机器学习算法PPT课件.pptx

机器学习算法;机器学习;机器学习;机器学习;机器学习最常见应用;机器学习的学习方式;监督学习;非监督学习;监督学习 vs 非监督学习;监督学习 vs 非监督学习;强化学习;遗传算法;如何选择合适算法解决问题;回顾：实现人工智能开发的流程;机器学习;明确概念;明确概念;1.1 回归分析;1.1 回归分析;1.1 回归分析;1.1 回归分析;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归;1.2 线性回归—多元线性回归;1.2 线性回归—多元线性回归;1.2 线性回归—多元线性回归;扩展—非线性回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归;1.3 逻辑回归 – 关键问题导读;1.3 逻辑回归 -- 思考;1.4 softmax回归;1.4 softmax回归;1.4 softmax回归;1.4 softmax回归;Softmax回归 vs k个二元分类器;机器学习;2.1 分类;2.1 分类;2.1 分类;特征转化;特征转化;特征选择/提取;分类;2.2 KNN;2.2 KNN;2.2 KNN;2.2 KNN;2.2 KNN;2.2 KNN;2.3 Bayes;2.3 Bayes;2.3 Bayes;贝叶斯分类实例--检测SNS社区中不真实账号;贝叶斯分类实例--检测SNS社区中不真实账号;贝叶斯分类实例--检测SNS社区中不真实账号;贝叶斯分类实例--检测SNS社区中不真实账号;贝叶斯分类实例--检测SNS社区中不真实账号;2.4 Decision Tree;;2.4 Decision Tree;2.4 Decision Tree;2.4 Decision Tree;80;Decision Tree;Decision Tree案例;Decision Tree案例;天 气;2.4 Decision Tree;2.4 Decision Tree;2.5 SVM;2.5 SVM;;2.5 SVM;2.5 SVM;f ;f ;f ;f ;;w . x+ + b = +1 w . x- + b = -1 w . (x+-x-) = 2 ;假定训练数据 线性分类面函数 Max-margin转化成优化问题 ;最优分类面求解问题表示成约束优化问题;Lagrange函数 成立条件;;求得?1, ?2, ?3, ?4的值，进而求得w和b的值。 ;2.6 Ensemble learning;;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning;2.6 Ensemble learning – 关键问题导读;机器学习;3.1 聚类分析;（1）相似性;（2）相似性衡量方法;（3）典型聚类算法;3.2 K-means;3.2 K-means;3.2 K-means;3.2 K-means;3.2 K-means---关键问题导读;3.2 K-means---实例;3.2 K-means---局限性;3.3 GMM（高斯混合模型）;3.3 GMM（高斯混合模型）;3.3 GMM（高斯混合模型）;3.3 GMM（高斯混合模型）;3.3 GMM（高斯混合模型）;3.3 GMM—GMM与K-means;3.4 Aprori算法;3.4 Aprori算法;支持度与可信度;3.4 Aprori算法;机器学习;4.1 降维;4.1 降维;4.1 降维;4.2 PCA;4.2 PCA;4.2 PCA — 关键问题导读;4.2 PCA – 实例;4.3 SVD;机器学习;5.1 神经网络与深度学习;5.1 神经网络与深度学习;5.1神经网络与深度学习;5.1神经网络与深度学习;5.1神经网络与深度学习;5.1神经网络与深度学习;5.2 ANN;5.2 ANN;5.2 ANN;5.2 ANN;5.3 BP神经网络;5.3 BP神经网络;5.4 CNN;5.4 CNN;5.4 CNN;5.4 CNN;5.5 RNN;5.6 DBN;5.6 DBN;机器学习;6 关于模型的评价;6.2 回归模型评估标准;6.2 回归模型评估标准;6.2 回归模型评估标准;6.2 回归