計算機(jī)視覺與應(yīng)用 課件 9.1 機(jī)器學(xué)習(xí)的基本概念

9.1機(jī)器學(xué)習(xí)的基本概念CONTENTS目錄概念01機(jī)器學(xué)習(xí)分類02CONTENTS目錄概念01機(jī)器學(xué)習(xí)分類021、概念機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。從廣義上來說，機(jī)器學(xué)習(xí)是一種能夠賦予機(jī)器學(xué)習(xí)的能力以此讓它完成直接編程無法完成的功能的方法。但從實(shí)踐的意義上來說，機(jī)器學(xué)習(xí)是一種通過利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測的一種方法。機(jī)器學(xué)習(xí)跟模式識別、統(tǒng)計學(xué)習(xí)、數(shù)據(jù)挖掘、計算機(jī)視覺、語音識別、自然語言處理等領(lǐng)域有著很深的聯(lián)系。機(jī)器學(xué)習(xí)概念CONTENTS目錄概念01機(jī)器學(xué)習(xí)分類022、機(jī)器學(xué)習(xí)分類機(jī)器學(xué)習(xí)有多種分類方式，基于學(xué)習(xí)方式的分類可以分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等。（1）監(jiān)督學(xué)習(xí)：從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個函數(shù)（模型參數(shù)），當(dāng)新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求包括輸入輸出，也可以說是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。監(jiān)督學(xué)習(xí)就是最常見的分類問題，通過已有的訓(xùn)練樣本去訓(xùn)練得到一個最優(yōu)模型，再利用這個模型將所有的輸入映射為相應(yīng)的輸出，對輸出進(jìn)行簡單的判斷從而實(shí)現(xiàn)分類的目的。在建立預(yù)測模型的時候，監(jiān)督式學(xué)習(xí)建立一個學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷的調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個預(yù)期的準(zhǔn)確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)用場景如分類問題和回歸問題。常見算法有邏輯回歸（LogisticRegression）和反向傳遞神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork）。（2）無監(jiān)督學(xué)習(xí)：輸入數(shù)據(jù)沒有被標(biāo)記，也沒有確定的結(jié)果。樣本數(shù)據(jù)類別未知，需要根據(jù)樣本間的相似性對樣本集進(jìn)行分類（聚類，clustering）試圖使類內(nèi)差距最小化，類間差距最大化。（3）強(qiáng)化學(xué)習(xí)：以環(huán)境反饋（獎/懲信