当前课程知识点:Introduction to Artificial Intelligence >  Chapter 3 Regression >  3.1 What is Regression >  Video 3.1

返回《Introduction to Artificial Intelligence》慕课在线视频课程列表

Video 3.1在线视频

下一节:Courseware 3.1

返回《Introduction to Artificial Intelligence》慕课在线视频列表

Video 3.1课程教案、知识点、字幕

大家好

在本节中 我们将讨论

什么是人工智能

我们介绍了机器学习有三种类型

监督学习 无监督学习 和强化学习

在监督学习中

我们有两类问题要处理

一是分类问题

另一个是回归问题

我们将在下一章当中介绍这一分类

分类预测建模问题与回归预测建模问题不同

分类是预测离散类别标签的任务

回归是预测连续量的任务

分类和回归算法之间存在一些重叠

例如

分类算法可以预测连续值

但连续值采用类别标签的概率形式

回归算法可以预测离散值

但是离散值是整数形式

某些算法在稍作修改之后可用于分类和回归

例如决策树和人工神经网络

有些算法不能或不容易使用

对于这两种问题类型

如用于回归预测模型的线性回归

和用于分类预测建模的逻辑回归

重要的是

我们评估分类和回归预测的方式各不相同 而且不会重叠

例如

可以使用准确性评估分类预测

而回归预测则不能

可以使用均方根误差来评估回归预测

而分类预测不能

现在让我们从回归开始

回归分析是一种研究因变量和自变量之间的关系的预测建模技术

例如

我们想知道是否有关系存在于一个人的体重和身高之间

如果是 那具体有什么关系

这种关系又有多强

可以在这里使用回归来得到结论

使用回归分析可以预测一个变量的值

该变量为因变量

通过根据其他变量 即自变量

线性回归是最简单的回归形式

我们仅使用一个自变量来进行线性回归

现在让我们看一些回归分析的例子

通常在以下几种情况下使用回归分析

如示例一中所述

使用表中给出的数据来分析

房屋大小及其销售价格之间的关系

在示例2中

我们需要在数据的帮助下预测

学习了7个小时的学生的考试成绩 如表中所示

在示例3中

我们有一个包含5列的数据集

用户ID 性别 年龄 工资和购买金额

现在我们要建立一个模型

这个模型可以依据被提供人的参数

预测一个人是否会购买汽车

监督学习已被大致分为两种类型

即线性回归和逻辑回归

所以下一个主题是线性回归与逻辑回归

我们经常对这种简单线性回归比较感兴趣

像y等于mx加C(y = mx + C)

所以我们要寻找的是x和y之间的相关性

这意味着x的每个值具有对应的y值

在逻辑回归中 如果它是连续的

我们不会将数据拟合到一条直线上

在逻辑回归我们映射y与x到一条S形函数上

我们发现对于这个特定的x值 y是1或0

那就是我们实质上是

在给定x的值下确定是真还是假值

因此你可以看到线性回归的核心概念

数据是使用直线的模型

在逻辑回归的情况下

数据使用S型函数建模

线性回归与连续变量一起使用

另一方面

逻辑回归用于具有类别的变量

线性回归的输出是预测是变量的值

另一方面

逻辑回归预测的输出是事件发生的概率

本节到此结束

感谢您的收看 欢迎进入下一节

Introduction to Artificial Intelligence课程列表:

Chapter 1 Overview of Artificial Intelligence

-1.1 What is artificial intelligence

--Video 1.1

--Courseware 1.1

--Exercise 1.1

-1.2 The History of artificial intelligence

--Video 1.2

--Courseware 1.2

--Exercise 1.2

-1.3 Applications of Artificial Intelligence

--Video 1.3

--Courseware 1.3

--Exercise 1.3

-1.4 Machine Learning and Deep Learning

--Video 1.4

--Courseware 1.4

--Exercise 1.4

Chapter 2 Machine Learning

-2.1 What is Machine Learning

--Video 2.1

--Courseware 2.1

-2.2 Supervised Learning

--Video 2.2

--Courseware 2.2

-2.3 Unsupervised Learning

--Video 2.3

--Courseware 2.3

-2.4 Construction of Development Environment

--Video 2.4

--Courseware 2.4

Chapter 3 Regression

-3.1 What is Regression

--Video 3.1

--Courseware 3.1

--Exercise 3.1

-3.2 Linear Regression

--Video 3.2

--Courseware 3.2

--Exercise 3.2

-3.3 Logistic Regression

--Video 3.3

--Courseware 3.3

--Exercise 3.3

-3.4 Practical Case

--Practical Case

Chapter 4 Classification

-4.1 What is Classification

--Video 4.1

--Courseware 4.1

-4.2 Naive Bayes

--Video 4.2

--Courseware 4.2

-4.3 Support Vector Machine

--Video 4.3

--Courseware 4.3

-4.4 Practical Case

--Practical Case

Chapter 5 Deep Learning

-5.1 Introduction to Deep Learning

--Video 5.1

--Courseware 5.1

--Exercise 5.1

-5.2 What is Neural Network

--Video 5.2

--Courseware 5.2

--Exercise 5.2

-5.3 Neural Network Basics

--Video 5.3

--Courseware 5.3

--Exercise 5.3

-5.4 Practical Case

--Practical Case

Chapter 6 Convolutional Neural Network

-6.1 What is Convolutional Neural Network

--Video 6.1

--Courseware 6.1

-6.2 Convolution Layer

--Video 6.2

--Courseware 6.2

-6.3 Pooling Layer

--Video 6.3

--Coureseware 6.3

-6.4 Classical Convolutional Neural Network

--Video 6.4

--Courseward 6.4

Chapter 7 Computer Vision

-7.1 What is Computer Vision

--Video 7.1

--Courseware 7.1

--Exercise 7.1

-7.2 Image Classification

--Video 7.2

--Courseware 7.2

--Exercise 7.2

-7.3 Introduction to TensorFlow

--Video 7.3

--Courseware 7.3

--Exercise 7.3

-7.4 Practical Case

--Practical Case

Chapter 8 Natural Language Processing

-8.1 What is Natural Language Processing

--Video 8.1

--Courseware 8.1

-8.2 Basics of NLP

--Video 8.2

--Courseware 8.2

-8.3 Recurrent Neural Network

--Video 8.3

--Courseware 8.3

-8.4 Practical Case

--Practical Case

Video 3.1笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。