高中人工智能课程 机器学习入门级算法 课件
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 使用之前学习的神经网络提取人脸特 征
• 人脸识别旨在辨别人脸的身份，神经网 络为了胜任这一任务，在训练过程中 已经学会总结了最适合辨别人脸的特 征，这 些特征非常适合我们用于作人脸 聚类。
• 一般选用倒数第二层网络的输出作 为特征
三
人脸聚类 人脸聚类：使用K均值聚类算法处理获 得的人脸特征
经过K均值聚类，人脸根据特征的不同 ，被分为若干类。选取其中某一类，使用计算机 自动排版的技术，就 可以得到右图所示的精 美的相册页了。
典型的监督学习任务：分类与回归 二典型的无监督任务：聚类
1）回归算法演示：
样本数据： 特征 标签
（（x1），（y1）） （（x2），（y2）） （（x3），（y3）） （（x4），（y4）） 。。。。。。 。。。。。。
y为连续值
二
2）分类算法演示
样本数据：
特征
标签
（（x11，x12），（y1））
人脸聚类
三
入门算法总结：
1 、线性回归 2 、感知机 3 、Kmeans 4 、KNN
谢谢倾听 欢迎指导交流
高中人工智能课程 机器学习入门级算法
目录
一、机器学习入门级算法
二、图形化编程实现算法
又是一年蝉鸣时
三、人工智能创意编程竞赛
机器学习算法
1、人工智能、机器学习与深度学习
人工智能（ArtificialIntelligence），它是研究、 开发用于模拟、延伸和扩展人的 智能的理论、方法、技术及应用系统的一 门新的技术科学。 机器学习（MachineLearning）使用算 法来解析数据、从中学习，它然后对真实世 界中的事件做出决策和预测。它使用大量 的数据来“训练”，它通过各种算法从数据中 学习如何完成任务。 深度学习（DeepLearning），它作为机器 学习的分支，它它试图使用包含复杂结构或 者由多重非线性变换构成的多个处理层对 数据进行高层抽象的算法。
二
Kmeans与 KNN算法演示
2）KNN算法
KNN ：一种分类算法， 它它不具有显式的学习过 程。对应的输入是特征空 间的点，它输出为实例的 类别。
算法思路：如果一个样本 在特征空间中的 k 个邻近 的样本中的大多数属于于 某一个类别，它则该样本 划分为这个类别。 KNN 算法中，它所选择的邻居 都是已经正确分类的对象。 该方法在定类决策上只依 据最邻近的一个或者几个 样本的类别来决定待分样 本所属的类别。
三
Kmeans问题分解： 1）画样本散点图 2）随机分布三个（K=3）锚点 3 ）计算样一个本点与每个锚点的距离 4 ）确定最短距离，分配类别 5 ）每个样本点重复3）、4） 6 ）更新散点图，它用颜色表示分类 7 ）计算分类点坐标“质心”，更新锚点
KNN问题分解： 1 ）随机生成一个待分类测试点 2 ）计算该点与每个样本散点的距离 3）记录测试点与样本点间距离最小 的7个（K=7）点的标记 4 ）确定这7个点的所属类别 5 ）划线直观显示分类结果
图形化编程实现算法课例
（一）聚类实例
实例来源
三
• 人工智能初中版
• 人工智能高中版
问题导入
三
如何实现肖像照片的分类？
问题抽象
三
基本思路
a、b两点间距离公式：
曼哈顿距离
欧几里得距离
三
明可夫斯基距离
基本步骤
随机设置三个（ K=3 ）初始 锚点，它计算各样本点与锚 点的距离，它确定最短距离， 它分配类别。
2、监督学习与无监督学习
1、有监督学习（supervisedlearning)和无监督学习（unsupervised learning)都是机器学 习的常用方法。简单归纳，它是否有监督（supervised），它就看输入数据是否有 标签（label）。输入数据有标签，它则为有监督学习；没标签则为无监督学习。 2、监督学习与无监督学习 有监督机器学习又被称为“有老师的学习”，它先通过已知的训练样本（如 已知输入和对应的输出）来训练，它从而得到一个最优模型，它再将这个模 型应用在新的数据上，它映射为输出结果。而无监督机器学习被称为“没有 老师的学习”，它相比于有监督，它没有训练的过程，它而是直接拿数据进行 建模分析，它通过机器学习自行学习探索。
（（x21，x22），（y2））
（（x31，x32），（y3））
（（x41，x42），（y4））
。y为离散值，它表示类别
。。。。。。
。。。。。
二
监督学习
二
3、Kmeans与KNN算法1 ）Kmeans算法
Kmeans：：一种聚类算 法，它目标是发现数据 中的特殊结构。 算 法 思 路 ：把n个 对 象 根 据 属 性 分 为 k个 聚 类 以便使所获得的聚类 满足：同 一 聚 类 中 的 对 象相似度较高； 不同聚类中的对象相 似度较小。
三
基本步骤
遍历一次后，它更新锚点坐标（以黄色锚点横坐标为例）
xN为初步分类黄色类别样本点个数，它xi 为坐标
三
重复上述步骤，它直到锚点位置不再变化。
小结
K均值算法（K-Means）
一种聚类算法，它发现并利用数据中的特殊结构 实现聚类。聚类结果满足：同一聚类中的对象相 似度较高；不同聚类中的对象相似度较小。
坐标
8 ）重复3）、4）、5）、6）、7）
9 ）以锚点坐标不再更新作为聚类结束
三 标志
编程实现
kittenblock图形化编程软件
三
问Байду номын сангаас延伸
相册聚类的流程
三
特征提取：广义上就是一种变换。原始特征的数据量可能很大
或者样本处于高维空间，通过映射（或变换）的方法将样本用
低维空间表示。
特征提取
特征提取：用一个向量表示人脸的特征
三
基本步骤
三
计算待判断数据点与每个样本点间的距离；
取前K个最小值；
利用少数服从多数原则，它将多数作为分类依据
小结 K最近邻算法（KNN）
一种分类算法，它不需要训练模型的算法，或者说训练集本身就是模型，它 但前提是训练数据集为已经标记好的数据集 。 算法思路：在特征空间中 K个邻近的样本中，大多数属于某一类别，它则该 样本被划分为这个类别。
• 人脸识别旨在辨别人脸的身份，神经网 络为了胜任这一任务，在训练过程中 已经学会总结了最适合辨别人脸的特 征，这 些特征非常适合我们用于作人脸 聚类。
• 一般选用倒数第二层网络的输出作 为特征
三
人脸聚类 人脸聚类：使用K均值聚类算法处理获 得的人脸特征
经过K均值聚类，人脸根据特征的不同 ，被分为若干类。选取其中某一类，使用计算机 自动排版的技术，就 可以得到右图所示的精 美的相册页了。
典型的监督学习任务：分类与回归 二典型的无监督任务：聚类
1）回归算法演示：
样本数据： 特征 标签
（（x1），（y1）） （（x2），（y2）） （（x3），（y3）） （（x4），（y4）） 。。。。。。 。。。。。。
y为连续值
二
2）分类算法演示
样本数据：
特征
标签
（（x11，x12），（y1））
人脸聚类
三
入门算法总结：
1 、线性回归 2 、感知机 3 、Kmeans 4 、KNN
谢谢倾听 欢迎指导交流
高中人工智能课程 机器学习入门级算法
目录
一、机器学习入门级算法
二、图形化编程实现算法
又是一年蝉鸣时
三、人工智能创意编程竞赛
机器学习算法
1、人工智能、机器学习与深度学习
人工智能（ArtificialIntelligence），它是研究、 开发用于模拟、延伸和扩展人的 智能的理论、方法、技术及应用系统的一 门新的技术科学。 机器学习（MachineLearning）使用算 法来解析数据、从中学习，它然后对真实世 界中的事件做出决策和预测。它使用大量 的数据来“训练”，它通过各种算法从数据中 学习如何完成任务。 深度学习（DeepLearning），它作为机器 学习的分支，它它试图使用包含复杂结构或 者由多重非线性变换构成的多个处理层对 数据进行高层抽象的算法。
二
Kmeans与 KNN算法演示
2）KNN算法
KNN ：一种分类算法， 它它不具有显式的学习过 程。对应的输入是特征空 间的点，它输出为实例的 类别。
算法思路：如果一个样本 在特征空间中的 k 个邻近 的样本中的大多数属于于 某一个类别，它则该样本 划分为这个类别。 KNN 算法中，它所选择的邻居 都是已经正确分类的对象。 该方法在定类决策上只依 据最邻近的一个或者几个 样本的类别来决定待分样 本所属的类别。
三
Kmeans问题分解： 1）画样本散点图 2）随机分布三个（K=3）锚点 3 ）计算样一个本点与每个锚点的距离 4 ）确定最短距离，分配类别 5 ）每个样本点重复3）、4） 6 ）更新散点图，它用颜色表示分类 7 ）计算分类点坐标“质心”，更新锚点
KNN问题分解： 1 ）随机生成一个待分类测试点 2 ）计算该点与每个样本散点的距离 3）记录测试点与样本点间距离最小 的7个（K=7）点的标记 4 ）确定这7个点的所属类别 5 ）划线直观显示分类结果
图形化编程实现算法课例
（一）聚类实例
实例来源
三
• 人工智能初中版
• 人工智能高中版
问题导入
三
如何实现肖像照片的分类？
问题抽象
三
基本思路
a、b两点间距离公式：
曼哈顿距离
欧几里得距离
三
明可夫斯基距离
基本步骤
随机设置三个（ K=3 ）初始 锚点，它计算各样本点与锚 点的距离，它确定最短距离， 它分配类别。
2、监督学习与无监督学习
1、有监督学习（supervisedlearning)和无监督学习（unsupervised learning)都是机器学 习的常用方法。简单归纳，它是否有监督（supervised），它就看输入数据是否有 标签（label）。输入数据有标签，它则为有监督学习；没标签则为无监督学习。 2、监督学习与无监督学习 有监督机器学习又被称为“有老师的学习”，它先通过已知的训练样本（如 已知输入和对应的输出）来训练，它从而得到一个最优模型，它再将这个模 型应用在新的数据上，它映射为输出结果。而无监督机器学习被称为“没有 老师的学习”，它相比于有监督，它没有训练的过程，它而是直接拿数据进行 建模分析，它通过机器学习自行学习探索。
（（x21，x22），（y2））
（（x31，x32），（y3））
（（x41，x42），（y4））
。y为离散值，它表示类别
。。。。。。
。。。。。
二
监督学习
二
3、Kmeans与KNN算法1 ）Kmeans算法
Kmeans：：一种聚类算 法，它目标是发现数据 中的特殊结构。 算 法 思 路 ：把n个 对 象 根 据 属 性 分 为 k个 聚 类 以便使所获得的聚类 满足：同 一 聚 类 中 的 对 象相似度较高； 不同聚类中的对象相 似度较小。
三
基本步骤
遍历一次后，它更新锚点坐标（以黄色锚点横坐标为例）
xN为初步分类黄色类别样本点个数，它xi 为坐标
三
重复上述步骤，它直到锚点位置不再变化。
小结
K均值算法（K-Means）
一种聚类算法，它发现并利用数据中的特殊结构 实现聚类。聚类结果满足：同一聚类中的对象相 似度较高；不同聚类中的对象相似度较小。
坐标
8 ）重复3）、4）、5）、6）、7）
9 ）以锚点坐标不再更新作为聚类结束
三 标志
编程实现
kittenblock图形化编程软件
三
问Байду номын сангаас延伸
相册聚类的流程
三
特征提取：广义上就是一种变换。原始特征的数据量可能很大
或者样本处于高维空间，通过映射（或变换）的方法将样本用
低维空间表示。
特征提取
特征提取：用一个向量表示人脸的特征
三
基本步骤
三
计算待判断数据点与每个样本点间的距离；
取前K个最小值；
利用少数服从多数原则，它将多数作为分类依据
小结 K最近邻算法（KNN）
一种分类算法，它不需要训练模型的算法，或者说训练集本身就是模型，它 但前提是训练数据集为已经标记好的数据集 。 算法思路：在特征空间中 K个邻近的样本中，大多数属于某一类别，它则该 样本被划分为这个类别。