64229《大数据与人工智能导论（微课版）》第5章PPT-示例.pptx

大数据与人工智能导论机器学习：智能的自动化途径制作单位：网络信息中心2024年8月

本章学习目标01从定义、发展历史中了解什么是机器学习02掌握机器学习的分类与关键术语03了解几种基本的机器学习算法

机器学习概述机器学习通常可以定义为人工智能的一个分支。它利用计算机算法和统计模型，让计算机能够从数据中学习，而不是依靠程序员手动编码。机器学习是人工智能的一门学科，主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验优化计算机程序的性能标准。一种经常引用的英文定义是：AcomputerprogramissaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE.机器学习不同定义

011949年，唐纳德·赫布（DonaldHebb）利用神经心理学学习原理开创了机器学习，提出了赫布学习规则。1950年，图灵提出著名的图灵测试，作为判断智能的条件，这是人工智能领域的开端。在1952年，IBM公司的科学家阿瑟·塞缪尔（ArthurSamuel）创建了一个跳棋程序，驳斥了约翰·冯·诺依曼（JohnvonNeumann）的机器不能像人类那样编码或学习的理论。阿瑟·塞缪尔提出了“机器学习”一词，并将其定义为“一个不需要显式编程就能提供计算机能力的研究领域”。弗兰克·罗森布拉特在1957年提出了基于神经传感科学的模型，该模型与当今的机器学习算法非常接近，弗兰克·罗森布拉特基于这一想法创建了第一个计算机神经网络——感知机，用来模拟人脑的功能。马文·李·明斯基（MarvinLeeMinsky）在1969年将感知机推向了顶峰，他提出了著名的异或问题和感知机数据的线性不可分离性。明斯基还将人工智能与机器人技术相结合，创造了机器人C——这是世界上第一个能够模拟人类行为的机器人，从而将机器人技术推向了新的高度。起源与早期发展机器学习的发展历史

02从20世纪60年代中期到20世纪70年代末，机器学习的发展速度急剧放缓。这一时期的研究目标是通过使用逻辑或图形结构作为机器的内部描述来模仿人类的想法、学习过程。机器可以学习使用符号来描述概念，并对所学内容进行各种假设。尽管帕特里克·温斯顿（PatrickWinston）的结构学习系统和海斯·罗斯（HaysRoth）的基于逻辑的归纳学习系统在此期间取得了重大进展，但他们只能吸纳一个概念并将其付诸实践。由于理论计算结果未能达到预期效果，神经网络学习器的进展陷入低谷。低谷机器学习的发展历史0320世纪70年代末，人们开始从学习单一的概念转向学习众多的概念，尝试其他学习策略和方法。保罗·韦伯斯（PaulWerbos）在1981年提出了神经网络误差逆传播（BackPropogation，BP）技术中的多层感知机（Multi-LayerPerceptron，MLP）。1986年第一种人工智能领域的权威期刊ArtificialIntelligence创刊。同年，昆兰提出了一个著名的ML算法，我们称之为决策树算法，或者更准确地说，即ID3算法。总的来看，20世纪80年代是机器学习成为一个独立的学科领域、各种机器学习技术百花初绽的时期。转折

0420世纪80年代以来，“示例学习”（广义上的归纳学习），包括有监督和无监督学习，一直是研究最多、使用最广泛的学习方法。符号学习包括决策树和基于逻辑的学习，20世纪80年代以来一直是“示例学习”的重要组成部分。基于神经网络的连接主义学习是20世纪90年代中期之前的另一种流行“示例学习”技术。统计学习在20世纪90年代中期首次亮相，并很快崛起。支持向量机（SupportVectorMachine，SVM）和更广泛的“核技术”（核方法）是统计学习的代表性技术。连接主义学习在21世纪初重新出现，引发了一股被称为深度学习的热潮。深度学习技术在许多测试和竞赛中表现出色，尤其是在涉及语音和图像等复杂项目的应用中。示例学习机器学习的发展历史

机器学习分类监督学习通过学习或建立模式（函数/学习模型），从标记的训练集中推断新的事件。训练集是训练样本的集合，每个样本都有一个输入变量（自变量）和一个预期输出（因变量）。函数的输出可以是连续值（回归分析）或分类标签预测（分类）。无监督学习算法使用未标记的输入数