《人工智能算法》課程教案教學(xué)目的、要求：1.掌握進(jìn)化算法、搜索算法、群智能算法、混合優(yōu)化算法的基本概念和原理2.熟悉模糊計(jì)算基礎(chǔ)知識(shí)3.理解算法的分析步驟、應(yīng)用場(chǎng)景和優(yōu)勢(shì)4.能夠?qū)崿F(xiàn)簡(jiǎn)單的算法并進(jìn)行實(shí)驗(yàn)驗(yàn)證教學(xué)重點(diǎn)及難點(diǎn)：重點(diǎn)：算法的原理難點(diǎn)：簡(jiǎn)單算法的實(shí)現(xiàn)和應(yīng)用教學(xué)基本內(nèi)容教學(xué)過程設(shè)計(jì)§5計(jì)算智能§5.1進(jìn)化算法進(jìn)化算法是一種模擬自然選擇和遺傳學(xué)機(jī)制的優(yōu)化算法，用于解決復(fù)雜的搜索和優(yōu)化問題，其應(yīng)用廣泛。進(jìn)化算法包括遺傳算法、遺傳規(guī)劃、進(jìn)化策略和進(jìn)行規(guī)劃等，在此只介紹遺傳算法和進(jìn)化策略。遺傳算法（GeneticAlgorithms，GA）：基本思想是基于達(dá)爾文（Darwin）的進(jìn)化論和孟德爾（Mendel）的遺傳學(xué)說(shuō)；工作對(duì)象是字符串。對(duì)于整個(gè)遺傳算法影響最大的是編碼和適應(yīng)度函數(shù)的設(shè)計(jì)。編碼是應(yīng)用遺傳算法時(shí)要解決的首要關(guān)鍵問題。編碼的方法也影響到遺傳算子的計(jì)算方法。常用的編碼方法有以下4種：（1）二進(jìn)制編碼。它是遺傳算法編碼中最常用的方法。（2）符號(hào)編碼。（3）浮點(diǎn)數(shù)編碼，也稱為真值編碼方法。適用于精度要求較高的遺傳算法，以便于在較大空間進(jìn)行遺傳搜索。（4）格雷編碼。為了體現(xiàn)個(gè)體的適應(yīng)能力，引入了對(duì)問題中的每一個(gè)個(gè)體都能進(jìn)行量度的函數(shù)，即適應(yīng)度函數(shù)。適應(yīng)度函數(shù)求取的是極大值，并且具有非負(fù)性。常見的幾種變換方法：（1）線性變換：f(Z)=aZ+b（2）冪變換：f(Z)=Za（3）指數(shù)變換：f(Z)=exp(－βZ)對(duì)于有約束條件的極值，其適應(yīng)度可用罰函數(shù)方法處理。遺傳算子就是遺傳算法中進(jìn)化的規(guī)則。基本遺傳算法的遺傳算子主要有選擇算子、交叉算子和變異算子。遺傳算法的具體步驟：①對(duì)問題進(jìn)行編碼；②定義適應(yīng)度函數(shù)后，生成初始化群體；③對(duì)于得到的群體進(jìn)行選擇復(fù)制，交叉，變異操作，生成下一代種群；④判斷算法是否滿足停止準(zhǔn)則。若不滿足，則從步驟③起重復(fù)；⑤算法結(jié)束，獲得最優(yōu)解。遺傳算法中需要選擇的參數(shù)主要有串長(zhǎng)l、群體大小n、交叉概率pc以及變異概率pm等。與其他方法相比，遺傳算法具有編碼性、多解性和全局優(yōu)化性、自適應(yīng)性、不確定性、隱含并行性、智能性的優(yōu)點(diǎn)。進(jìn)化策略（EvolutionStrategies，ES）：20世紀(jì)60年代，德國(guó)柏林大學(xué)的因戈·雷切伯格（I.Rechenberg）和施韋費(fèi)爾（H.P.Schwefel）等在進(jìn)行風(fēng)洞試驗(yàn)時(shí)，研究發(fā)展形成了進(jìn)化策略方法。進(jìn)化策略以其簡(jiǎn)單、通用、魯棒性和適應(yīng)性而聞名，是專門為求解參數(shù)優(yōu)化問題而設(shè)計(jì)的，而且在進(jìn)化策略算法中引入了自適應(yīng)機(jī)制。算法的基本流程。算法的構(gòu)成要素：染色體構(gòu)造：（X,σ）=（（x1,x2,…,xL），（σ1,σ2,…,σL））算子：①重組算子。重組是將參與重組的父代染色體上的基因進(jìn)行交換，形成下一代的染色體的過程。目前常見的有離散重組、中間重組、混雜重組等；②變異算子：③選擇算子。在進(jìn)化策略中，選擇過程是確定性的。在不同的進(jìn)行策略中，選擇機(jī)制也有所不同?！?.2模糊計(jì)算1965年，美國(guó)控制論專家拉特飛·扎德（L.A.Zadeh）把模糊性和數(shù)學(xué)統(tǒng)一起來(lái)，提出了模糊集合理論與模糊邏輯，它采用精確的方法、公式和模型來(lái)度量和處理模糊、信息不完整或不太正確的現(xiàn)象與規(guī)律。模糊集是一種邊界不分明的集合。隸屬函數(shù)的表示方法：模糊系統(tǒng)中常用的隸屬度函數(shù)有11種，例如高斯形、鐘形等隸屬度函數(shù)。模糊集運(yùn)算：交集（邏輯與）、合集（邏輯或）/邏輯非（余）、模糊集的基。設(shè)A∈F(U)，對(duì)任意λ∈[0，1]，集合稱為集合A的λ截集，λ稱為閾值或置信水平。截集的概述描述了模糊集合與普通集合之間的轉(zhuǎn)換關(guān)系。模糊度是模糊集合的度量，有以下幾種計(jì)算方式：距離模糊度。設(shè)A0.5是A的λ＝0.5截集，有熵模糊度。如果令，則熵模糊度的定義為貼近度。用距離刻畫模糊集的模糊度效果不是很理想，可以用貼近度來(lái)衡量?jī)蓚€(gè)模糊集之間的相近程度，貼近度越大，則表明這兩者越接近。聚類分析就是將相似相像的事物歸為一類。模糊聚類分析是利用模糊等價(jià)關(guān)系來(lái)實(shí)現(xiàn)的?；谀：葍r(jià)關(guān)系的聚類分析可分為三步：（1）建立模糊相似矩陣第一步是求樣本集中任意兩個(gè)樣本Xi與Xj之間的相似系數(shù)rij，進(jìn)而構(gòu)造模糊相似矩陣R=(rij)n×n。①數(shù)量積法②相關(guān)系數(shù)法還包括絕對(duì)值減數(shù)法、算術(shù)平均法等。（2）改造模糊相似關(guān)系為模糊等價(jià)關(guān)系（3）聚類對(duì)求得的模糊等價(jià)矩陣求λ－截集Rλ，再將Rλ中為1的元素對(duì)應(yīng)行和列的對(duì)象歸并為一類，由Rλ的分類由細(xì)變粗，形成一個(gè)動(dòng)態(tài)的分類圖?！?.3搜索算法搜索過程有三大要素：搜索對(duì)象、搜索的擴(kuò)展規(guī)則和搜索的目標(biāo)測(cè)試。通過搜索求解問題的基本思想：（1）將問題中的已知條件看成狀態(tài)空間中的初始狀態(tài)；將問題中要求達(dá)到的目標(biāo)看成狀態(tài)空間中的目標(biāo)狀態(tài)；將問題中其他可能發(fā)生的情況看成狀態(tài)空間中的任一狀態(tài)。（2）設(shè)法在狀態(tài)空間尋找一條路徑，由初始狀態(tài)出發(fā)，能夠沿著這條路徑達(dá)到目標(biāo)狀態(tài)。典型的搜索方法有：隨機(jī)搜索算法（例如模擬退火算法）、演化搜索算法（例如人工免疫算法）、記憶型搜索算法（例如禁忌搜索算法、和聲搜索算法）?！?.4群智能算法群智能（SwarmIntelligence，SI）的概念最早由貝尼（Beni）、哈克伍德（Hackwood）和王（Wang）等人在分子自動(dòng)機(jī)系統(tǒng)中提出，指的是“無(wú)智能的主體通過合作表現(xiàn)出宏觀智能行為的特性”。1999年，埃里克·博納博（EricBonabeau）、馬爾科·多里戈（MarcoDorigo）和蓋伊·特絡(luò)拉茲（GuyTheraulaz）在《SwarmIntelligenceFromNaturetoArtificialSystems》中對(duì)群智能進(jìn)行了詳細(xì)的論述和分析。群智能算法是一類基于群體行為原理的優(yōu)化算法，其靈感來(lái)源于自然界中的群體行為，如蟻群覓食、鳥群遷徙等。這類算法通過模擬群體中個(gè)體的行為和相互作用，尋找滿足某種優(yōu)化目標(biāo)的解。在構(gòu)建一個(gè)群智能算法中，應(yīng)滿足五條基本原則：鄰近原則、品質(zhì)原則、多樣性原則、穩(wěn)定性原則、適應(yīng)性原則。群體智能是用隨機(jī)分布在搜索優(yōu)化空間的點(diǎn)來(lái)模擬自然界中的個(gè)體，用個(gè)體的進(jìn)化過程作為隨機(jī)搜索最優(yōu)解的過程，用求解問題的目標(biāo)函數(shù)來(lái)判斷個(gè)體對(duì)于環(huán)境的適應(yīng)能力，根據(jù)適應(yīng)能力而優(yōu)勝劣汰，將整個(gè)群體逐步向最優(yōu)解靠近。與傳統(tǒng)的優(yōu)化方法相比，群體智能算法具有簡(jiǎn)單的迭代式尋優(yōu)、環(huán)境自適應(yīng)性和系統(tǒng)自調(diào)節(jié)性、有指導(dǎo)的隨機(jī)并行式全局搜索、系統(tǒng)通用性和魯棒性強(qiáng)、智能性、易于與其他算法相結(jié)合的特點(diǎn)。一些典型的群智能算法：1.蟻群算法（AntColonyOptimization，ACO）：是一種基于種群尋優(yōu)的啟發(fā)式搜索算法。該算法受到自然界中真實(shí)蟻群通過個(gè)體間的信息傳遞、搜索從蚊穴到食物間的最短距離的集體尋優(yōu)特征的啟發(fā)，來(lái)解決一些離散系統(tǒng)中優(yōu)化的困難問題。目前，該算法已被應(yīng)用于求解旅行商問題、指派問題以及調(diào)度問題等，取得了較好的結(jié)果。作為一種隨機(jī)優(yōu)化方法，螞蟻算法不需要任何先驗(yàn)知識(shí)，最初只是隨機(jī)地選擇搜索路徑，隨著對(duì)解空間的了解，搜索更加具有規(guī)律性，并逐漸得到全局最優(yōu)解。各種形式的蟻群算法中，螞蟻數(shù)量m、信息啟發(fā)式因子α、期望值啟發(fā)式因子β和信息素?fù)]發(fā)因子ρ都是影響算法性能的重要參數(shù)。粒子群算法（ParticleSwarmOptimiztion，PSO）：是一種有效的全局尋優(yōu)算法，最初由美國(guó)學(xué)者肯尼迪（Kennedy）和埃伯哈特（Eberhart）于1951年提出。它是基于群體智能理論的優(yōu)化算法，通過群體中粒子間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。由于每代種群中的解具有“自我”學(xué)習(xí)提高和向“他人”學(xué)習(xí)的雙重優(yōu)點(diǎn)，從而能在較少的迭代次數(shù)內(nèi)找到最優(yōu)解。目前該方法已廣泛應(yīng)用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域?？夏岬系韧ㄟ^觀察鳥群覓食提出了兩種粒子群算法模式即全局模式（globalversionPSO）和局部模式（localversionPSO）。3.人工魚群算法（ArtificialFishSchoolAlgorithm，AFSA）：是由李曉磊博士于2002年首次提出。通過研究魚群的行為，李曉磊總結(jié)并提取了適用于魚群算法幾種典型行為－魚的覓食行為、聚群行為和追尾行為，并用之于尋優(yōu)過程，進(jìn)而形成了魚群優(yōu)化算法。4.人工蜂群算法（ArtificialBeeColonyAlgorithm，ABC）：是由卡拉伯卡（Karaboga）于2005年提出的基于蜜蜂群體的覓食行為的一種新的啟發(fā)式仿生算法，它建立在蜜蜂群體生活習(xí)性模型基礎(chǔ)上，模擬了蜂群依各自分工不同協(xié)作采蜜、交換蜜源信息以找到最優(yōu)蜜源這一群體行為。ABC算法具有良好的優(yōu)化能力，可以用來(lái)解決數(shù)值優(yōu)化問題，在其他方面如生產(chǎn)調(diào)度、路徑規(guī)劃等方面也取得了良好的應(yīng)用效果。ABC算法將全局搜索和局部搜索的方法相結(jié)合，從而使得蜜蜂在食物源的開采和探索這兩方面取得了很好的平衡。ABC算法的尋優(yōu)過程由四個(gè)選擇過程構(gòu)成：①局部選擇過程；②全局選擇過程；③貪婪選擇過程；④隨機(jī)選擇過程?！?.5混合優(yōu)化算法如今，算法混合（組合）的思想已發(fā)展成為提高算法優(yōu)化性能的一個(gè)重要且有效的途徑，其出發(fā)點(diǎn)就是使各種單一算法相互取長(zhǎng)補(bǔ)短，產(chǎn)生更好的優(yōu)化效率。該策略的關(guān)鍵問題是問題分解與綜合的處理、子算法和領(lǐng)域函數(shù)的選擇、進(jìn)程層次上算法轉(zhuǎn)換接口的處理、優(yōu)化過程中的數(shù)據(jù)處理。目前混合算法的結(jié)構(gòu)類型主要可歸結(jié)為串行、鑲嵌、并行及混合結(jié)構(gòu)。串行結(jié)構(gòu)是一種最簡(jiǎn)單的結(jié)構(gòu)，它的混合算法就是吸收不同算法的優(yōu)點(diǎn)，用一種算法的搜索結(jié)果作為另一種算法的起點(diǎn)依次來(lái)對(duì)問題進(jìn)行優(yōu)化。設(shè)計(jì)串行結(jié)構(gòu)的混合算法需要解決的問題主要是確定各種算法的轉(zhuǎn)換時(shí)機(jī)。鑲嵌結(jié)構(gòu)表示為一種算法作為另一種算法的一個(gè)優(yōu)化操作或用操作搜索性能的評(píng)價(jià)器。設(shè)計(jì)鑲嵌結(jié)構(gòu)的混合算法需要解決的問題主要是子算法與嵌入點(diǎn)的選擇。并行結(jié)構(gòu)包括同步式并行，異步式并行和網(wǎng)絡(luò)結(jié)構(gòu)。問題分解與綜合以及進(jìn)程間的通信問題是設(shè)計(jì)并行結(jié)構(gòu)的混合算法需解決的主要問題?！?.6計(jì)算智能的matlab實(shí)戰(zhàn)算法例題講解3min引入：通過生物界自然選擇、變異和雜交等自然進(jìn)化方式實(shí)例引入。內(nèi)容設(shè)計(jì)思路：通過具體案例展示算法的應(yīng)用，進(jìn)行實(shí)驗(yàn)和分析，引導(dǎo)學(xué)生了解內(nèi)容之間的區(qū)別與聯(lián)系，并指出本節(jié)課的重點(diǎn)難點(diǎn)以及教學(xué)目的。核心是給學(xué)員講清楚算法原理強(qiáng)調(diào)：引導(dǎo)學(xué)生思考算法的應(yīng)用場(chǎng)景，觸類旁通。分析：注意過渡：動(dòng)畫演示：課堂互動(dòng)：對(duì)先修的基礎(chǔ)知識(shí)進(jìn)行提問、回顧、引導(dǎo)。舉例分析：算法具體實(shí)例分析要點(diǎn)：對(duì)算法的實(shí)現(xiàn)步驟進(jìn)行分析。讓學(xué)生進(jìn)行總結(jié)：深刻理解相應(yīng)算法讓學(xué)生針對(duì)三種典型搜索方法分組進(jìn)行匯報(bào)展示：深刻理解搜索方法45min實(shí)踐作業(yè)作業(yè)、討論題、思考題：這些算法結(jié)合你的研究領(lǐng)域有何種應(yīng)用？教學(xué)反思：《人工智能算法》課程教案教學(xué)目的、要求：1..掌握數(shù)據(jù)挖掘的概念和數(shù)據(jù)挖掘的過程2.了解數(shù)據(jù)挖掘算法，掌握前三種經(jīng)典算法3..掌握關(guān)聯(lián)分析技術(shù)和粗糙集技術(shù)，了解可視化技術(shù)的分類、聚類方法4..掌握數(shù)據(jù)挖掘的分類、預(yù)測(cè)、聚類三方面的應(yīng)用，重點(diǎn)是預(yù)測(cè)應(yīng)用5.了解數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域，并能利用matlab實(shí)現(xiàn)簡(jiǎn)單的數(shù)據(jù)挖掘教學(xué)重點(diǎn)及難點(diǎn)：重點(diǎn)：數(shù)據(jù)挖掘的過程和應(yīng)用難點(diǎn)：數(shù)據(jù)挖掘的算法和兩種分析技術(shù)教學(xué)基本內(nèi)容教學(xué)過程設(shè)計(jì)§6數(shù)據(jù)挖掘§6.1數(shù)據(jù)挖掘概述大數(shù)據(jù)在給人們帶來(lái)方便的同時(shí)也帶來(lái)了一大堆問題：信息冗余；信息真?zhèn)坞y辨，給信息的正確應(yīng)用帶來(lái)困難。。為了滿足人們數(shù)據(jù)分析工具的需求，20世紀(jì)80年代后期高級(jí)數(shù)據(jù)分析—基于數(shù)據(jù)庫(kù)的知識(shí)發(fā)現(xiàn)（KnowledgeDiscoveryinDatabase，KDD）及相應(yīng)的數(shù)據(jù)挖掘（DataMining，DM）理論和技術(shù)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘定義（分兩個(gè)層面）技術(shù)層面：探查和分析大量數(shù)據(jù)以發(fā)現(xiàn)有意義的模式和規(guī)則的過程。商業(yè)層面：一種商業(yè)信息處理技術(shù)，其主要特點(diǎn)是對(duì)大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和建模處理，從中抽取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)。數(shù)據(jù)挖掘的分類、過程與任務(wù)分類標(biāo)準(zhǔn)：1.根據(jù)數(shù)據(jù)庫(kù)類型分類2.根據(jù)數(shù)據(jù)挖掘?qū)ο蠓诸?.根據(jù)數(shù)據(jù)挖掘任務(wù)分類4.根據(jù)數(shù)據(jù)挖掘技術(shù)分類5.根據(jù)數(shù)據(jù)挖掘方法分類數(shù)據(jù)挖掘的過程：數(shù)據(jù)準(zhǔn)備→數(shù)據(jù)挖掘→結(jié)果表達(dá)和解釋數(shù)據(jù)挖掘任務(wù)：概念描述；關(guān)聯(lián)分析；時(shí)間序列分析；分類分析；聚類分析；離群點(diǎn)檢測(cè)；預(yù)測(cè)數(shù)據(jù)挖掘建模：成功運(yùn)用數(shù)據(jù)挖掘，對(duì)數(shù)據(jù)挖掘技術(shù)層次的理解至關(guān)重要，尤如何將數(shù)據(jù)變成有用信息的過程就是對(duì)這個(gè)數(shù)據(jù)挖掘過程進(jìn)行建模。一般過程：業(yè)務(wù)理解→數(shù)據(jù)理解→數(shù)據(jù)準(zhǔn)備→建?！u(píng)估→部署§6.2數(shù)據(jù)挖掘算法統(tǒng)計(jì)分析方法：假設(shè)檢驗(yàn)：假設(shè)檢驗(yàn)中有二類重要問題，第一個(gè)是根據(jù)樣本的信息判斷總體分布是否具有指定的特征；第二個(gè)是在估計(jì)某未知參數(shù)β時(shí)，除了求出它的點(diǎn)估計(jì)外，還希望在一定的置信水平上估計(jì)出一個(gè)范圍，即β的置信區(qū)間。1.隨機(jī)誤差的判斷（1）χ2檢驗(yàn)。（2）F檢驗(yàn)。2.系統(tǒng)誤差的檢驗(yàn)（1）平均值與給定值比較。（2）兩個(gè)平均值的比較。（3）成對(duì)數(shù)據(jù)的比較?；貧w分析：1.一元線性回歸分析2.多元線性回歸分析3.非線性回歸分析二項(xiàng)邏輯（logistic）回歸當(dāng)被解釋變量為0/1二值品質(zhì)型變量時(shí)，稱為二項(xiàng)邏輯回歸。二項(xiàng)邏輯回歸雖然不能直接采有用一般線性多元回歸模型擬合，但仍然可以充分利用線性回歸模型建立的理論和思路來(lái)擬合。方差分析；因子分析§6.3數(shù)據(jù)挖掘相關(guān)技術(shù)§6.3.1關(guān)聯(lián)分析主要研究數(shù)據(jù)中不同領(lǐng)域之間的關(guān)系，找出滿足給定支持度和可信度閾值的多個(gè)域之間的依賴關(guān)系。即相關(guān)性、關(guān)聯(lián)關(guān)系，因果關(guān)系。關(guān)聯(lián)規(guī)則模式屬于描述型模式，發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的算法屬于無(wú)監(jiān)督學(xué)習(xí)的方法。關(guān)聯(lián)規(guī)則的主要概念關(guān)聯(lián)規(guī)則的種類（1）基于規(guī)則中處理的變量的類型，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。（2）基于規(guī)則中數(shù)據(jù)的抽象層次，可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。（3）基于規(guī)則中到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可以分為單維的和多維的。關(guān)聯(lián)規(guī)則的價(jià)值衡量：1.系統(tǒng)客觀層面2.用戶主觀層面（1）數(shù)據(jù)挖掘。（2）指定挖掘的維和層次。（3）規(guī)則約束。Apriori關(guān)聯(lián)規(guī)則算法（了解）時(shí)序關(guān)聯(lián)規(guī)則算法多值屬性關(guān)聯(lián)規(guī)則算法§6.3.2粗糙集技術(shù)在現(xiàn)實(shí)世界中，并不能簡(jiǎn)單地用好壞、真假等確切的概念表示許多含糊現(xiàn)象，特別是在于集合的邊界上，也即存在一些個(gè)體，既不能說(shuō)它屬于某個(gè)子集，也不能說(shuō)它不屬于該子集。20世紀(jì)80年代提出了粗糙集（RoughSet）理論。粗糙集用上、下近似兩個(gè)集合來(lái)逼近任意一個(gè)集合，該集合的邊界區(qū)域被定義為上近似集和下近似集的差，邊界區(qū)域就是那些無(wú)法歸屬的個(gè)體。上、下二近似集合可以通過等價(jià)關(guān)系給出確定的描述，邊界域的元素?cái)?shù)目可以被計(jì)算出來(lái)。粗糙集理論的基本概念：1.知識(shí)表達(dá)系統(tǒng)和決策表2.等價(jià)關(guān)系3.等價(jià)劃分4.上近似集和下近似集5.粗糙集6.粗糙集的非確定性的精確度αA(Y)和粗糙度ρA(Y)分類規(guī)則的形成：（1）當(dāng)Y∩X≠，則有：des(Y)→des(X)des(Y)和des(X)分別是等價(jià)集Y和等價(jià)集X中的特征描述：①當(dāng)Y∩X＝Y(jié)，即Y全部被X包含，此時(shí)建立的規(guī)則是確定的，規(guī)則的置信水平cf為1；②當(dāng)Y∩X≠Y，即Y全部不被X包含，此時(shí)建立的規(guī)則是不確定的，規(guī)則的置信水平為（2）當(dāng)Y∩X＝，Y和X不能建立規(guī)則。知識(shí)的約簡(jiǎn)：1.決策表的一致性2.屬性約簡(jiǎn)3.分辨矩陣與分辨函數(shù)§6.3.3可視化技術(shù)可視化技術(shù)也稱數(shù)據(jù)可視化，它旨在憑借計(jì)算機(jī)的強(qiáng)大信息處理能力以及計(jì)算機(jī)圖形學(xué)基本算法及可視化算法將計(jì)算機(jī)進(jìn)行的大規(guī)模科學(xué)（工程）計(jì)算結(jié)果及其產(chǎn)生的數(shù)字?jǐn)?shù)據(jù)轉(zhuǎn)換成靜態(tài)或動(dòng)態(tài)圖像的過程，并允許人們通過交互手段控制數(shù)據(jù)的抽取和畫面顯示。多維數(shù)據(jù)可視化；基于像素的高維數(shù)據(jù)的可視化§6.4數(shù)據(jù)挖掘應(yīng)用分類：通常認(rèn)為，當(dāng)被預(yù)測(cè)的值是連續(xù)值時(shí)，稱為預(yù)測(cè)；而當(dāng)被預(yù)測(cè)的值是離散值時(shí)，稱為分類。數(shù)據(jù)分類可以分為兩個(gè)步驟。第一步是建立模型，用于描述給定的數(shù)據(jù)集合。第二步對(duì)建立的模型進(jìn)行評(píng)估后，使用模型對(duì)數(shù)據(jù)對(duì)象進(jìn)行分類?！?.4.2預(yù)測(cè)1.回歸分析2.時(shí)間序列預(yù)測(cè)模型3.馬爾可夫鏈4.灰色系統(tǒng)方法§6.4.3聚類1.聚類分析中的數(shù)據(jù)類型2.聚類的特征與聚類間的距離3.劃分方法4.層次方法5.基于密度的方法6.基于網(wǎng)格的方法7.基于模型的聚類方法8.基于目標(biāo)函數(shù)的方法9.孤立點(diǎn)分析10.聚類有效性§6.5數(shù)據(jù)挖掘應(yīng)用領(lǐng)域金融中的應(yīng)用零售業(yè)方面的應(yīng)用電信業(yè)中的應(yīng)用管理中的應(yīng)用科研中的應(yīng)用制造業(yè)中的應(yīng)用故障診斷與監(jiān)測(cè)中的應(yīng)用醫(yī)療領(lǐng)域中的應(yīng)用§6.6數(shù)據(jù)挖掘的matlab實(shí)戰(zhàn)某廠生產(chǎn)的一種電器的銷售量y與競(jìng)爭(zhēng)對(duì)手的價(jià)格x1和本廠的價(jià)格x2有關(guān)。表6.1是該商品在10個(gè)城市的銷售記錄。試根據(jù)這些數(shù)據(jù)建立y與x1和x2的關(guān)系式，并對(duì)得到的模型和系數(shù)進(jìn)行檢驗(yàn)。等多個(gè)實(shí)戰(zhàn)例子。3min引入：通過對(duì)現(xiàn)實(shí)生活遇到的信息應(yīng)用困難進(jìn)行實(shí)例引入。內(nèi)容設(shè)計(jì)思路：對(duì)課堂內(nèi)容進(jìn)行分析，引導(dǎo)學(xué)生了解內(nèi)容之間的相互聯(lián)系，并指出本節(jié)課的重點(diǎn)難點(diǎn)以及教學(xué)目的。核心是給學(xué)員講清楚技術(shù)思想10min強(qiáng)調(diào)：引導(dǎo)學(xué)生思考算法的原理，觸類旁通。分析：算法的底層邏輯和分析過程。注意過渡：動(dòng)畫演示：課堂互動(dòng)：對(duì)已有的基礎(chǔ)知識(shí)進(jìn)行提問、回顧、引導(dǎo)。20min舉例分析：分析要點(diǎn)：。對(duì)人工智能知識(shí)獲取的原則進(jìn)行分析。讓學(xué)生進(jìn)行總結(jié)：深刻理解數(shù)據(jù)挖掘算法內(nèi)容設(shè)計(jì)思路：介紹關(guān)聯(lián)分析，引導(dǎo)學(xué)生了解內(nèi)容之間的相互聯(lián)系，并指出本節(jié)課的重點(diǎn)難點(diǎn)以及教學(xué)目的。核心是給學(xué)員講關(guān)聯(lián)技術(shù)思想15min強(qiáng)調(diào)：引導(dǎo)學(xué)生思考算法的原理，觸類旁通。分析：算法的底層邏輯和分析過程。注意過渡：動(dòng)畫演示：課堂互動(dòng)：對(duì)已有的基礎(chǔ)知識(shí)進(jìn)行提問、回顧、引導(dǎo)。20min舉例分析：分析要點(diǎn)：對(duì)關(guān)聯(lián)分析和粗糙集技術(shù)進(jìn)行分析。讓學(xué)生進(jìn)行總結(jié)：深刻理解兩種分析方法的思想目的：讓學(xué)生拓展視野，結(jié)合本專業(yè)暢想新的研究領(lǐng)域和改進(jìn)方向內(nèi)容：結(jié)合matlab實(shí)戰(zhàn)，鍛煉學(xué)生數(shù)學(xué)思維的同時(shí)，讓學(xué)生對(duì)本門課程的理解更加深刻作業(yè)、討論題、思考題：將例題6.2用matlab實(shí)現(xiàn)，并作介紹教學(xué)反思：《人工智能算法》課程教案教學(xué)目的、要求：1.掌握?qǐng)D像的概念，了解圖像的變換2.掌握?qǐng)D像分析與處理3.了解圖像識(shí)別技術(shù)4.掌握?qǐng)D像處理和識(shí)別的matlab實(shí)戰(zhàn)教學(xué)重點(diǎn)及難點(diǎn)：重點(diǎn)：圖像的變換難點(diǎn)：圖像的分析與處理教學(xué)基本內(nèi)容教學(xué)過程設(shè)計(jì)§7圖像處理與識(shí)別技術(shù)§7.1圖像基本概念圖像格式是指存儲(chǔ)圖像采用的格式，不同的系統(tǒng)、不同的圖像處理軟件，所支持的圖像格式都有可能不同。在實(shí)際應(yīng)用中經(jīng)常遇到的圖像格式有bmp、gif、tiff、jpeg、pcx、psd和wmf等。圖像類型可分索引圖像、灰度圖像、二值圖像、RGB圖像和多幀圖像等5種基本類型。圖像處理過程主要涉及以下技術(shù)：數(shù)字圖像、圖像采集、圖像增強(qiáng)、圖像復(fù)原、圖像編碼與壓縮、圖像分割技術(shù)、圖像識(shí)別?！?.2圖像變換為了快速有效地對(duì)圖像進(jìn)行處理和分析，常常需要對(duì)圖像進(jìn)行轉(zhuǎn)換，將某個(gè)圖像空間的圖像以某種形式轉(zhuǎn)換到另外的空間，并利用這些空間特有的性質(zhì)進(jìn)行一定的加工，最后再轉(zhuǎn)換回圖像空間以得到需要的效果。常用的圖像變換技術(shù)有傅里葉變換、離散余弦變換、Radon變換、小波變換?！?.3圖像分析與處理圖像數(shù)字化：常見圖像是連續(xù)的，即圖像灰度的值可以是任意實(shí)數(shù)。為了能用計(jì)算機(jī)對(duì)圖像進(jìn)行加工，需要把連續(xù)的圖像進(jìn)行空間域的采樣和幅度值域的量化，即所謂的離散化。這種離散化了的圖像是數(shù)字圖像。圖像運(yùn)算：圖像的代數(shù)運(yùn)算基于圖像的標(biāo)準(zhǔn)算術(shù)運(yùn)算（如加、減、乘、除），以產(chǎn)生有增加效果的圖像。圖像代數(shù)運(yùn)算是一種比較簡(jiǎn)單和有效的增強(qiáng)處理，常用于遙感圖像的處理。圖像調(diào)整：圖像調(diào)整主要是指通過提高圖像的信噪比、修正圖像的顏色和強(qiáng)度等措施，使圖像的質(zhì)量得到改善。圖像復(fù)原：由于成像系統(tǒng)的散焦、設(shè)備與物體間的相對(duì)運(yùn)動(dòng)、隨機(jī)大氣湍流、光學(xué)系統(tǒng)的像差等各種原因，圖像的質(zhì)量有時(shí)會(huì)出現(xiàn)模糊、失真、噪聲等瑕疵，此時(shí)就需要對(duì)圖像質(zhì)量進(jìn)行復(fù)原，包括輻射校正、大氣校正、條帶噪聲消除、幾何消除等內(nèi)容。圖像復(fù)原是圖像處理中的一個(gè)重要問題。解決該問題的關(guān)鍵是對(duì)圖像的退化過程建立相應(yīng)的數(shù)學(xué)模型，然后通過求解該逆問題獲得圖像的復(fù)原模型并對(duì)原始圖像進(jìn)行合理估計(jì)。由于引起圖像退化的因素眾多，且性質(zhì)