机器学习技术任务驱动式教程-课件 模块1--3 了解机器学习、 机器学习开发环境安装及使用、基于K-最近邻的分类预测.pptx

理解机器学习的概念和目标了解机器学习的四个发展阶段了解机器学习涉及的行业领域机器学习常用方法了解常用的机器学习方法参考书目《机器学习技术任务驱动式教程》了解机器学习模块1机器学习技术

考核方式1.平时表现（70%）-考勤-课堂提问-课堂作业-课后作业2.考试（30%）过程考核

目录机器学习技术简介机器学习发展史机器学习应用领域机器学习常用方法Sklearn机器学习库小结习题一了解机器学习模块1机器学习技术

机器学习简介机器学习（MachineLearning,ML）专门研究机器模拟或实现人类的行为，以获得新的知识或技能，并且能够优化现有的知识结果使之适应新的环境。模拟

机器学习简介机器学习是将现实中的问题抽象为数学模型，利用历史数据对数据模型进行训练，然后基于数据模型对新数据进行求解，并将结果再转为现实问题的答案的过程。（1）现实问题抽象为数学问题；1机器学习的实现步骤（2）数据处理为要求的格式；（3）选择或创建模型；（4）模型训练及评估；（5）预测新的数据。

机器学习简介主要步骤2机器学习的处理流程

机器学习发展史探索期：20世纪50年代~60年代中叶1第1/4阶段侧重于非符号的神经元模型探索，研究目标是自组织系统和自适应系统。主要研究方法是不断修改系统的控制参数以改进系统的执行能力，不涉及与具体任务有关的知识。塞缪尔的跳棋程序就是本阶段的典型例子。这个时期的机器学习方法取得的学习结果都很有限，远不能满足人们对机器学习系统的期望。我国研制出了数字识别学习机。

机器学习发展史发展期：20世纪60年代中叶~70年代中叶2第2/4阶段侧重于符号学习，研究目标是模拟人类的概念学习过程，并采用逻辑结构和图结构作为机器内部描述。机器学习采用符号来描述概念，并提出了关于学习概念的各种假设。代表性工作有温斯顿（Winston）的结构学习系统和海思（Hayes）等人的归纳学习系统。这类学习系统只能学习单一概念，不能投入实际应用。我国机器学习研究陷于停滞。

机器学习发展史复兴期：20世纪70年代中叶~80年代中叶3第3/4阶段机器学习的概念从单个到多个，机器学习过程建立在大规模的知识库上，实现知识强化学习。1980年，美国卡内基-梅隆大学（CMU）召开了第一届机器学习国际研讨会，标志机器学习研究走向繁荣。本阶段的代表性工作有莫斯托（Mostow）的指导性学习、莱纳特（Lenat）的数字概念发现程序、兰利（Langley）的BACON程序及其改进版本。20世纪70年代末，中国科学院自动化研究所进行质谱分析和模式文法推断研究，机器学习研究重新得到恢复。

机器学习发展史必威体育精装版阶段：80年代中叶~至今4第4/4阶段机器学习综合多门学课，进入必威体育精装版阶段。机器学习已成为新的学课并在许多高校开设课程。结合各种学习方法，取长补短的集成学习系统研究正在兴起。机器学习与人工智能各种基础问题的统一性观点逐渐成型。机器学习方法的应用范围不断扩大，商业性应用层出不穷。机器学习研究已形成热潮，相关的学术活动空前活跃。

机器学习应用领域通过探索和与环境交互来学习1自动驾驶

机器学习应用领域声音、图像经过模型识别后转换为文字、特征，推荐的商品也反映用户的习惯和兴趣。2个性化推荐

机器学习应用领域从已分类邮件建立模型，识别未知邮件3垃圾邮件分类

机器学习应用领域周期性识别课堂图片中的学生，显示实时考勤4课堂考勤

机器学习常见方法监督学习是机器学习中一种常用的学习方法，其训练样本中包含特征和标签。它利用一组已知标签的样本调整模型参数，使其达到所要求的性能，也称为监督训练或有教师学习。1监督学习决策树K-最近邻贝叶斯分类回归支持向量机深度学习

机器学习常见方法无监督学习中的训练样本没有对应的标签或目标值。这意味着无法提供训练数据，机器只能自行学习，而无需事先提供任何有关标签或目标的信息。预测结果是样本的分类。2无监督学习K-均值最大期望

机器学习常见方法强化学习的输出标签不是直接的是或否，而是一种奖惩机制。它描述和解决智能体(agent)在复杂不确定的环境(environment)下极大化奖励问题。3强化学习策略优化Q-LearningMBMF

机器学习常见方法深度学习、机器学习和人工智能之间关系4机器学习所处位置

Sklearn机器学习库2010年发布的Scikit-learn（又称为Sklearn）是机器学习领域非常热门的一个开源包，基本功能分为六大部分。Sklearn分类回归数据降维聚类模型选择数据预处理

小结机器学习是人工智能的一个重要分支，也是机器获取智能的重要途经。机器学习处理对象既有类似二维表的结构化数据，也有文本、语音、图像等非结构化数据。