人工智能通識：新技術與創(chuàng)新實踐回歸、分類與聚類算法簡介PART01監(jiān)督學習與非監(jiān)督學習PART02目錄CONTENTS回歸、分類與聚類算法簡介01回歸、分類與聚類算法簡介01

1.線性回歸:最簡單的起點線性回歸是最簡單也最常用的預測方法,就像我們在數(shù)學課上學過的畫直線一樣。生活中的例子:

?根據學習時間預測考試成績。

?根據房屋面積預測房價。

?根據氣溫預測用電量。工作原理:想象你要預測房價。你發(fā)現(xiàn)房子越大,價格越高,這就是一種線性關系。線性回歸就是在數(shù)據點中畫一條最合適的直線,然后用這條直線來預測新房子的價格,如圖3-2所示。一、回歸算法:預測連續(xù)值01回歸、分類與聚類算法簡介圖3-2線性回歸示意圖回歸、分類與聚類算法簡介01就像圖中顯示的,我們通過已知的房屋面積和價格數(shù)據點,畫出一條最佳擬合直線,然后就能預測任何面積房屋的大概價格。2.其他回歸方法簡介?多項式回歸:當關系不是直線而是曲線時使用,比如溫度和冰淇淋銷量的關系。?決策樹回歸:像玩“20個問題”游戲一樣,通過一系列判斷來預測結果。二、分類算法:預測類別分類算法像一個“分揀員”,把東西分到不同的類別里,比如郵件是垃圾郵件還是正常郵件。01回歸、分類與聚類算法簡介

1.決策樹分類:像醫(yī)生一樣思考決策樹就像醫(yī)生診斷疾病的過程,通過問一系列問題來得出結論。模型結構可以直觀地顯示為一棵樹。生活例子:決定是否去游泳

?第一個問題:今天天氣好嗎?如果天氣不好→不去游泳如果天氣好→繼續(xù)問下一個問題

?第二個問題:水溫合適嗎?如果水溫太冷→不去游泳如果水溫合適→去游泳如圖3-3所示通過決策樹的可視化呈現(xiàn),展示其如何通過一系列問題將數(shù)據分成不同類別的樹狀結構過程。01回歸、分類與聚類算法簡介圖3-3決策樹分類示意圖例如,預測信用風險時,決策樹可首先檢查收入,然后是工作年限,最后是歷史信用記錄,最終給出“高風險”“中風險”或“低風險”的判斷。01回歸、分類與聚類算法簡介

2.其他分類方法

?K近鄰算法:根據“物以類聚”的原理,看看周圍鄰居是什么類別來判斷。

?樸素貝葉斯:像偵探一樣,根據各種線索的概率來推斷結果。

?邏輯回歸:雖然名字叫回歸,但實際是計算屬于某類別的概率。實際應用:

?郵箱自動識別垃圾郵件。

?銀行判斷信用卡交易是否異常。

?醫(yī)院根據癥狀初步診斷疾病類型。01回歸、分類與聚類算法簡介三、聚類算法:發(fā)現(xiàn)隱藏的群體聚類算法像一個“群體發(fā)現(xiàn)者”,在沒有標準答案的情況下,自動發(fā)現(xiàn)數(shù)據中的自然分組。

1.K-均值聚類:找到數(shù)據的“小圈子”

K-均值聚類就像在學校里觀察學生自然形成的朋友圈,算法會自動找到相似特征的數(shù)據聚集在一起。工作步驟(用交友舉例):

?先猜測會有幾個朋友圈(比如3個)

?隨機選擇3個“圈子中心”

?每個學生加入離自己最近的圈子

?重新計算每個圈子的中心位置

?重復3~4步,直到圈子穩(wěn)定不變

K-均值簡單高效,易于實現(xiàn),但需要預先指定K值,且受初始中心點的選擇影響。下圖展示聚類算法如何將相似數(shù)據點分組,形成不同的簇。01回歸、分類與聚類算法簡介圖3-4K-均值聚類示意圖01回歸、分類與聚類算法簡介

2.聚類的實際應用

?市場營銷:根據購買行為將顧客分成不同群體,制定針對性營銷策略

?社交網絡:發(fā)現(xiàn)有共同興趣的用戶群體

?城市規(guī)劃:根據居民特征劃分社區(qū)類型01回歸、分類與聚類算法簡介四、如何選擇合適的算法選擇算法就像選擇工具,不同的問題需要不同的工具及方法,如圖3-5所示。選擇合適的機器學習算法需要考慮多個因素,下圖展示了機器學習算法選擇流程圖,幫助同學們理解如何根據問題類型選擇合適的機器學習算法。01回歸、分類與聚類算法簡介01你想要什么樣的答案?02你的數(shù)據是什么樣的?03實際考慮因素:04生活中的算法選擇例子:監(jiān)督學習與非監(jiān)督學習02監(jiān)督學習與非監(jiān)督學習02項目前景一、監(jiān)督學習:有標簽的學習什么是監(jiān)督學習?01監(jiān)督學習的學習過程02模型訓練與評估03過度擬合問題04監(jiān)督學習的應用0502二、非監(jiān)督學習:發(fā)現(xiàn)數(shù)據中的秘密04非監(jiān)督學習的應用03評估難題01什么是非監(jiān)督學習?02非監(jiān)督學習的主要任務監(jiān)督學習與非監(jiān)督學習02監(jiān)督學習與非監(jiān)督學習三、監(jiān)督學習與非監(jiān)督學習的比較通過上述對于監(jiān)督學習以及非監(jiān)督學習概念的了解,我們將兩種學習的特點進行比較,見表3-1。02監(jiān)督學習與非監(jiān)督學習如圖3-6所示,直觀對比了兩種主要學習范式的區(qū)別,展示了有標簽數(shù)據與無標簽數(shù)據的處理方式。圖3-6監(jiān)督學習與非監(jiān)督學習比較02監(jiān)督學習與非監(jiān)督學習四、其他學習類型簡介除了監(jiān)督學習和非監(jiān)督學習,還有其他值得了解的學習類型:半監(jiān)督學習:結合少量有標簽數(shù)據和大量無標簽數(shù)據。這種方法在標注數(shù)據昂貴或困難的情況下特別有用,如醫(yī)學圖像分析。強化學習:通過嘗試和錯誤來學習最佳行動策略。計算機(或“智能體”)在環(huán)境中執(zhí)行動作,根據獲得的獎勵或懲罰調整策略。應用于游戲、機器人控制等領域。本章介紹了機器學習的基本概念和主要方法。我們學習了監(jiān)督學習和非監(jiān)督學習的區(qū)別,以及回歸、分類和聚類三類基本算法。機器學習通過從數(shù)據中學習模式和規(guī)律,使計算機能夠執(zhí)行復雜任務而無須明確編程。02監(jiān)督學習與非監(jiān)督學習隨著數(shù)據量的增長和計算能力的提升,機器學習正在各行各業(yè)發(fā)揮越來越重要的作用,從智能手機應用到醫(yī)療診斷,從金融分析到自動駕駛。理解機器學習的基本原理,不僅有助于了解現(xiàn)代人工智能系統(tǒng)的工作機制,也為進一步學習和應用這一激動人心的技術奠定了基礎。感謝欣賞THANKSYOU人工智能通識：新技術與創(chuàng)新實踐神經網絡基本原理與結構PART01圖像識別的發(fā)展與思考PART02目錄CONTENTS神經網絡基本原理與結構01神經網絡基本原理與結構01一、從生物神經元到人工神經網絡1.人工神經元模型2.激活函數(shù)的作用01神經網絡基本原理與結構二、神經網絡的層次結構

1.多層神經網絡的結構與功能神經網絡通常由多層神經元組成,形成層級結構。最簡單的神經網絡包含三種類型的層:輸入層:負責接收原始數(shù)據,如圖像的像素值、文本的單詞、聲音的波形等。這一層就像人類的感官,接收外界信息。隱藏層:位于輸入層和輸出層之間,負責提取和轉換特征。隱藏層越多,網絡越“深”,能夠學習的特征也越復雜。這些層就像人類大腦中處理和理解信息的區(qū)域。01神經網絡基本原理與結構輸出層:產生最終的預測結果,如圖像中的物體類別、文本的情感傾向、語音的文字轉錄等。這一層就像人類做出最終決策的過程。如圖4-2所示使用簡單的圖示展示輸入層、隱藏層和輸出層。想一想拼圖游戲:輸入層接收拼圖碎片,隱藏層嘗試不同的組合方式,輸出層呈現(xiàn)完整的拼圖圖像。神經網絡也是逐層構建對數(shù)據的理解,從簡單到復雜。01神經網絡基本原理與結構

2.深度神經網絡的特點深度神經網絡包含多個隱藏層,能夠學習更復雜的模式。為什么深度如此重要?想象學習畫畫的過程:初學者先學習基本線條和形狀(淺層特征),然后學習如何組合這些元素形成物體輪廓(中層特征),最后掌握光影、紋理和整體構圖(高層特征)。深度網絡也是如此,通過多層次的學習,逐步掌握數(shù)據中的各級特征。比如在識別貓的圖像時,淺層可能識別邊緣和簡單紋理,中間層識別眼睛、耳朵等部位,深層則綜合判斷“這是一只貓”。這種層次化的學習方式是深度學習強大的關鍵。01神經網絡基本原理與結構圖4-2多層神經網絡結構01神經網絡基本原理與結構三、神經網絡的學習過程01神經網絡如何“學習”02梯度下降:尋找最優(yōu)解的旅程03訓練中的常見挑戰(zhàn)01神經網絡基本原理與結構四、常見神經網絡架構隨著研究的深入,科學家們設計了多種專用的神經網絡架構來解決特定類型的問題:卷積神經網絡(CNN)適合處理圖像數(shù)據,它模仿人類視覺系統(tǒng)的工作方式,通過滑動的“視野窗口”(卷積核)掃描圖像,提取局部特征并逐步組合。CNN廣泛應用于人臉識別、物體檢測和醫(yī)學圖像分析等領域。循環(huán)神經網絡(RNN)擅長處理序列數(shù)據,如文本、語音和時間序列。它具有“記憶”功能,能夠記住之前的信息并影響后續(xù)判斷,就像你閱讀文章時會根據前文理解當前句子一樣。RNN及其變體(如LSTM、GRU)廣泛應用于語音識別、機器翻譯和文本生成等任務。01神經網絡基本原理與結構生成對抗網絡(GAN)包含兩個相互競爭的網絡:生成器(嘗試創(chuàng)造逼真的數(shù)據)和判別器(嘗試區(qū)分真實數(shù)據和生成數(shù)據)。通過這種“對抗”過程,生成器能夠創(chuàng)造出越來越逼真的內容,如人臉圖像、藝術作品等。變換器(Transformer)是近年來自然語言處理的革命性架構,它通過“注意力機制”同時處理序列中的所有元素,克服了RNN的長序列處理困難。ChatGPT等大語言模型正是基于Transformer架構構建的。圖像識別的發(fā)展與思考02圖像識別的發(fā)展與思考02項目前景一、圖像識別圖像識別的基本原理01圖像識別的發(fā)展歷程0202二、日常生活中的圖像識別應用圖像識別的發(fā)展與思考1智能手機中的人臉識別2醫(yī)學圖像輔助診斷3自動駕駛的“眼睛”02三、未來發(fā)展與思考

1.圖像生成與創(chuàng)意應用近年來,深度學習不僅能“看懂”圖像,還能“創(chuàng)造”圖像?；跀U散模型的文本到圖像生成技術(如DALL-E、StableDiffusion)允許用戶通過文字描述生成各種逼真的圖像,從風景到人物,從寫實到抽象,展現(xiàn)了驚人的創(chuàng)造力。這些技術正在改變設計、藝術創(chuàng)作和媒體制作的方式。設計師可以快速生成概念草圖;電影制作人可以創(chuàng)建概念藝術和場景可視化;普通用戶也能將自己的創(chuàng)意想法轉化為視覺作品。圖像識別的發(fā)展與思考02圖像識別的發(fā)展與思考

2.媒體鑒別能力與信息素養(yǎng)隨著AI生成內容越來越逼真,區(qū)分真實與人工生成的內容變得日益困難。這帶來了新的挑戰(zhàn):如何防止虛假信息傳播?如何保護知識產權?如何培養(yǎng)公眾的媒體鑒別能力?作為數(shù)字時代的公民,我們需要培養(yǎng)批判性思維和媒體素養(yǎng),學會辨別真實與虛構內容。同時,技術和政策層面也需要發(fā)展相應的工具和規(guī)范,如數(shù)字水印、內容驗證和道德準則,確保