《模式识别与机器学习第一章.ppt

无监督学习 无监督学习是我们不告诉计算机怎么做，而是让它自己去学习怎样做一些事情。 无监督学习与监督学习的不同之处在于，事先没有任何训练样本，需要直接对数据进行建模，寻找数据的内在结构及规律，如类别和聚类。 常用于聚类、概率密度估计。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 增强学习 增强学习要解决的问题：一个能够感知环境的自治机器人，怎样通过学习选择能达到其目标的最优动作。 机器人选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号(奖或惩)反馈回来。 机器人根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化(奖)的概率增大。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 半监督学习 半监督学习（Semi-supervised Learning）是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。 它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。 半监督学习的主要算法有五类：基于概率的算法；在现有监督算法基础上改进的方法；直接依赖于聚类假设的方法；基于多视图的方法；基于图的方法。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 系统构成 模式识别系统的基本构成 机器学习的基本构成 数据获取 特征提取和选择 预处理 分类决策 分类器设计 环境 学习 知识库 执行与评价 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 模式识别系统组成单元 数据获取：用计算机可以运算的符号来表示所研究的对象 二维图像：文字、指纹、地图、照片等 一维波形：脑电图、心电图、季节震动波形等 物理参量和逻辑值：体温、化验数据、参量正常与否的描述 预处理单元：去噪声，提取有用信息，并对输入测量仪器或其它因素所造成的退化现象进行复原 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 模式识别系统组成单元 特征提取和选择：对原始数据进行变换，得到最能反映分类本质的特征 测量空间：原始数据组成的空间 特征空间：分类识别赖以进行的空间 模式表示：维数较高的测量空间-维数较低的特征空间 分类决策：在特征空间中用模式识别方法把被识别对象归为某一类别 基本做法：在样本训练集基础上确定某个判决规则，使得按这种规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 机器学习系统组成单元 环境：是系统的工作对象（包括外界条件），代表信息来源。 信息水平：相对于执行环节要求而言，由学习环节消除差距 信息质量：实例示教是否正确、实例次序是否合理等 知识库：存储学习到的知识 知识的表示要合理 推理方法的实现不要太难 存储的知识是否支持修改（更新） Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 机器学习系统组成单元 学习环节：是系统的核心模块，是和外部环境的交互接口。 对环境提供的信息进行整理、分析、归纳或类比，生成新的知识单元，或修改知识库。 接收从执行环节来的反馈信号，通过知识库修改，进一步改善执行环节的行为。 执行：根据知识库执行一系列任务 把执行结果或执行过程中获得的信息反馈给学习环节 Evaluation only. Create