机器学习原理及应用 课件汇总 殷丽凤 第1--5章 绪论--- 神经网络.pptx

第一章绪论;思维导图;1.1机器学习的定义;1.2机器学习的发展历史（1）;深度学习复兴（2010s）：?随着大规模数据集和强大的计算资源的可用性，深度学习在图像识别、自然语言处理、语音识别等领域取得了突破性成果。特别是卷积神经网络（CNN）和循环神经网络（RNN）等架构对这一进展起到了关键作用。

强化学习和自动化（2010s—至今）：?强化学习关注智能体如何在环境中采取行动以最大化累积奖励。这个领域在游戏、机器人控制和金融交易等领域有着广泛应用。

解释性和可解释性（2010s—至今）：?随着机器学习应用的增多，人们开始关注模型的解释性和可解释性。特别是在涉及法律、医疗等对解释性有要求的领域，解释模型的决策过程变得至关重要。;1.3机器学习的分类;1.3.1监督学习;监督学习的流程;1.用于预测离散结果的分类;2.用于预测连续结果的回归;1.3.2无监督学习;1.用聚类寻找子群;2.2.通过降维压缩数据;1.3.3半监督学习;1.3.3半监督学习---自训练（Self-Training）;1.3.3半监督学习---伪标签（Pseudo-Labeling）;1.3.4强化学习;以一个智能体学习在迷宫中找到宝藏为例来说明强化学习的过程：;1.4基本术语与符号（1）;1.4基本术语与符号（2）;1.4基本术语与符号（3）;1.4基本术语与符号（4）;1.4.2基本符号;1.5机器学习的过程;1.6将Python用于机器学习;搭建实验环境;1.6.4用于科学计算、数据科学和机器学习的软件包;1.6.4用于科学计算、数据科学和机器学习的软件包;1.6.4用于科学计算、数据科学和机器学习的软件包;使用scikit-learn库进行鸢尾花分类任务(1);使用scikit-learn库进行鸢尾花分类任务(1);感谢观看;第二章模型评估与调优;思维导图;2.1训练误差和过拟合;01;模型选择;欠拟合：比较容易克服，在决策树学习中扩展分支，在神经网络中增加训练轮数。

过拟合：很麻烦，过拟合是机器学习面临的关键障碍。各类学习算法都必然带有一些针对过拟合的措施，然而必须认识到，过拟合是无法彻底避免的，人们所能做的只是缓解，或者说减少风险。

;02;2.2评估方法;03;04;2.2评估方法;2.2.1留出法;留出法优缺点;2.2.2交叉验证法;图2-210折交叉验证示意图;图2-3训练误差和测试误??随折数不同的变化图;2.2.3留一法交叉验证;图2-4留一法的测试误差和训练误差变化图;03;2.2.4自助法;图2-5自助采样法训练误差和测试误差变化情况;自助法优缺点;2.3优化;模型选择的基本思路

;2.3.1用学习和验证曲线调试算法;图2-6学习曲线;图2-7验证曲线;2.3.2通过网格有哪些信誉好的足球投注网站调优机器学习模型;1.通过网格有哪些信誉好的足球投注网站调优超参数（1）;1.通过网格有哪些信誉好的足球投注网站调优超参数（2）;1.通过网格有哪些信誉好的足球投注网站调优超参数（3）;2.通过嵌套式交叉验证选择算法;05;2.4.1错误率与准确率;错误率(Err)=（预测错误的样本数）/（总样本数）;03;2.4.2查准率、查全率与F1（1）;P-R曲线;2.4.2查准率、查全率与F1（2）;2.4.3ROC与AUC;此模型AUC=0.91，可见此模型性能较好。;2.4.4多元分类评分指标;感谢观看;第3章回归分析;思维导图;01;3.1引言;3.1.1回归分析的概述;3.1.2回归分析的目标;3.1.3回归分析的步骤;3.2一元线性回归;3.2.1一元线性回归模型;02;3.2.2参数w和b的推导过程（1）;3.2.2参数w和b的推导过程（2）;3.2.2参数w和b求解的代码实现（1）;3.2.2参数w和b求解的代码实现（2）;3.3多元线性回归;3.3.1多元线性回归模型和参数求解(1);3.3.1多元线性回归模型和参数求解(2);3.3.1多元线性回归模型和参数求解(3);3.3.1多元线性回归模型和参数求解(4);3.3.1多元线性回归模型和参数求解(5);3.3.1多元线性回归模型和参数求解(6);3.3.2参数W求解的代码实现(1);3.3.2参数W求解的代码实现(2);3.4对率回归;3.4.1对率回归模型;3.4.1对率回归模型;对率回归的优点;3.4.2损失函数推导（1）;3.4.2损失函数推导（2）;3.4.2损失函数推导（3）;3.4.3参数更新公式推导（1）;3.4.3参数更新公式推导（2）;3.4.4参数求解的代码实现（1）;3.4.4参数求解的代码实现（2）;3.4.4参数求解的代码实现（3）;3.5多项式回归;02;3.6正则化回归;3.6.1岭回归模型（Ridge