf放映大Bfy=df'日均显万'U初蛤化我性同盯模电regr1.inearmode1.1.inearRegressionO*线性网打处备（渊妹）regr.fiMx,y）。案例体验1：电影票房数据分析2.4数据可视化，!fBIW<*rtaBtp1.4<hb.|rn»k4m»h* 我黄中工中£、$,4：,QJT/Pt.rF4M7f,.*wtf*5i三H*1.*1.，“次q宏内pit.ItPaxMU<U*-tMic«4.B1.ttM*)f¼M,单横ft* KHttpit.HHr*CRmBB(Cftnh<1.W)')* aj.r4r.*分*mt加3eq。.ph.»1.»W|C««A；e)p1.t.yI1.(Hni1.W<i<,)»Mpit.K4ter<.<oSc,bxk,I* f9M.JWFWt<¼.加Tdp1.1."Urx<t.rtr.f*dictG>.ee1.ra'r4*.Hwvsdtk-I.Mr"').,MT"pit.ie4(»»«.*1.1.®<：1.，碗/拿p1.1.bon色案例体验1：电影票房数据分析2S模型预泅与可樱化,人&ItAS博4mZH0”rneaUMmao41.aicticwrttr*1.awtn.9Ht，Vd"M夏9,。/*49t火电K疗“，,，认，“，以9“Mu.WUV“£<4a*4f.dMXnf2.”=N*m.r%sO"jrn,raac2f7rviM*t.y.31AI<,1."J1.<11'J3.“3、MtW«.1.Mt,Uri,Qi>rr<rI1.nMod1.1.Uwftfr*4>m'便餐<09t"3Amtrgg4JEM9tJ,MMW9rj4-rfM*1.11<M*rj(tf<jr9d)pH.tttUf*MMMf1.1.tt1.'v11nKH>>>ph.vhb1.aMMMJJf>oN.NM<z3m<).54,.iE的KAymnZtt,ph.:，McO>.<WVJTdCtfM,p1.，,i)案例体验2：莺尾花分类步骤:败据及处理依据可视化模堂建立与训炼模型评估dMAJE*U(%1rtteta)©案例体缝2：莺尾花分类使用K近邻对或尾花进行分类(物以类曜，人以群分)K近邻(K-NearcstNeighbor,KNN)方法的核心思想是1在特征空间中，如果一个样本的K个最相似的样本中的大多数曷于某一个类别，则该样本也属于这个类别,并Ji有这个类别上样本的特性.案例体验2：莺尾花分类3.4 模型建立与训练frosk1.earn.nodeIectionisporttrain-tejt-sp1.tfrosk1.earn.neighborsiaortKXeithborsf1.assifier皎据电切分xtrain.Xtest,ytrain,y.testtraintest-,sp1.it(X.Y)»使用K近*atfsr件遏行源标knnKNeijhborsC1.assifierCn.neighbors5)knn.fit(x-train.np.SQueeze(.train,C1.uster*)>y,predkn.predict<x.test；。案例体缝2：莺尾花分类3.5 模型评估*Rtfif3抬5RIN广他，出工.2二forMMkg')>)Wiei(od.crwtb(y.tetC1.utrr,1.yj>red.r<<MBrs'Actua1.Va1.ue*.co!im(,Prr4icti<,):0.97FrMCti8Actua1.Va1.ues第三章机器学习3.4无监督学习及案例体验目录CONTENTS。无监督学习筒介令案例体验：使用KMeans对现影用户进行聚类无监督学习简介无监督学习就是在样本数据中只有数据，而没
