機器學習-1-緒論課件

智能科學與技術(shù)系劉冀偉錨索壽命演化模型研究及預(yù)測機器學習基礎(chǔ)第一章緒論1智能科學與技術(shù)系錨索壽命演化模型研究及預(yù)測機器學習基礎(chǔ)1主要參考書1、周志華，《機器學習》，清華大學出版社，20152、李航，《統(tǒng)計學習方法》，清華大學出版社，2012主要參考書1、周志華，《機器學習》，清華大學出版社，2015考核方式1、平時成績-大作業(yè)-40%2、期末考試-閉卷-60%考核方式1、平時成績-大作業(yè)-40%目錄CONTENT123機器學習是什么基本概念模型評估與選擇機器學習的發(fā)展和應(yīng)用4目錄CONTENT123機器學習是什么基本概念模型評估與>>>機器學習是什么>>>機器學習是什么機器學習領(lǐng)域奠基人之一、美國工程院院士T.Mitchell教授在其經(jīng)典教材《MachineLearning》中所給出的機器學習經(jīng)典定義為“利用經(jīng)驗來改善計算機系統(tǒng)自身的性能”。

系統(tǒng)對應(yīng)于數(shù)據(jù)模型，如決策樹、支持向量機等。經(jīng)驗對應(yīng)于歷史數(shù)據(jù)，如互聯(lián)網(wǎng)數(shù)據(jù)、科學實驗數(shù)據(jù)等。數(shù)據(jù)模型性能則是模型對新數(shù)據(jù)的處理能力，如分類和預(yù)測性能等。預(yù)測機器學習的根本任務(wù)是數(shù)據(jù)的智能分析與建模。通過已知數(shù)據(jù)學習出預(yù)測模型完成預(yù)測任務(wù)6機器學習領(lǐng)域奠基人之一、美國工程院院士T.Mitchell機器學習主要是設(shè)計和分析讓計算機可以自動“學習”的算法。學習算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，利用規(guī)律對未知數(shù)據(jù)進行預(yù)測的算法。

需要多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復(fù)雜度理論等多門學科。7機器學習主要是設(shè)計和分析讓計算機可以自動“學習”的算法。學習例：經(jīng)驗收集歸納學習模型y=f(x1,x2,x3)應(yīng)用模型青綠、稍卷、濁響y=f(x1,x2,x3)y=好

or壞8例：經(jīng)驗收集歸納學習模型應(yīng)用模型青綠、稍卷、濁響y=f(x1>>>基本概念>>>基本概念問題域圖像識別腐蝕預(yù)測溫度預(yù)測交通狀態(tài)標記空間輸出空間標簽預(yù)測值模型經(jīng)驗采集經(jīng)驗數(shù)據(jù)圖像語音流量數(shù)據(jù)溫度特征空間特征變量特征向量模板特征提取經(jīng)驗數(shù)據(jù)集合數(shù)據(jù)集合假設(shè)空間10問題域標記空間模型經(jīng)驗采集經(jīng)驗數(shù)據(jù)特征空間特征提取經(jīng)驗數(shù)據(jù)集一、特征空間選擇一組變量描述問題性質(zhì)，稱為特征變量（屬性），特征變量組成的向量稱為特征向量，變量張成的空間稱為特征空間（樣本空間），變量的取值稱為屬性值。特征變量（屬性）記為：xi，i=1、、d特征向量記為：二、數(shù)據(jù)集合樣本：特征空間（樣本空間）中的一組示例。記為：D={x1、x2、、xm

}標記空間：標簽變量或預(yù)測變量的取值集合，記為：Y樣例集合：特征向量與標簽變量對集合，記為：D={(x1、y1)、(x2、y2)

、

、

(xm、ym)

}特征空間記為：G11一、特征空間選擇一組變量描述問題性質(zhì)，稱為特征變量（屬性），學習(訓(xùn)練)數(shù)據(jù)：在訓(xùn)練過程中使用的數(shù)據(jù)稱為訓(xùn)練數(shù)據(jù)，每一個樣例稱為訓(xùn)練樣本，全體訓(xùn)練樣本集合稱為訓(xùn)練集(trainingset)。測試數(shù)據(jù)(testingdata)：用于檢測學習得到模型的數(shù)據(jù)稱為檢測數(shù)據(jù)，每一個樣例稱為檢測樣本，全體檢測樣本集合稱為檢測集(testingset)。三、學習的任務(wù)-y=f(x)分類：Y={1，2，3，}，是離散值集合。二分類、多分類?；貧w：Y

(01)，是連續(xù)值集合，預(yù)測。聚類：沒有Y的信息。有監(jiān)督學習無監(jiān)督學習強化學習Y的信息不完全泛化能力：學習的結(jié)果對新樣本的適應(yīng)能力，對樣本空間的描述能力。12學習(訓(xùn)練)數(shù)據(jù)：在訓(xùn)練過程中使用的數(shù)據(jù)稱為訓(xùn)練數(shù)據(jù)，每一個359四、假設(shè)空間(H)機器學習是通過數(shù)據(jù)集學得規(guī)律，是一個典型的歸納推理的過程，學習的結(jié)果是從樣本空間到標記空間的一個映射，所有可能的映射的集合我們稱為假設(shè)空間。機器學習的任務(wù)：求fH：

f:GY，滿足數(shù)據(jù)集合例：西瓜問題-假設(shè)色澤、根蒂和敲聲完全決定西瓜的品質(zhì)，我們可以用布爾表達式表達好瓜的概念。好瓜(色澤=？)∧(根蒂=？)∧(敲聲=？)好瓜(色澤=青綠)∧(根蒂=卷縮)∧(敲聲=濁響)引入通配符：*(色澤=*)∧(根蒂=卷縮)∧(敲聲=濁響)13359四、假設(shè)空間(H)機器學習是通過數(shù)據(jù)集學得規(guī)律，是一個西瓜問題的所有布爾表達式表達：假設(shè)空間版本空間：假設(shè)空間的一個子集，與訓(xùn)練樣例一致的所有假設(shè)的集合。14西瓜問題的所有布爾表達式表達：假設(shè)空間版本空間：假設(shè)空間的一五、歸納偏好（奧卡姆剃刀、沒有免費午餐）色澤=*；根蒂=卷縮；敲聲=濁響色澤=*；根蒂=*；敲聲=濁響色澤=*；根蒂=卷縮；敲聲=*版本空間：中有多個假設(shè)，每一個假設(shè)都可以是我們學習獲得的模型，應(yīng)該使用那個模型？那個模型會更好？色澤=青綠；根蒂=卷縮；敲聲=沉悶版本空間-假設(shè)2-好瓜但不滿足假設(shè)1和假設(shè)3版本空間例矛盾！15五、歸納偏好（奧卡姆剃刀、沒有免費午餐）色澤=*；根蒂=卷縮以上兩個例子給我們提出了新的問題-如何在版本空間獲得模型？在機器學習算法學習的過程中對某種假設(shè)的偏好稱為歸納偏好。奧卡姆剃刀(Occam’srazor)：若多個假設(shè)與觀察一致，選擇最簡單的那個。沒有免費午餐定理(NFLNoFreeLunchTheorem)：總誤差與算法無關(guān)。具體問題具體分析16黑點訓(xùn)練樣本白點測試樣本以上兩個例子給我們提出了新的問題-如何在版本空間獲得模型？奧>>>模型評估與選擇>>>模型評估與選擇一、經(jīng)驗誤差與過擬合錯誤率(errorrate)：分類錯誤的樣例數(shù)占樣例總數(shù)的比例，即：E=a/m精度(accuracy)：精度=1-錯誤率，即：acc=1-a/m過擬合(overfitting)與欠擬合(underfitting)：導(dǎo)致學習器泛化功能下降的現(xiàn)象稱為過擬合，相對的為欠擬合。誤差(error)：學習器的預(yù)測輸出與樣例的真實輸出間的差異稱為誤差，在訓(xùn)練集上的誤差稱為訓(xùn)練誤差(trainingerror)或經(jīng)驗誤差(empiricalerror)，在新樣本上的誤差稱為泛化誤差(generalizatiuonerror)。18一、經(jīng)驗誤差與過擬合錯誤率(errorrate)：分類錯二、評估方法留出法(hold-out)：直接將數(shù)據(jù)集D劃分為兩個互斥的集合，其中一個是訓(xùn)練集S，另一個為測試集T。即：D=ST；交叉驗證法：(crossvalidation)19二、評估方法留出法(hold-out)：直接將數(shù)據(jù)集D劃分自助法(bootstrapping)：調(diào)參與最終模型：20自助法(bootstrapping)：調(diào)參與最終模型：20對學習器的泛化性能評估需要評價標準，這就是性能度量(performancemeasure)，如常用的均方誤差(meansquarederror)三、性能度量1、錯誤率與精度：假設(shè)數(shù)據(jù)集D={(x1,y1),(x2,y2),,(xm,ym)}，學習器為y=f(x)錯誤率(errorrate)：分類錯誤的樣例數(shù)占樣例總數(shù)的比例精度(accuracy)：精度=1-錯誤率21對學習器的泛化性能評估需要評價標準，這就是性能度量(perf2、查準率、查全率和F1：查準率(precision)查全率(recall)平衡點(Break-eventpoint)混淆矩陣(ConfusionMatrix)P-R曲線222、查準率、查全率和F1：查準率(precision)查全率宏查準率、宏查全率和宏F1：有多個混淆矩陣時，我們可以在每個混淆矩陣上計算查準率、查全率和F1，得到：(P1，R1),(P2，R2),,(Pn，Rn)，則有：微查準率、微查全率和微F1：23宏查準率、宏查全率和宏F1：有多個混淆矩陣時，我們可以在每個2、ROC與AUC：很多學習器的輸出是連續(xù)值，然后通過一個實現(xiàn)給定的閾值構(gòu)成分類器。ROC(ReceiverOperatingCharacteristic)受試者工作特征，二戰(zhàn)時期雷達信號分析，六十年代開始用于心理學醫(yī)學檢測縱軸：真正例率橫軸：假正例率AUC：ROC曲線下的面積242、ROC與AUC：很多學習器的輸出是連續(xù)值，然后通過一個實>>>機器學習的發(fā)展和應(yīng)用>>>機器學習的發(fā)展和應(yīng)用機器學習是人工智能發(fā)展到一定階段的必然產(chǎn)物。人工智能的幾個發(fā)展階段：二十世紀50~60年代-推理階段-以模擬人類推理能力為研究的主流，這一時期的代表成果-Newell和Simon的LT和GPS-1975圖靈獎；1970~1980-知識階段-認為人類智能源于人類應(yīng)用知識解決問題的能力，這一時期的代表工作費根鮑姆的專家系統(tǒng)-1994圖靈獎。知識的獲取困難-機器自己學習二十世紀50年代-IBM的A.Samuel的帶有學習功能的美國跳棋；基于神經(jīng)網(wǎng)絡(luò)的連接主義，如感知機；基于邏輯表示的符號主義的學習技術(shù)，如：Winston的結(jié)構(gòu)學習系統(tǒng)Michalski的基于邏輯的歸納學習系統(tǒng)Hunt的概念學習系統(tǒng)一、機器學習的興起與發(fā)展26機器學習是人工智能發(fā)展到一定階段的必然產(chǎn)物。人工智能的幾個發(fā)27機器學習是人工智能的一個分支，也是人工智能的一種實現(xiàn)方法。它從樣本數(shù)據(jù)中學習得到知識和規(guī)律，然后用于實際的推斷和決策。它和普通程序的一個顯著區(qū)別是需要樣本數(shù)據(jù)，是一種數(shù)據(jù)驅(qū)動的方法。機器學習并不是人工智能一開始就采用的方法。人工智能的發(fā)展經(jīng)歷了邏輯推理，知識工程，機器學習三個階段。第一階段的重點是邏輯推理，例如數(shù)學定理的證明。這類方法采用符號邏輯來模擬人的智能。第二階段的代表是專家系統(tǒng)，這類方法為各個領(lǐng)域的問題建立專家知識庫，利用這些知識來完成推理和決策。如果要讓人工智能做疾病診斷，那就要把醫(yī)生的診斷知識建成一個庫，然后用這些知識對病人進行判斷。一、機器學習的興起27機器學習是人工智能的一個分支，也是人工智能的一種實現(xiàn)方法28知識的獲取困難-機器自己學習機器學習這一名詞以及其中某些方法可以追溯到1958年，甚至更早，但真正作為一門獨立的學科要從1980年算起，在這一年誕生了第一屆機器學習的學術(shù)會議和期刊。到目前為止，機器學習的發(fā)展經(jīng)歷了3個階段：1980年代正式成形期，不具備影響力。1990-2010年代是蓬勃發(fā)展期，誕生了眾多的理論和算法，真正走向了實用。2012年之后是深度學習時期，深度學習技術(shù)誕生并急速發(fā)展，較好的解決了現(xiàn)階段AI的一些重點問題，并帶來了產(chǎn)業(yè)界的快速發(fā)展。28知識的獲取困難-機器自己學習機器學習這一名詞以及其中某些29線性回歸：已知-數(shù)據(jù)集合(D)：假設(shè)空間(H)：求：W和bLogistic回歸：使用回歸的方法完成分類的任務(wù)29線性回歸：已知-數(shù)據(jù)集合(D)：假設(shè)空間(H)：求：W30已知-數(shù)據(jù)集合(D)：假設(shè)空間(H)：先驗概率分布P(ωi)，類條件概率分布P(x|ωi)

求判別函數(shù)：ωi=h(x)

類條件概率后驗概率貝葉斯決策理論樸素貝葉斯分類器30已知-數(shù)據(jù)集合(D)：假設(shè)空間(H)：先驗概率分布P(ω311980s：登上歷史舞臺：1980年機器學習作為一支獨立的力量登上了歷史舞臺。在這之后的10年里出現(xiàn)了一些重要的方法和理論，典型的代表是：1980夏-在卡內(nèi)基梅隆舉行第一屆機器學習研討會(IWML)；1983第一本機器學習的專著《機器學習-一種人工智能的途徑》；1984-分類與回歸樹（CART）1986-第一個期刊《MachineLearning》創(chuàng)刊1986-反向傳播算法1989-卷積神經(jīng)網(wǎng)絡(luò)分類與回歸樹由Breiman等人在1984年提出，是決策樹的一種經(jīng)典實現(xiàn)，至今它還在很多領(lǐng)域里被使用。決策樹是一種基于規(guī)則的方法，它由一系列嵌套的規(guī)則組成一棵樹，完成判斷和決策。和之前基于人工規(guī)則的方法不同，這里的規(guī)則是通過訓(xùn)練得到的，而不是人工總結(jié)出來的。311980s：登上歷史舞臺：1980年機器學習作為一支獨立32反向傳播算法：人工神經(jīng)網(wǎng)絡(luò)是對動物神經(jīng)系統(tǒng)的一種簡單模擬，屬于仿生方法。從數(shù)學的角度看，它是一個多層的復(fù)合函數(shù)。反向傳播算法是神經(jīng)網(wǎng)絡(luò)訓(xùn)練時使用的算法，來自于微積分中復(fù)合函數(shù)求導(dǎo)的鏈式法則，至今深度學習中各種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練使用的還是這種方法。反向傳播算法的出現(xiàn)使得多層神經(jīng)網(wǎng)絡(luò)真正成為一種可以實現(xiàn)、具有實用價值的算法。在這一時期，神經(jīng)網(wǎng)絡(luò)的理論性研究也是熱門的問題，神經(jīng)網(wǎng)絡(luò)數(shù)學上的表達能力的分析和證明大多出現(xiàn)在1980年代末和1990年代初。從理論上來說，加大神經(jīng)網(wǎng)絡(luò)的規(guī)模可以解決更復(fù)雜的模式識別等問題。但是網(wǎng)絡(luò)層數(shù)的增加會導(dǎo)致梯度消失問題，另外神經(jīng)網(wǎng)絡(luò)還面臨著局部最優(yōu)解的問題。訓(xùn)練樣本的缺乏，計算能力的限制，都使得神經(jīng)網(wǎng)絡(luò)在接下來的20多年里沒有太大的進展和出色的表現(xiàn)。32反向傳播算法：人工神經(jīng)網(wǎng)絡(luò)是對動物神經(jīng)系統(tǒng)的一種簡單模擬33卷積神經(jīng)網(wǎng)絡(luò)：早在1989年，LeCun在貝爾實驗室就開始使用卷積神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字，這是當前深度學習中深度卷積神經(jīng)網(wǎng)絡(luò)的鼻祖；1998年，LeCun提出了用于字符識別的卷積神經(jīng)網(wǎng)絡(luò)LeNet5，并在手寫數(shù)字識別中取得了較好的結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)借鑒了動物視覺神經(jīng)系統(tǒng)的原理，它能夠逐層的對輸入圖像進行抽象和理解。33卷積神經(jīng)網(wǎng)絡(luò)：早在1989年，LeCun在貝爾實驗室就開34在這一時期，隱馬爾科夫模型（HMM）被成功的應(yīng)用于語音識別，使得語音識別的方法由規(guī)則和模板匹配轉(zhuǎn)向機器學習這條路徑。q1q2q3q4qT...o1o2o3o4oT...觀察序列O狀態(tài)序列QHMMλ一個HMM模型是由五元組組成：要素N：狀態(tài)集合S={S1,

S2,

…

,

SN}，模型中狀態(tài)的個數(shù)。在拋幣模型中是偏心硬幣的個數(shù)。一般t時刻的狀態(tài)用qt表示。要素M：表示每個狀態(tài)可以觀察到的不同符號數(shù)。在拋幣模型中是正、反兩面。一般符號集表示為：V={V1,V2,

…

,

VM}狀態(tài)轉(zhuǎn)移矩陣A={aij}，其中aij=P[qt+1=Sj|qt=Si]。狀態(tài)j中可見符號的概率分布B={bj(k)}其中

bj(k)=P[在t時刻出現(xiàn)符號Vk|qt=sj]初始狀態(tài)分布π={πj}其中πj=p[q0=sj]j=1,2,…,NΛ={[N,M],A，B，π}---HMM34在這一時期，隱馬爾科夫模型（HMM）被成功的應(yīng)用于語音識351990-2012：走向成熟和應(yīng)用在這20多年里機器學習的理論和方法得到了完善和充實，可謂是百花齊放的年代。代表性的重要成果有：1995：支持向量機（SVM）1997：AdaBoost算法1997：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和LSTM2000：流形學習2001：隨機森林SVM基于最大化分類間隔的原則，通過核函數(shù)巧妙的將線性不可分問題轉(zhuǎn)化成線性可分問題，并且具有非常好的泛化性能。和神經(jīng)網(wǎng)絡(luò)相比，SVM有完善的數(shù)學理論作為支撐，訓(xùn)練時求解的問題是凸優(yōu)化問題，因此不會出現(xiàn)局部極值問題。VladimirVapnik：SVM由Vapnik在1995年提出，在誕生之后的近20年里，它在很多模式識別問題上取得了當時最好的性能，直到被深度學習算法打敗。351990-2012：走向成熟和應(yīng)用在這20多年里機器學習36AdaBoost和隨機森林同屬集成學習算法，它們通過將多個弱學習器模型整合可以得到精度非常高的強學習器模型，且計算量非常小。AdaBoost算法在機器視覺領(lǐng)域的目標檢測問題上取得了成功，典型的代表是人臉檢測問題。2001年，使用級聯(lián)AdaBoost分類器和Haar特征的算法在人臉檢測問題上取得了巨大的進步，是有里程碑意義的成果。此后這一框架成為目標檢測的主流方法，直到后來被深度學習取代。隨機森林由Breiman在2001年提出，是多棵決策樹的集成，在訓(xùn)練時通過對樣本進行隨機抽樣構(gòu)造出新的數(shù)據(jù)集訓(xùn)練每一棵決策樹。它實現(xiàn)簡單，可解釋性強，運算量小，在很多實際問題上取得了相當高的精度。時至今日，在很多數(shù)據(jù)挖掘和分析的比賽中，這類算法還經(jīng)常成為冠軍。36AdaBoost和隨機森林同屬集成學習算法，它們通過將多37流形學習作為一種非線性降維技術(shù)，直觀來看，它假設(shè)向量在高維空間中的分布具有一定的幾何形狀。在2000年出現(xiàn)之后的一段時間內(nèi)名噪一時，呈現(xiàn)出一片繁榮的景象，但在實際應(yīng)用方面缺乏成功的建樹。循環(huán)神經(jīng)網(wǎng)絡(luò)作為標準前饋型神經(jīng)網(wǎng)絡(luò)的發(fā)展，具有記憶功能，在語音識別、自然語言處理等序列問題的建模上取得了成功，是當前很多深度學習算法的基礎(chǔ)。在這一時期機器學習算法真正走向了實際應(yīng)用。典型的代表是車牌識別，印刷文字識別（OCR），手寫文字識別，人臉檢測技術(shù)（數(shù)碼相機中用于人臉對焦），搜索引擎中的自然語言處理技術(shù)和網(wǎng)頁排序，廣告點擊率預(yù)估（CTR），推薦系統(tǒng)，垃圾郵件過濾等。同時也誕生了一些專業(yè)的AI公司，如MobilEye，科大訊飛，文安科技，文通科技，IOImage等。37流形學習作為一種非線性降維技術(shù)，直觀來看，它假設(shè)向量在高382012：深度學習時代-神經(jīng)網(wǎng)絡(luò)卷土重來在與SVM的競爭中，神經(jīng)網(wǎng)絡(luò)長時間內(nèi)處于下風，直到2012年局面才被改變。SVM、AdaBoost等所謂的淺層模型并不能很好的解決圖像識別，語音識別等復(fù)雜的問題，在這些問題上存在嚴重的過擬合（過擬合的表現(xiàn)是在訓(xùn)練樣本集上表現(xiàn)很好，在真正使用時表現(xiàn)很差。就像一個很機械的學生，考試時遇到自己學過的題目都會做，但對新的題目無法舉一反三）。為此我們需要更強大的算法，歷史又一次選擇了神經(jīng)網(wǎng)絡(luò)。由于算法的改進以及大量訓(xùn)練樣本的支持，加上計算能力的進步，訓(xùn)練深層、復(fù)雜的神經(jīng)網(wǎng)絡(luò)成為可能，它們在圖像、語音識別等有挑戰(zhàn)性的問題上顯示出明顯的優(yōu)勢。382012：深度學習時代-神經(jīng)網(wǎng)絡(luò)卷土重來在與SVM的競爭39深度學習的起源可以追溯到2006年的一篇文章，Hinton等人提出了一種訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的方法，用受限玻爾茲曼機訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的每一層，得到初始權(quán)重，然后繼續(xù)訓(xùn)練整個神經(jīng)網(wǎng)絡(luò)。2012年Hinton小組發(fā)明的深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet首先在圖像分類問題上取代成功，隨后被用于機器視覺的各種問題上，包括通用目標檢測，人臉檢測，行人檢測，人臉識別，圖像分割，圖像邊緣檢測等。在這些問題上，卷積神經(jīng)網(wǎng)絡(luò)取得了當前最好的性能。在另一類稱為時間序列分析的問題上，循環(huán)神經(jīng)網(wǎng)絡(luò)取得了成功。典型的代表是語音識別，自然語言處理，使用深度循環(huán)神經(jīng)網(wǎng)絡(luò)之后，語音識別的準確率顯著提升，直至達到實際應(yīng)用的要求在語音識別、自然語言處理等領(lǐng)域，深度學習算法同樣取得了可喜的結(jié)果。在這些領(lǐng)域的成功，直接推動了語音識別、機器翻譯等技術(shù)走向?qū)嶋H應(yīng)用。在策略、控制類問題上，深度強化學習技術(shù)取得了成功，典型的代表是AlphaGo。在各種游戲、自動駕駛等問題上，深度強化學習顯示出了接近人類甚至比人類更強大的能力。39深度學習的起源可以追溯到2006年的一篇文章，Hinto40以生成對抗網(wǎng)絡(luò)（GAN）為代表的深度生成框架在數(shù)據(jù)生成方面取得了驚人的效果，可以創(chuàng)造出逼真的圖像，流暢的文章，動聽的音樂。為解決數(shù)據(jù)生成這種“創(chuàng)作”類問題開辟了一條新思路。TCNN40以生成對抗網(wǎng)絡(luò)（GAN）為代表的深度生成框架在數(shù)據(jù)生成方二、機器學習的應(yīng)用現(xiàn)狀1分類算法應(yīng)用場景實例1.1O2O優(yōu)惠券使用預(yù)測1.2市民出行選乘公交預(yù)測1.3待測微生物種類判別1.4基于運營商數(shù)據(jù)的個人征信評估1.5商品圖片分類1.6廣告點擊行為預(yù)測1.7基于文本內(nèi)容的垃圾短信識別1.8中文句子類別精準分析1.9P2P網(wǎng)絡(luò)借貸平臺的經(jīng)營風