第9课 人工智能中的机器学习-八年级信息科技下册同步精品课堂（浙教版2023）

人工智能中的机器学习 1 目录 PART One 机器学习的概念 PART Two 机器学习的基本原理 PART Three 有监督学习与无监督学习 PART Four 机器学习的应用 PART Five 机器学习的挑战与机遇 PART ONE 机器学习的概念 基本原理 机器学习是人工智能的一个子领域，主要研究计算机程序如何从数据中学习并自动改进其性能。 机器学习的基本原理包括：数据驱动、模式识别、自动优化和泛化能力。 数据驱动是指机器学习算法使用大量数据进行训练，从中学习并提取有用的信息。 模式识别是指机器学习算法能够识别数据中的模式和规律，从而进行预测和分类。 自动优化是指机器学习算法能够自动调整其参数和结构，以适应不同的数据分布和任务需求。 泛化能力是指机器学习算法能够从训练数据中学习到一般性的规律和模式，从而对新的数据进行准确的预测和分类。 主要类型 监督学习：使用标记的数据集进行训练，如分类和回归问题 无监督学习：使用未标记的数据集进行训练，如聚类和降维问题 强化学习：通过与环境交互，学习如何做出最优决策，如游戏和机器人控制 半监督学习：结合监督学习和无监督学习的方法，使用部分标记的数据集进行训练，以提高模型的泛化能力。 应用领域 图像识别 推荐系统 金融风控 工业自动化 教育个性化推荐 语音识别 自然语言处理 自动驾驶 医疗诊断 农业智能管理 PART TWO 机器学习的基本原理 机器学习 机器学习可以使计算机模拟或者实现人类的学习行为，以获取新的知识或技能。从人工智能诞生之初，人们就希望计算机能够像人一样，可以从获取的信息和过往的经验中学习，能实现自我学习与提高能力，从而解决实际问题。 在传统计算机编程中，一般是通过程序明确告诉计算机每一步应该做什么。在机器学习中，没有给计算机明确详细的指令，仅给了数据和算法模型，让机器研究问题、解决问题，从而让机器能够适应新问题、不断进化和持续学习。 机器学习是一种基于机器学习模型的计算机程序，通过对大量的数据和经验进行学习，以获得、改善或逼近问题求解模型;随着训练量的增加，能够在遇到错误时进行自我校正，从中获取规律,最后找到解决某类问题的一个最合适的模型。举例来说，在识别一张图片内容是否为猫的机器学习系统中，首先需要输入大量的猫图片,经过对猫特征进行学习后，具有识别图片内容是否为猫的能力，就说明该机器已经学成了一个判断图片内容是否为猫的模型。 基于实例的学习算法 基本思想：从训练数据中学习实例，然后对新的实例进行分类 代表性算法：k-近邻算法（k-NN） 优点：简单、易于实现、对噪声和异常值不敏感 缺点：计算复杂度高、存储空间大、对特征选择敏感 基于规则的学习算法 决策树：基于特征的分类器，通过构建决策树进行分类 规则集：基于规则的分类器，通过构建规则集进行分类 贝叶斯网络：基于概率的图模型，通过构建贝叶斯网络进行分类 基于案例的推理：基于案例的推理方法，通过案例进行分类 PART THREE 有监督学习与无监督学习 监督学习 概念：使用已知标签的数据集进行训练，预测新数据的标签 01 02 特点：需要大量的标注数据 03 应用：图像分类、语音识别、自然语言处理等领域 04 常见算法：支持向量机（SVM）、逻辑回归（Logistic Regression）、决策树（Decision Tree）等 无监督学习 04 03 概念：无监督学习是一种机器学习方法，它不需要预先标记的训练数据，而是通过发现数据中的结构和模式来学习。 01 应用：无监督学习常用于数据挖掘、聚类分析、降维等任务。 02 优点：无监督学习可以挖掘数据中的隐藏结构和模式，有助于发现新的知识和信息。 缺点：无监督学习需要大量的数据和计算资源，并且容易受到噪声和异常值的影响。 有监督学习 有监督学习要拿一组已经知道类别的数据，即带标签的数据进行学习，之后再利用学习得到的知识去对新的数据进行判断。举例来说，在识别是否为猫的系统中，训练模型时，需要将每个图片打上标签，表示当前图片是猫或者非猫。如图9-1所示就是一个识别是否为猫的模型。 无监督学习 无监督学习，指计算机通过学习无标签数据，即机器并不知道学习数据的类别，从中提取能够将数据进行分类的特征，并根据特征的不同，将数据分割为不同的类的过程。如图9-2所示的6个样本，机器经过学习后发现可以用于区别的特征有颜色和外形，根据这两个特征的不同，可以将6个样本分为3类，1,5为类红富士)，2，6为一类（青苹果)，3，4为一类(蛇果)。 PART FOUR 机器学习的应用 语音识别 语音识别技术：将语音信号转化为文本或命令的技术 应用场景：语音助手、语音输入、语音翻译等 技术原理：通过深度学习算法，训练模型识别语音特征 发展趋势：不断提高识别准确率和适应性，降低错误率 图像