人工智能基础与应用 课件 3.1机器学习概述.pptx

人工智能基础与应用机器学习概述主讲人：唐滔人工智能课程团队

目录|CONTENTS机器学习定义01机器学习流程02机器学习大模型03机器学习应用场景04

01机器学习的定义

定义与分类定义：计算机利用已有的数据(经验)，得出了某种模型(规律)，并利用此模型预测未来数据特征的一种方法。人类学习VS机器学习

定义与分类机器学习的分类：可以按照输入的数据本身是否已被标定特定的标签将机器学习区分为有监督学习、无监督学习以及半监督学习三类。机器学习有监督学习无监督学习半监督学习

发展历程起源与早期发展机器学习起源于统计学和人工智能领域现代发展随着大数据和计算能力的提升，机器学习得到广泛应用

02机器学习流程

数据搜集数据是机器学习项目的生命之源，需要从企业内部数据库、第三方API接口、开源数据集等资源中搜集原始数据。数据合法性在搜集数据的过程中，务必确保数据的合法性，遵守相关法律法规，同时关注数据的多样性和代表性。数据时效性还需考虑数据的时效性和规模，确保数据能够满足后续处理和分析的需求，为项目成功提供有力支持。数据的获取

数据处理数据清洗缺失值处理数据高质量通过统计分析和可视化工具，我们可以深入了解数据的分布和特性，从而识别并纠正数据中的错误和偏差。对于缺失值，我们可以选择填充、删除或利用算法进行预测；对于异常值，则需根据具体情况决定是保留、修正还是剔除。目标是提供一个干净、一致且高质量的数据集，为后续的特征工程和模型训练打下坚实基础。数据基本处理是机器学习项目中不可或缺的一环，涉及到数据的清洗、去重、缺失值处理以及异常值检测与处理。数据的处理

特征工程特征选择特征缩放特征编码特征工程是机器学习项目中最为关键的一步，它直接关系到模型的学习效果和准确性。需要从原始数据中提取或构造出有意义、相关性强的特征，包括特征的选择、缩放、编码以及创造新特征等。特征选择旨在挑选出对模型预测最有帮助的特征；特征缩放则是为了确保不同特征在数值上具有可比性。特征编码是将非数值型特征转换为数值型，以便模型能够处理；而创造新特征则是结合领域知识和数据分析技巧。特征工程

选择算法在模型训练前，我们需要根据具体问题选择合适的机器学习算法，例如逻辑回归、支持向量机、神经网络等。训练模型利用处理好的特征和标签数据，通过算法迭代训练模型，直至模型收敛并达到理想的预测效果。调整超参数在训练过程中，我们需要不断调整超参数、优化算法，以提高模型的性能和泛化能力。训练时间资源在模型训练过程中，除了关注模型的性能外，还需关注模型的训练时间和资源消耗，确保项目的可行性和效率型训练

0102验证泛化能力模型评估是机器学习项目的最后一道关卡，它旨在验证模型的泛化能力和预测效果。计算评估指标通过划分训练集和测试集，或采用交叉验证法，我们可以计算出各种评估指标。全面了解模型指标为我们提供了全面的信息，帮助我们了解模型在不同场景下的表现。优化模型根据评估结果，我们可能需要返回前几步进行调整优化，如修改特征工程、更换算法或调整超参数等。逼近最优解循环迭代的过程是机器学习项目不断逼近最优解的关键所在。030405模型评估

03机器学习大模型

图像识别应用于安全监控、身份验证等领域人脸识别在自动驾驶、智能安防等领域发挥重要作用物体检测实现图像内容的自动分类和标注图像分类

自然语言处理实现高效准确问答智能问答系统识别文本情感倾向情感分析0201实现多语种互译机器翻译03

金融风控通过机器学习模型识别欺诈行为，保护金融交易安全利用机器学习模型评估信贷风险，提高贷款审批效率反欺诈检测信贷风险评估

04机器学习应用场景

文本数据文本数据包括字符型数据，如英文字母、汉字等，以及超文本形式，包含标题、作者等信息；非结构化数据是数据结构不规则。文本数据的应用场景包含垃圾邮件检测、信用卡欺诈检测和电子商务决策等领域，通过分析用户行为和意图来提供服务和建议。文本数据定义文本数据的应用场景

语音数据语音数据是指通过语音来记录的数据及通过语音来传输的信息，也可称为声音文件；语音数据的应用场景包含语音识别、语音合成等领域。语音数据定义把机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术，从一个用户的话语中确定用户提出的具体要求，可以自动填充用户需求。语音识别通过机械的、电子的方法产生人造语音的技术，例如，从外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出。语音合成

语音交互基于语音输入的新一代交互模式，通过说话就可以得到反馈结果，典型的应用场景是语音助手，如苹果公司推出的Siri。机器翻译又称为自动翻译，是利用计算机将一种自然语言（源语言）转换为另一种自然语言（目标语言）的过程，如有道词典等翻译软件。声纹识别把声信号转换成电信号，再用计算机进行识别，也称为说话人识别；声纹识别