人工智能整套课件完整版电子教案.pptx

智人工能 当今，人工智能的应用越来越多，例如“阿尔法Go”，机器人，自动驾驶等等，大有乱花渐欲迷人眼之势。但如果说人工智能的原理挺常见，不知道会不会有人信。 当年，网络技术也很神秘，动辄“协议栈”，“域名解析”等等很多术语，后来一个老师在课上说：“CSMA/CD（具有冲突检测的载波侦听多路访问），描述的就是通过楼道在房间里喊另外一个房间的人，肯定要等到楼道里安静时再喊。”多朴素的道理。人工智能也一样，很多基本道理在生活中早已存在。只是没去注意，没去精确的计算，一旦看见最终的应用感觉就很神奇。其实，如果平实地一步步推演，其中道理显而易见。。 本课程就是一套力求把道理讲得浅显的课程，课程中描述了人工智能在监督学习、非监督学习、强化学习三个领域的10种常见算法，包括kNN、贝叶斯、决策树、支持向量机、集成学习、K-means、线性回归、神经网络、卷积网络、Q-learning等。每个算法都从生活中的原理或前叙章节出发，每个算法都力争讲明白为什么，干什么，怎么干。为了达到目标，课程还应用Excel对算法进行手动计算，力图让读者参与和体验人工智能的“决策过程”。通过这些尝试希望大家能够了解而且学会应用人工智能的常用算法。智人工能KNN算法（一） 321目录KNN的原理工程中的数据处理问题以及程序代码人工智能算法中的常用概念1KNN的原理KNN的原理1KNN（K邻算法）是分类方法 同一类别的事物通常聚集在一起是根据已知类别的数据确定预测数据的类别分类K“近”“邻”？“物以类聚”说的就是这个原理KNN的原理1观察这张图，推断A、B两点的颜色和形状？A?AB?粉色圆点推测绿色方块BKNN的原理10102原因A?以A为圆心的区域 ：粉色圆点B?以B为圆心的区域：绿色方块KNN的原理1K个近邻 ？如何确定 C 的类别按简单多数原则4:1，绿色方块小圈区域 C?大圈区域 4:5，粉色圆点KNN就是：以K个最近 邻点推断类别（K Nearest Node）KNN的原理1KNN 如何理解“最近”用距离量化 “近” 最直观的距离就是“欧氏”距离Y2d两个点间距离的计算：AY1?dA,B=BX1X2KNN的原理1KNN 如何理解“最近”三维距离的计算：Y?dA,B=用这个方法考察实际问题的数据，就能解决诸如“推荐”和“预测”这类人工智能领域的分类问题A品牌型号长（mm）宽（mm）高（mm）用户行为BAOJ310 403216801450略过XW-M1 433015351885浏览POL 405317401449略过BW5 508718681500浏览BDe6 456018221645浏览Wuling 379715101820略过dXBZKNN的原理1KNN 的实际应用广告案例假设某网站发现用户对某些车型的浏览行为如绿色数据所示，那么现在向用户推送 X008车型的广告是否会引发用户兴趣？标志型号长（mm）宽（mm）高（mm）略过CrV405317401449浏览BW5508718681500略过POL403216801450浏览BDe6433015351885　　　推荐?X008456018221645KNN的原理1KNN 算法步骤KNN算法的一般过程需要对未知类别属性的数据集中的每个点依次执行以下操作：逐一计算样本集的点与预测点之间的距离用“电子表格”体验过程按距离递增排序。选取与待预测点距离最小的k个点。统计k个点的类别频率，按规则确定预测结果。KNN的原理1操作过程录像KNN的原理10102选取与被测车辆距离最小的k个点（一般k为奇数，本例k=3）的分类，作为判断的依据；03观察图中的黄色部分，即离被测最近距离的3种车中，2种为用户感兴趣的车型，1种为用户无兴趣车型；按简单的少数服从多数原则，可确定被测车辆也是用户感兴趣车型。KNN的原理1KNN 算法的几个思考k取1k太大C?other如果考虑减小KNN算法中k的取值还可以不使用简单投票规则，而对距离加权，比如可以使距离近的点更有影响力。可以降低k值变化对结果的影响。如极端情况，与数据集的样本数一样大，那么算法的分类结果没有意义。待预测点的分类只依赖于与之最近的点，分类结果随机性太大；就一般经验，k的取值一般低于已知类别的样本数的平方根。算法观察与自己距离最近的k个点（k一般为奇数）的分类，并可以用简单多数的原则确定自身的分类。小 结1计算距离递增排序通过简单多数或其他规则确定分类取K （奇数）个最近NN的算法步骤用已知的最近距离的K个邻接点确定带预测点类别的算法KNNC?本小节结束！ 智人工能KNN算法（二） 321目录Knn的原理工程中的数据处理问题以及程序代码人工智能中的常用概念工程中的数据处理问题以及程序代码0102训练模型与测试应用数据的归一化处理