课堂笔记-人工智能引论-20261014

公開日: 2026-10-14 15:00 796文字 4 min read 手書き 一字一句、自分で書きました。

この投稿は「日本語」では表示できません。元の投稿を表示しています。
课堂笔记-人工智能引论-20261014 (复习)Matplotlib使用步骤 准备数据(导入Numpy/Pandas,清洗/构建数据集) 创建画布 绘制图形(选择图形类型,传入x/y坐标) 设置样式(标签/网格/颜色/字体等) 显示图形 Scikit-learn 使用步骤 加载数据集 数据预处理 数据集划分 模型训练 模型评估 机器学习概念...

课堂笔记-人工智能引论-20261014

(复习)Matplotlib使用步骤

  1. 准备数据(导入Numpy/Pandas,清洗/构建数据集)
  2. 创建画布
  3. 绘制图形(选择图形类型,传入x/y坐标)
  4. 设置样式(标签/网格/颜色/字体等)
  5. 显示图形
# 补充:设置中文字体
plt.rcParams['font.sans-serif'] = ['Simhei']

Scikit-learn 使用步骤

  1. 加载数据集
  2. 数据预处理
  3. 数据集划分
  4. 模型训练
  5. 模型评估

机器学习概念

诺奖得主中的机器学习名人:Hinton和Hassabis

机器学习的概念:程序在任务T上的性能,按照标准P来测量,会随着经验E的积累而提高。

深度学习⊆机器学习⊆人工智能深度学习 \subseteq 机器学习 \subseteq 人工智能

样本:一个独立的观测或数据实例

特征:描述样本的若干属性

例如:某个学生是样本,那么出勤率/作业平均分就是他的特征

标签:样本对应的结果/目标值/正确答案

模型:从数据中学习到的映射规则,能将输入特征转换为输出结果。

训练:让模型从数据中学习规律的过程

参数:模型训练得到,反映数据的数量关系和规律

超参数:人为添加,作为模型的训练规则

训练集/验证集/测试集:三者严格隔离,模型训练过程中不能接触测试集的数据,以防结果失去可信度

学习算法:从数据中生成模型的具体方法(如线性回归算法 / 决策树算法)

机器学习分类

  • 监督学习
  • 半监督学习
  • 无监督学习
  • 强化学习

监督学习:模型从已标注数据训练,通过学习这些标签和输入的关系进行预测

监督学习的应用场景:身份验证 / 自然语言处理 / 医学诊断 / 气象预测

无监督学习:模型从未标注数据训练,从数据中发现模式和结构(聚类算法 / 降维算法)

半监督学习:模型从已标注和未标注的混合数据训练

半监督学习的应用场景:网页分类 / 医学影像分析 / 工业质检

强化学习:研究智能体在未知环境中通过试错交互,以最大化长期累计奖励为目标,学习最优决策策略

强化学习的应用场景:机器人 / 游戏 / 智驾 / 自然语言处理 / 医疗

监督学习简介

监督学习的算法分类:

  • 回归算法
  • 分类算法(逻辑回归算法 / KNN算法 / 决策树算法)

监督学习的学习流程:

预处理 => 训练学习 => 验证 => 预测

监督学习的回归算法

一元线性回归模型:y=kx1+by = kx_1 + b

多元线性回归模型:y=k1x1+k2x2+......+by = k_1x_1+k_2x_2+......+b

(训练模型的过程就是拟合k值)

线性回归的均方误差(MSE):MSE=1mΣi=1m(真实值yi−预测值yi)2MSE = \frac{1}{m}\Sigma^m_{i=1}(真实值y_i-预测值y_i)^2

最小二乘法求线性回归(略)

梯度下降法求线性回归(略)

執筆 手書き

読み込み中...