第1章 初识Python机器学习-【千锋教育】Python快乐编程——机器学习从入门到实战同步教案

课程名称 第1章 初识机器学习 计划学时 4学时 内容分析 本章主要介绍机器学习简介、使用Python语言开发、NumPy函数库基础、SciPy函数库基础、Matplotlib库、集成开发环境Anaconda 教学目标 与教学要求 要求学生了解机器学习的起源与发展、掌握机器学习应用程序开发的基本步骤、掌握NumPy函数库的安装与使用、掌握SciPy函数库的安装与使用、掌握Matplotlib库的安装与使用 教学重点 使用Python语言开发、NumPy函数库基础、SciPy函数库基础、Matplotlib库、集成开发环境Anaconda 教学难点 使用Python语言开发、NumPy函数库基础、SciPy函数库基础、Matplotlib库、集成开发环境Anaconda 教学方式 课堂讲解及ppt演示 教 学 过 程 第一课时 （机器学习简介、使用Python语言开发、NumPy函数库集成） 了解Python机器学习知识 1.介绍本书，引出本课时的主题 机器学习研究的主要目标是让计算机模拟人类的学习行为以获取新的知识或技能, 并重新组织已有的知识结构, 使之不断改善自身。 简单来说, 机器学习就是计算机从数据中学习到规律和模式, 以应用在新数据上完成预测任务。 近年来, 随着互联网数据的大爆炸, 数据的丰富度和覆盖面远远超出人工可以观察和总结的范畴, 机器学习领域的发展使得计算机在处理海量数据时展现出强大的数据分析能力和巨大的发展潜能。 人工智能正引发链式反应般的科学突破, 引领新一轮科技革命和产业变革。 本书将带领读者由浅入深地学习机器学习的相关知识, 适应新的科技发展潮流打下坚实的基础。 2.明确学习目标 （1） 能够了解机器学习的起源及发展 （2） 能够掌握监督学习 （3） 能够掌握无监督学习 （4） 能够掌握半监督学习 （5） 能够掌握强化学习 （6） 能够掌握机器学习程序开发步骤 （7） 能够掌握机器学习发展现状 （8） 能够掌握机器学习的未来 （9） 能够掌握使用Python语言开发 （10） 能够掌握NumPy函数库的安装 （11） 能够掌握NumPy函数库入门 知识讲解 · 机器学习的起源及发展 人类一直生活在海量的数据之中, 通过感官系统可以收集到各种形式的数据, 然后经由大脑将这些数据转换为相应的知觉(触觉、 听觉、 视觉、 味觉、 嗅觉等)。 如今随着科技的进步, 机器也可以通过人造传感器进行数据的收集, 并对这些数据进行处理, 从中提取出更有意义的结果。 机器学习算法有助于通过不同数据源收集数据, 将复杂的数据集形式转变成更简单的结构, 并基于分析结果增益人类的各项相关行为。 那么什么是机器学习呢? 著名学者赫伯特· 西蒙(Herbert Simon) 教授曾对“学习”给出了一个定义: “如果一个系统能够通过执行某个过程, 就此改进它的性能, 那么这个过程就是学习。”从赫伯特· 西蒙教授的话中可以看出, 学习的核心目的是改善现有的系统状态。对于计算机系统而言, 通过运用数据及某种特定的方法(比如统计的方法或推理的方法) 来提升机器系统的性能, 就是机器学习。 · 监督学习 监督学习通过学习训练数据集中输入变量和输出变量之间的映射关系, 根据习得的这种映射关系来预测未知数据的输出结果。 在监督学习中训练数据集是有标签的。 其中, 标签是指某个事物所属的类别。 监督学习所发现的这种“关系”通过“模型”的结构来表达。 美国伊利诺伊大学香槟分校计算机系的韩家炜 教 授 认 为, 监 督 学 习 可 以 被 看 作 “ 分 类” 的代名词。 简单来说, 监督学习的工作就是通过有标签的数据训练, 构建一个“模型”, 然后通过构建的模型, 给新数据添加特定的标签。 · 无监督学习 无监督学习与监督学习相比, 计算机所学习的数据都是无标签的。 无监督学习任务的常见类型是“聚类”任务和“降维”任务。 “聚类”是将相似对象聚合在一簇的过程。 每一簇都由彼此之间相似并且与其他类的对象不相似的对象组成。 聚类的目标是确定一组未标记数据的内在关系, 对这些未标记的数据进行分组。 聚类通常应用于数据挖掘和信息检索等领域。 “降维”主要用于处理样本数据的特征维度过高但数据本身稀疏的情况。 在这种情况下, 机器学习任务往往面临计算困难、 计算精度大幅下降的问题。 降维对数据的数学关系进行变换, 将数据集从一个高维度空间映射到另一个低纬度的空间中, 通过提升样本的密度来解决“维度灾难”问题。 · 半监督学习 半监督学习在训练模型时同时使用了有标签数据和无标签数据, 其中小部分是有标签数据, 而大部分是无标签数据。 与监督学习相比, 半监督学习的成本较低, 但是仍能达到较高的准确度。 通过综合