当前课程知识点：Introduction to Artificial Intelligence > Chapter 2 Machine Learning > 2.2 Supervised Learning > Video 2.2
返回《Introduction to Artificial Intelligence》慕课在线视频课程列表
返回《Introduction to Artificial Intelligence》慕课在线视频列表
大家好
在上一节课
我们介绍了机器学习
包括三个类型
监督学习
无监督学习
以及加强学习
在这一章，我们要学习
什么是监督学习
监督学习一种制造一种算法去学习
以将输入映射到
特定输出的过程
这可以通过使用我们收集的
带标签的数据集来实现
如果映射正确
则说明该算法已成功学习
否则，您需要对算法进行
必要的更改
以便可以正确学习
监督学习算法
可以帮助预测
将来会获得的新的
看不见的数据
这类似于师生学习的场景
有一位老师
指导学生学习
书籍和其他材料
然后对该学生进行测试
如果正确
则该学生通过
否则，老师会调整学生的学习状态
使学生从过去的错误中学习到经验
这是监督学习的基本原则
让我们看看监督学习的工作原理
例如
您想培训一台机器以帮助您预测
从工作场所开车回家
要花费多长时间
在这里，您首先创建一组标记数据
该数据包括天气状况
一天中的时间
假期情况和所选的路线
所有这些细节都是输入
输出是在该特定时间
开车回家
所需的
时间
我们本能地知道
如果外面下雨
那么开车回家将需要更长的时间
但是机器需要数据和统计信息
现在让我们看看如何开发
此示例的
监督学习模型
以帮助用户确定
通勤时间
我们需要做的第一件事是创建训练集
该训练集将包含总通勤时间和相应的因素
例如天气
时间等
根据此训练集
我们的机器可能会看到
雨量
和回家所需的时间
之间存在直接关系
因此，可以确定
下雨的时间越多
开车回家的时间就越长
它还可能会预测到我们下班时间
和旅途时间之间的联系
我们离下午6点近一点
回家所需的时间
就越长
机器可能会发现一些与我们标记的数据
有关的关系
监督学习大致分为两种类型
回归和分类
回归技术
使用训练数据
预测单个输出值
分类是将输出
分组到一个类中
例如
两个图都有标记的数据集
这是一个气象数据集
用于基于
不同参数
预测风速
这是购物商店的数据集
可用于
来预测客户
是否会考虑购买
特定产品
根据客户的性别
年龄和薪水
回归也是一种监督学习
它是从标签数据集中学习的
然后能够为提供给算法的新数据
预测
连续值的输出
每当需要的输出是
数字
例如金钱或身高等就使用它
现在比较流行的监督学习算法是
线性回归
和逻辑回归
线性回归用于
建立变量之间的
线性关系
变量之一将是相关的
而另一个将是独立的
假定
从中获悉的
数据的两个变量
输入(X)
和输出(Y)
之间存在
线性关系
输入变量称为独立变量
输出变量称为
因变量
当看不见的数据传递给
算法时
它将使用该函数
计算输入并将其映射为
输出的连续值
逻辑回归用于
预测
分类因变量的概率
在逻辑回归中
因变量是一个二进制变量
其中包含编码
为1或0的数据
它为已传递给它的
一组独立变量预测
离散值
它通过将
看不见的数据
映射到
已编程到其中的函数来进行预测
该算法可以预测新数据的概率
因此其输出值
介于
0到1
之间
分类是将输出分组到一个类中
如果该算法尝试将输入标记为
两个不同的类
则称为二进制分类
在两个以上的类别之间进行选择
称为多类别分类
下面我们讨论一些
最著名的算法
决策树
朴素贝叶斯分类器
以及支持向量机
朴素贝叶斯分类器是一种有监督的机器学习算法
可让我们
根据算法本身确定的
一组规则
对一组观测值进行分类
使用贝叶斯定理，朴素贝叶斯分类器属于
概率分类器族
之所以称为“朴素”
是因为它要求
输入变量之间具有
严格的独立性假设
因此，将其称为简单贝叶斯
或独立贝叶斯更为合适
我们将在后面详细讨论
决策树通过基于特征值对实例进行分类
在这种方法中
每种模式都是实例的功能
应该对其进行分类
并且每个分支都代表节点可以假定的值
这是一种广泛使用的
分类技术
在这种方法中
分类是称为
决策树的数据结构
决策树
基于特征值进行分类
他们使用“信息增益”方法
找出数据集的哪个功能
可提供最佳信息
使其成为根节点并依此类推，直到他们能够对数据集的
每个实例进行分类
决策树中的每个分支都代表数据集的特征
支持向量机基于Vap Nik的统计学习理论
支持向量机
使用内核功能
这是大多数学习任务的
核心概念
这些算法创建了一个
超平面
用于
将彼此
分类
这一节我们就讲到这
感谢收看，欢迎进入下一节的学习
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case
