机器学习与人工智能ppt课件.ppt

–––人工智能*中间的是GeoffreyHinton,加拿大多伦多大学的教授,被聘为“Google大脑”的负责人。右边的是YannLeCun,纽约大学教授,如今是Facebook人工智能实验室的主任。左边的是AndrewNg,吴恩达,斯坦福大学副教授,“百度大脑”的负责人与百度首席科学家。这三位都是目前业界炙手可热的大牛,互联网界大鳄争相聘请。而他们的研究方向,则全部都是机器学习的子类–深度学习。*左图时WindowsPhone上的语音助手Cortana,《光环》。右图是苹果的siri。他们背后的核心技术是什么?为什么它能够听懂人的语音?这个技术正是机器学习。机器学习是所有语音助手产品能够跟人交互的关键技术。*1、什么是机器学习经典的“等人问题”当你跟一个爱迟到的人约会,为了避免浪费过多时间,你会选择什么策略?    第一种方法是搜索知识:例如我们常用的百度。但很遗憾,没有人会把如何等人这个问题作为知识传授。第二种是经验法:回忆过往跟小Y相约的经历,看看跟他相约的次数中,迟到占了多大的比例,从而预测他这次迟到的可能性。假设我跟小Y约过5次,他迟到的次数是1次,那么他按时到的比例为80%,我心中的阈值为70%,我认为这次小Y应该不会迟到,因此我按时出门。如果小Y在5次迟到的次数中占了4次,也就是他按时到达的比例为20%,由于这个值低于我的阈值,因此我选择推迟出门的时间。依据数据所做的判断跟机器学习的思想根本上是一致的。*一般的机器学习模型至少考虑两个量:一个是因变量,也就是我们希望预测的结果,在这个例子里就是小Y迟到与否的判断。另一个是自变量,也就是用来预测小Y是否迟到的量。假设我把时间作为自变量,譬如我发现小Y所有迟到的日子基本都是星期五,而在非星期五情况下他基本不迟到。于是我可以建立一个模型,来模拟小Y迟到与否跟日子是否是星期五的概率。这样的图就是一个最简单的机器学习模型,称之为决策树。再增加一些自变量:小Y的开车技术、当天路况、天气。在这样的情况下,决策树就无法很好地支撑了,因为决策树只能预测离散值。就需要更换模型,例如机器学习中的线型回归来预测。就是机器学习的过程:把所有的自变量和因变量输入,计算机自动生成模型,再根据当前的情况,给出我是否需要迟出门,需要迟几分钟的决策。机器学习方法是计算机利用已有的数据(经验),得出了某种模型(迟到的规律),并利用此模型预测未来(是否迟到)的一种方法。*2、机器学习的定义从广义上来说,机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。从实践的意义上来说,机器学习是一种利用数据,训练模型,使用模型预测的一种方法。房价模型:房价=面积*a+b*3、机器学习的范围机器学习和模式识别,统计学习,数据挖掘,计算机视觉,语音识别,自然语言处理的关系。 从范围上来说,机器学习跟模式识别,统计学习,数据挖掘是类似的;机器学习与其他领域的处理技术的结合,形成了计算机视觉、语音识别、自然语言处理等交叉学科。一般说数据挖掘时,等同于说机器学习。*模式识别 范围:模式识别=机器学习。区别:“模式识别源自工业界,而机器学习来自于计算机学科。 模式识别是70年代和80年代非常流行的一个术语。它强调的是如何让一个计算机程序去做一些看起来很“智能”的事情,例如识别“3”这个数字,如何区分“3”和“B”或者“3”和“8”。*数据挖掘 数据挖掘=机器学习+数据库。数据挖掘仅仅是一种思考方式,告诉我们应该尝试从数据中挖掘出知识,但不是每个数据都能挖掘出金子的,也可能挖出石头。所以说一个系统绝对不会因为装了一个数据挖掘模块就变得无所不能,恰恰相反,一个拥有数据挖掘思维的人员才是关键。大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。统计学习统计学习近似等于机器学习。机器学习中大多数方法来自统计学。例如著名的支持向量机算法,就是源自统计学科。区别:统计学习者重点关注的是统计模型的发展与优化,偏数学;而机器学习者更关注的是能够解决问题,偏实践。*计算机视觉 计算机视觉=图像处理+机器学习。图像处理技术用于将图像处理为适合进入机器学习模型中的输入,机器学习则负责从图像中识别出相关的模式。应用:百度识图、手写字符识别、车牌识别。这个领域是应用前景非常火热的,同时也是研究的热门方向。语音识别语音识别=语音处理+机器学习。语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用,一般会结合自然语言处理的相关技术,如siri。自然语言处理自然语言处理=文本处理+机器学习。自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术中,