1.4 机器学习课件-初中 信息技术 第六册 课件 青岛版(2024)

机 器 学 习 第一单元 人工智能基础 1 学习目标 1.认识机器学习，了解机器学习的分类及常见的算法，能辨析监督学习和无监督学习，能熟练地使用Mind+中的“机器学习”模块。 2.通过制作“物体识别系统”，掌握“机器学习”模块的使用方法，能编写程序实现物体识别及分类，提升使用人工智能解决生活问题的能力。 3.通过制作“物体识别系统”，体验机器学习的过程，可以提升团队合作意识及创新意识，感受机器学习的强大魅力。 2 目 录 初识机器学习 机器学习的分类 机器学习算法基础 3 初 识 机 器 学 习 探究一 4 探究一 初 识 机 器 学 习 机器学习（Machine Learning）是人工智能（AI）的一个重要分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新知识或技能，通过重新组织已有的知识结构不断改善自身性能。 大多数人工智能问题是由机器学习的方式实现的。所以说机器学习是实现人工智能（AI）的一个途径，即以机器学习的手段解决人工智能中的问题。它可以被设计用程序和算法自动学习并进行自我优化，同时，需要一定数量的训练数据集来构建过往经验“知识”。 5 探究一 机器学习是以现有的数据为学习素材，通过特定的机器学习算法，让机器学习形成模型，输入新的数据，通过与模型对比并做出预测，输出预测结果。 初 识 机 器 学 习 6 探究一 讨论：结合下图，说一说机器学习与人类学习有哪些不同？ 初 识 机 器 学 习 7 探究一 机器学习的发展历程 初 识 机 器 学 习 时间 标志性事件或人物 主要影响 1950年 图灵测试 验证了“机器会思考”的理论 8 机 器 学 习 的 分 类 探究二 9 探究二 机 器 学 习 的 分 类 机器学习的一般分类为：监督学习、无监督学习、半监督学习和强化学习。 监督学习 无监督学习 半监督学习 强化学习 监督学习是常见的机器学习。在监督学习中，通过大量的带有标记的数据进行学习。 无监督学习是一种自由的学习方式。在无监督学习中，通过大量的没有标记的数据进行学习。主要解决聚类和关联问题。 强化学习的目的是解决自动决策的问题。常用在机器人技术 上。 半监督学习使用大量的未标记数据，以及同时使用标记数据，学习其内在统计规律。大多数半监督学习算法是无监督式和监督式算法的结合。 10 试一试 探究二 机 器 学 习 的 分 类 无监督学习与监督学习主要的区别是什么？ 11 体验通用物体识别 探究二 机 器 学 习 的 分 类 12 机器学习算法基础 探究三 13 探究三 机器学习算法基础 机 器 学 习 的 三 大 要 素 14 属于监督式学习的算法有：线性回归模型，决策树，随机森林，K近邻算法，逻辑回归等算法。 属于无监督式学习的算法有：关联规则，K-means聚类算法等。 探究三 机器学习算法有监督式学习、无监督式学习、强化学习三种。 机器学习算法基础 属于这一类算法的有马尔可夫决策过程。 15 决 策 树 探究三 机器学习算法基础 决策树是一种通过对历史数据进行测算，实现对新数据进行分类和预测的算法。 根节点：包含数据集中的所有数据的集合。 内部节点：每个内部节点为一个判断条件，并且包含数据集中满足从根节点到该节点所有条件的数据的集合。根据内部结点的判断条件测试结果，内部节点对应的数据的集合别分到两个或多个子节点中。 叶子节点：叶节点为最终的类别，被包含在该叶节点的数据属于该类别。 内部节点 16 线 性 回 归 探究三 机器学习算法基础 线性回归是利用连续性变量来估计实际数值（例如房价，呼叫次数和总销售额等）。我们通过线性回归算法找出自变量和因变量间的最佳线性关系，图形上可以确定一条最佳直线。这条最佳直线就是回归线。 17 做一做 探究二 机 器 学 习 的 分 类 请你使用决策树算法区分香蕉、苹果和樱桃，完成下图中的决策树。 开关为圆形 开关为圆形 是 是 否 否 18 感谢观看 19 $$