人工智能入門 課件 劉峽壁1.緒論、2.人工神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)

人工智能入門γνωθισεαυτ?ν(認(rèn)識(shí)你自己)AI:Introduction2AI:Introduction2大綱什么是人工智能(AI)?

什么是思考？人工機(jī)器能否以及是否應(yīng)該達(dá)到自我思考的程度？人工智能發(fā)展簡(jiǎn)史人工智能實(shí)現(xiàn)途徑AI:Introduction3PartⅠ:什么是人工智能？AI:Introduction4

“使真正的機(jī)器表現(xiàn)得像科幻電影中的那些機(jī)器一樣”--RussellBeale請(qǐng)仔細(xì)觀看視頻，思考什么是人工智能？人工智能是通過智能機(jī)器延伸、增強(qiáng)人類改造自然和治理社會(huì)能力的新興技術(shù)。AI:Introduction5“有多少專家，就會(huì)有多少種關(guān)于智能的說法.”

--R.J.Sternberg什么是人工智能？？AI:Introduction6

什么是人工智能？Perception行為能力問題求解能力推理能力學(xué)習(xí)能力社交能力創(chuàng)造力感知能力AI:Introduction7AI:Introduction7什么是人工智能？？理解并創(chuàng)造智能實(shí)體多學(xué)科交叉計(jì)算機(jī)科學(xué)，哲學(xué)

，心理學(xué)，語言學(xué)，神經(jīng)學(xué)，……包含多個(gè)子領(lǐng)域認(rèn)知科學(xué)，自然語言處理，機(jī)器學(xué)習(xí)，模式識(shí)別，計(jì)算機(jī)視覺，數(shù)據(jù)挖掘，……AI:Introduction8AI:Introduction8如何衡量機(jī)器是否具有智能？?jī)煞N觀點(diǎn)強(qiáng)調(diào)外在表現(xiàn)(弱人工智能)機(jī)器是否具有智能的行為?圖靈測(cè)試強(qiáng)調(diào)內(nèi)在機(jī)制(強(qiáng)人工智能)機(jī)器是否真正在思考?J.R.Searle

的中文屋思想實(shí)驗(yàn)AI:Introduction9AI:Introduction9圖靈測(cè)試機(jī)器如何表現(xiàn)出智能？圖靈(1950)《計(jì)算機(jī)器與智能》具有可操作性的機(jī)器智能測(cè)試:模擬試驗(yàn)為了通過圖靈測(cè)試，需要突破人工智能中的許多重要問題，如知識(shí)表示，推理，自然語言理解，機(jī)器學(xué)習(xí)等AI:Introduction10AI:Introduction10中文屋實(shí)驗(yàn)一個(gè)不懂中文的人呆在一間密閉的屋子里，他有一本記錄中文處理規(guī)則的書。屋外的測(cè)試者從門縫塞給他中文紙條。

他在書中查找處理這些中文語句的規(guī)則。

根據(jù)規(guī)則將一些中文字符抄在紙條上作為對(duì)相應(yīng)語句的回答。

呆在屋內(nèi)的人顯然不理解他所處理的中文。

所以，賽爾勒提出(1980):

-不存在具有理解能力的計(jì)算機(jī)程序

-賦予非生物機(jī)器以智能是語無倫次AI:Introduction11AI:Introduction11人工智能的目標(biāo)遠(yuǎn)期目標(biāo)揭示人類智能的根本機(jī)理，用智能機(jī)器去模擬、延伸、擴(kuò)展人類智能，實(shí)現(xiàn)腦力勞動(dòng)的自動(dòng)化近期目標(biāo)制造智能機(jī)器,尤其是具有智能的計(jì)算機(jī)程序.提供輔助性的智能工具以幫助人們解決一些具體問題AI:Introduction12“智能”正在變得越來越流行：AI:Introduction13AI:Introduction13人工智能與計(jì)算機(jī)科學(xué)部分類似于數(shù)學(xué)與物理的關(guān)系

計(jì)算機(jī)科學(xué)關(guān)注信息處理的一般理論,并為實(shí)現(xiàn)人工智能提供計(jì)算工具,但是這些不是人工智能關(guān)注的重點(diǎn).人工智能對(duì)于計(jì)算機(jī)科學(xué)的發(fā)展具有重大影響.

AI:Introduction14PartⅡ:人工智能發(fā)展簡(jiǎn)史AI:Introduction15AI:Introduction15人工智能孕育期哲學(xué)

邏輯,推理方法,思維機(jī)器,學(xué)習(xí)的基礎(chǔ),語言,理性數(shù)學(xué)

形式邏輯符號(hào)化,計(jì)算理論,可判定性,可處理性,概率經(jīng)濟(jì)效用,決策論神經(jīng)科學(xué)

思維活動(dòng)的物質(zhì)性心理學(xué)

感知,控制,實(shí)驗(yàn)技術(shù)計(jì)算機(jī)科學(xué)

構(gòu)造更快的計(jì)算機(jī)控制論

制造能夠隨著時(shí)間的推移最優(yōu)化其目標(biāo)的系統(tǒng)語言學(xué)

知識(shí)表示，語法AI:Introduction16AI:Introduction16人工智能發(fā)展期1943 麥克洛奇和皮茲：大腦的布爾電路模型1950 圖靈的“計(jì)算機(jī)器與智能”1956達(dá)特茅斯會(huì)議：正式采用名稱“人工智能”1952-69 迅速發(fā)展，過于樂觀1950s 早期的人工智能程序，包括塞繆爾的西洋跳棋程序，Newell 和Simon的定理證明程序，Gelernter的幾何引擎1965魯賓遜歸結(jié)演繹推理1966-73 出現(xiàn)了計(jì)算復(fù)雜性問題，神經(jīng)網(wǎng)絡(luò)的研究處于停滯等

1969-79 專家系統(tǒng)的早期開發(fā)1980- 人工智能走向?qū)嶋H應(yīng)用1986- 神經(jīng)網(wǎng)絡(luò)再次流行1987- 人工智能變成一門科學(xué)1995- 智能體概念的出現(xiàn)AI:Introduction17AI:Introduction17人工智能現(xiàn)狀深藍(lán)在1997年打敗了世界棋王卡斯帕洛夫證明了十幾年來未能解決的一個(gè)數(shù)學(xué)猜想（Robbins猜想）橫跨美國(guó)的汽車無人駕駛（從匹茨堡到圣地亞哥的路途中，98%的路程為自動(dòng)駕駛）1991年海灣戰(zhàn)爭(zhēng)期間,美國(guó)軍方運(yùn)用人工智能規(guī)劃程序?qū)崿F(xiàn)后勤保障，涉及50000輛車輛以及人員NASA通過自動(dòng)規(guī)劃程序控制宇航器的飛行PROVERB程序能比大多數(shù)人類更好地解決字謎游戲AI:Introduction18AI:Introduction18真實(shí)的故事DavidCohn：“雖然計(jì)算機(jī)已經(jīng)能夠打敗世界上最好的棋手，我們卻仍然不能使其像4歲小孩一樣去思考。”

AaronSlomon：“我們現(xiàn)在才剛剛開始明白怎樣用機(jī)器處理信息，智能是什么，以及我們?nèi)祟愂鞘裁础！?/p>

何不馬上開始人工智能探險(xiǎn)之旅呢？AI:Introduction19AI:Introduction19PartⅢ:人工智能的實(shí)現(xiàn)途徑AI:Introduction20AI:Introduction20機(jī)器學(xué)習(xí)

“嬰兒機(jī)器”符號(hào)智能神經(jīng)網(wǎng)絡(luò)行為智能進(jìn)化計(jì)算

”人造生命”群智能人工智能的實(shí)現(xiàn)途徑AI:Introduction21AI:Introduction21機(jī)器學(xué)習(xí)Q.制造一個(gè)“嬰兒機(jī)器”，它通過讀書學(xué)習(xí)、從經(jīng)驗(yàn)中學(xué)習(xí)等手段逐步增長(zhǎng)智力，這個(gè)想法如何？人們?cè)缭?0世紀(jì)40年代就提出了這個(gè)設(shè)想，最終它將會(huì)得到實(shí)現(xiàn)。

但是就目前而言，人們對(duì)人類學(xué)習(xí)機(jī)理、方法以及如何實(shí)現(xiàn)等問題的認(rèn)識(shí)還處于非常初級(jí)的階段，就連“嬰兒是如何從經(jīng)驗(yàn)中進(jìn)行學(xué)習(xí)”的問題都知之甚少，更遑論其他。--JohnMcCarthyAI:Introduction22AI:Introduction22符號(hào)智能紐維爾和西蒙的“物理符號(hào)系統(tǒng)假說”機(jī)器對(duì)符號(hào)信息的處理就足以產(chǎn)生人工智能.人類智能的基礎(chǔ)是對(duì)符號(hào)信息的處理.目前，“物理符號(hào)系統(tǒng)假說”是否成立仍然是一個(gè)有爭(zhēng)議的問題.自上而下的人工智能實(shí)現(xiàn)策略AI:Introduction23AI:Introduction23問題求解

專家系統(tǒng)

知識(shí)工程搜索,表示,推理GPS,深藍(lán),DENDRAL,CYC,……問題框架問題(CYC,Go,……)用大量的計(jì)算來代替理解符號(hào)智能AI:Introduction24AI:Introduction24神經(jīng)網(wǎng)絡(luò)人類大腦的工作機(jī)制與機(jī)器有很大的不同大腦如何工作？

自下而上的人工智能實(shí)現(xiàn)策略生物神經(jīng)網(wǎng)絡(luò)AI:Introduction25AI:Introduction25發(fā)展簡(jiǎn)史

M-P神經(jīng)元模型

感知器

霍普菲爾德網(wǎng)絡(luò)模型,B-P學(xué)習(xí)方法(Rumelhart&McClelland)

應(yīng)用

識(shí)別,視覺,商業(yè),醫(yī)學(xué),…….主要問題

-拓?fù)浣Y(jié)構(gòu)-學(xué)習(xí)方法神經(jīng)網(wǎng)絡(luò)AI:Introduction26AI:Introduction26行為智能布魯克斯(1991)<<沒有表示的智能>>

機(jī)器蟲:艾倫(Allen),赫伯特(Herbert),成吉思(Genghis)-智能的基本構(gòu)造單元是一些非常簡(jiǎn)單的行為，更為復(fù)雜的行為是通過這些簡(jiǎn)單行為的相互作用產(chǎn)生的。-首先應(yīng)制造具有昆蟲一類低等生物智能水平的系統(tǒng)。

AI:Introduction27現(xiàn)場(chǎng)式人工智能

-構(gòu)造不能與外界友好交互的無實(shí)體智能系統(tǒng)(traditional)-構(gòu)造在真實(shí)環(huán)境中活動(dòng)的智能系統(tǒng)(Nouvelle).

行為智能AI:Introduction28AI:Introduction28進(jìn)化計(jì)算生物進(jìn)化

-產(chǎn)生大量能夠適應(yīng)不同環(huán)境的各種生物物種.

模擬進(jìn)化

-在計(jì)算機(jī)上模擬生物進(jìn)化過程,可以讓計(jì)算機(jī)通過進(jìn)化的方式找到問題的解答。

AI:Introduction29AI:Introduction29遺傳算法

像DNA中的分子串一樣，用符號(hào)串編碼問題的解決方案。通過符號(hào)串的突變和重組找到好的解。

進(jìn)化策略

用解的原始形式表示個(gè)體,主要用突變和選擇作為搜索算子，其中突變通常通過對(duì)問題的解向量進(jìn)行正態(tài)隨機(jī)擾動(dòng)實(shí)現(xiàn)；選擇則是按適應(yīng)度排序方式進(jìn)行.進(jìn)化規(guī)劃

與進(jìn)化策略很難區(qū)分。主要區(qū)別是僅利用重組實(shí)現(xiàn)解的改變。它將每個(gè)個(gè)體看做一個(gè)物種，而不是同一物種中的不同個(gè)體，因此每個(gè)父代個(gè)體產(chǎn)生一個(gè)子代個(gè)體。進(jìn)化計(jì)算AI:Introduction30AI:Introduction30群智能智能經(jīng)常被認(rèn)為是單個(gè)個(gè)體的行為。是因?yàn)槲覀冇兄腔鬯越M成社會(huì)呢？還是因?yàn)槲覀兇嬖谟谏鐣?huì)中所以有智慧呢？-智能可以在社交活動(dòng)中呈現(xiàn)出來.突現(xiàn)行為

–

一個(gè)群體所表現(xiàn)出來的在其個(gè)體身上看不到的行為.群智能-模擬生物間的社會(huì)交往-由一組簡(jiǎn)單智能體呈現(xiàn)出來的集體智慧AI:Introduction31群智能AI:Introduction32觀察鳥群和魚群能夠以和諧的方式一起運(yùn)動(dòng)，但其中沒有指揮員(領(lǐng)導(dǎo))-是什么決定了沒有領(lǐng)導(dǎo)的群體的行為？蟻群能夠快速找到從它們的巢穴到食物源的最短路徑-同時(shí)還能處理許多復(fù)雜問題，如:維持城堡，修建巢穴，清理巢穴，進(jìn)行重物的搬運(yùn)，等等-單個(gè)螞蟻實(shí)際上是在進(jìn)行盲目地、無記憶地隨機(jī)行走！無中央控制的分布式系統(tǒng)不僅有助于模擬，而且有助于解決優(yōu)化問題。AI:Introduction33AI:Introduction33群智能計(jì)算工具多智能體系統(tǒng)多個(gè)相互作用的智能體組成的系統(tǒng).應(yīng)用于電腦游戲,網(wǎng)絡(luò),交通,物流,等等。蟻群優(yōu)化算法1991(Dorigo)主要用于組合優(yōu)化問題粒子群優(yōu)化算法1995(Kennedy&Eberhart)更通用的優(yōu)化技術(shù)人工神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)AI:ANN35大綱什么是人工神經(jīng)網(wǎng)絡(luò)(ANN)?

多層感知器(MLP)-誤差反向傳播算法(B-P)機(jī)器學(xué)習(xí)的意義-學(xué)習(xí)策略監(jiān)督學(xué)習(xí)1、人工神經(jīng)網(wǎng)絡(luò)01AI:ANN37PartⅠ:什么是ANN?AI:ANN38一個(gè)讓汽車學(xué)習(xí)自動(dòng)駕駛的神經(jīng)網(wǎng)絡(luò)T.M.Mitchell,MachineLearning,2006隱藏單元的權(quán)值A(chǔ)I:ANN39汽車自動(dòng)駕駛的視頻AI:ANN401.1人工神經(jīng)網(wǎng)絡(luò)將相互獨(dú)立的單元之間連接起來形成一種圖的結(jié)構(gòu)，這樣的圖可能是有環(huán)的也可能是無環(huán)的，可能是有向圖也可能是無向圖.

自底向上AI

受生物神經(jīng)系統(tǒng)的啟發(fā)，從結(jié)構(gòu)上模擬仿真AI功能AI:ANN41生物神經(jīng)系統(tǒng)

時(shí)間和空間上的累積

興奮和抑制圖片來源：http://kvhs.nbed.nb.ca/gallant/biology/neuron_structure.jpgAI:ANN42人工神經(jīng)系統(tǒng)

M-P神經(jīng)元θx1x2xnyω1ω2ωn輸入輸出閾值McClloch與Pitts，《神經(jīng)活動(dòng)中固有的思想邏輯運(yùn)算》,1943f:激活函數(shù)g:整合函數(shù)AI:ANN43整合函數(shù)加權(quán)求和

徑向距離AI:ANN44激活函數(shù)

閾值型線性飽和線性S型函數(shù)雙曲正切函數(shù)高斯函數(shù)AI:ANN451.2人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)前饋型神經(jīng)網(wǎng)絡(luò)-沒有環(huán)-靜態(tài)結(jié)構(gòu)

反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)-有環(huán)-動(dòng)態(tài)結(jié)構(gòu)(非線性動(dòng)力系統(tǒng))AI:ANN46前饋網(wǎng)絡(luò)的一般結(jié)構(gòu)反饋網(wǎng)絡(luò)的一般結(jié)構(gòu)AI:ANN471.3人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法神經(jīng)網(wǎng)絡(luò)根據(jù)所處環(huán)境對(duì)它的刺激自適應(yīng)的調(diào)整其網(wǎng)絡(luò)結(jié)構(gòu)中的自由參數(shù).學(xué)習(xí)模型

漸進(jìn)式vs.批處理兩類

監(jiān)督型vs.非監(jiān)督型AI:ANN48重要的神經(jīng)網(wǎng)絡(luò)模型模型結(jié)構(gòu)學(xué)習(xí)方法模型結(jié)構(gòu)學(xué)習(xí)方法多層感知器前饋型網(wǎng)絡(luò)結(jié)構(gòu)誤差修正玻爾茲曼機(jī)單層，反饋型網(wǎng)絡(luò)結(jié)構(gòu)隨機(jī)性徑向基函數(shù)網(wǎng)絡(luò)多層，前饋型網(wǎng)絡(luò)結(jié)構(gòu)誤差修正自適應(yīng)共振理論兩層，反饋型網(wǎng)絡(luò)結(jié)構(gòu)競(jìng)爭(zhēng)型學(xué)習(xí)霍普菲爾德網(wǎng)絡(luò)單層，反饋型網(wǎng)絡(luò)結(jié)構(gòu)外積Kohonen自組織特征映射網(wǎng)單層軟競(jìng)爭(zhēng)學(xué)習(xí)AI:ANN49PartⅡ:多層感知器(MLP)AI:ANN502.1B-P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

一種多層感知機(jī),其中的激活函數(shù)采用S型函數(shù).AI:ANN51B-P學(xué)習(xí)算法學(xué)習(xí)方法

-輸入數(shù)據(jù)被前向輸入到隱含層,然后再輸入到輸出層

-誤差信息被反向傳播，從輸出層到隱含層再到輸入層Rumelhart&Meclelland,Nature,1986AI:ANN52B-P學(xué)習(xí)步驟Step1.在訓(xùn)練集中選擇一種模式并將其輸入到網(wǎng)絡(luò)中Step2.計(jì)算輸入序列中輸入層，隱含層，輸出層神經(jīng)元的激活情況.Step3.通過比較實(shí)際輸出與期望輸出，計(jì)算輸出神經(jīng)元的誤差.Step4.用計(jì)算出來的誤差更新網(wǎng)絡(luò)中的所有權(quán)重，從而使全局誤差度量變小.Step5.重復(fù)上述Step1-Step5直到全局誤差小于一個(gè)給定的閾值.AI:ANN53B-P求導(dǎo)全局誤差度量理想輸出實(shí)際輸出平方誤差目標(biāo)是最小化平方誤差,即達(dá)到最小均方誤差(MSE)2、機(jī)器學(xué)習(xí)02AI:MachineLearning55PartⅠ:機(jī)器學(xué)習(xí)的意義

AI:MachineLearning56機(jī)器學(xué)習(xí)什么？學(xué)習(xí)是系統(tǒng)中的變化，這種變化使系統(tǒng)在重復(fù)同樣工作或類似工作時(shí)，能夠做得更好。

西蒙機(jī)器學(xué)習(xí)研究如何使計(jì)算機(jī)程序自動(dòng)根據(jù)經(jīng)驗(yàn)提升其性能。應(yīng)用領(lǐng)域涵蓋從大量數(shù)據(jù)中發(fā)現(xiàn)一般規(guī)則的數(shù)據(jù)挖掘程序到自動(dòng)學(xué)習(xí)用戶興趣的信息過濾系統(tǒng)等。TomM.MitchellAI:MachineLearning57定義學(xué)習(xí)的任務(wù)基于經(jīng)驗(yàn)，根據(jù)性能準(zhǔn)則，提升完成相應(yīng)任務(wù)的性能任務(wù):下跳棋性能:對(duì)于任意對(duì)手，取勝的概率

經(jīng)驗(yàn):以自己為對(duì)手，進(jìn)行的練習(xí)任務(wù):識(shí)別手寫字性能:被正確分類的字所占的比例經(jīng)驗(yàn):經(jīng)過人工標(biāo)注的手寫字的數(shù)據(jù)庫任務(wù):視覺傳感器自動(dòng)駕駛性能:出錯(cuò)前行駛的平均距離經(jīng)驗(yàn):人類駕駛的時(shí)候記錄下來的一系列圖像和控制命令ExamplesAI:MachineLearning58為什么要進(jìn)行機(jī)器學(xué)習(xí)？在環(huán)境事先未知時(shí)，學(xué)習(xí)至關(guān)重要(可用于開發(fā)能夠自動(dòng)適應(yīng)環(huán)境的系統(tǒng)). 比如，當(dāng)設(shè)計(jì)者缺少關(guān)于環(huán)境的全部信息時(shí)學(xué)習(xí)是一個(gè)很有用的系統(tǒng)構(gòu)建方法(可用于構(gòu)建人工方式很難實(shí)現(xiàn)或者很昂貴的系統(tǒng)).比如,將系統(tǒng)暴露在真實(shí)的環(huán)境中自我提升而不是直接構(gòu)建該系統(tǒng)。AI:MachineLearning59為什么要進(jìn)行機(jī)器學(xué)習(xí)？（續(xù)）從龐大的數(shù)據(jù)庫里發(fā)掘新信息(數(shù)據(jù)挖掘)。商場(chǎng)購物數(shù)據(jù)分析(如：尿布和啤酒)醫(yī)學(xué)文本挖掘(如：偏頭痛和鈣)對(duì)于機(jī)器學(xué)習(xí)的研究可以幫助我們理解人類以及其他生物的學(xué)習(xí)方式。AI:MachineLearning60學(xué)習(xí)系統(tǒng)的評(píng)價(jià)實(shí)驗(yàn)在不同的基準(zhǔn)數(shù)據(jù)集上，采用交叉驗(yàn)證試驗(yàn)來比較各種不同的方法。收集評(píng)價(jià)系統(tǒng)性能的數(shù)據(jù)，如測(cè)試準(zhǔn)確率、訓(xùn)練時(shí)間、測(cè)試時(shí)間等。分析方法在統(tǒng)計(jì)顯著性上的不同。理論從數(shù)學(xué)上分析算法，為以下幾點(diǎn)提供理論支持：計(jì)算復(fù)雜性擬合訓(xùn)練數(shù)據(jù)的能力樣本復(fù)雜性(得到一個(gè)準(zhǔn)確的函數(shù)所需要的訓(xùn)練數(shù)據(jù)的個(gè)數(shù))AI:MachineLearning61S.J.RusselllandP.Norvig,“artificialintelligence:amodernapproach”.具有學(xué)習(xí)能力的智能系統(tǒng)的架構(gòu)AI:MachineLearning62學(xué)習(xí)機(jī)構(gòu)學(xué)習(xí)機(jī)構(gòu)的設(shè)計(jì)需要考慮：學(xué)習(xí)性能組件中的什么部分可利用什么反饋方式來學(xué)習(xí)這些部分怎樣表示性能組件？反饋類型: 監(jiān)督學(xué)習(xí):每一個(gè)輸入數(shù)據(jù)都有對(duì)應(yīng)的期望輸出非監(jiān)督學(xué)習(xí):沒有輸入數(shù)據(jù)的期望輸出強(qiáng)化學(xué)習(xí):通過獎(jiǎng)懲學(xué)習(xí)AI:MachineLearning63學(xué)習(xí)策略機(jī)械式學(xué)習(xí)

基于存儲(chǔ)的學(xué)習(xí)指導(dǎo)式學(xué)習(xí)

將外部指導(dǎo)者提供的知識(shí)形式轉(zhuǎn)化為可供執(zhí)行機(jī)構(gòu)直接使用的知識(shí)形式類比學(xué)習(xí)

利用不同領(lǐng)域知識(shí)的相似性AI:MachineLearning64學(xué)習(xí)策略（續(xù)）解釋學(xué)習(xí)

演繹和歸納相結(jié)合歸納學(xué)習(xí)

1.人工神經(jīng)網(wǎng)絡(luò)

2.統(tǒng)計(jì)學(xué)習(xí)

3.決策樹

4.聚類

監(jiān)督非監(jiān)督AI:MachineLearning65機(jī)械式學(xué)習(xí)學(xué)習(xí)==存儲(chǔ)？存儲(chǔ)問題的解，當(dāng)遇到相同的問題時(shí)進(jìn)行檢索。存儲(chǔ)和計(jì)算的權(quán)衡AI:MachineLearning66PartⅡ:監(jiān)督學(xué)習(xí)AI:MachineLearning672.1什么是監(jiān)督學(xué)習(xí)？最簡(jiǎn)單的形式:根據(jù)輸入數(shù)據(jù)學(xué)習(xí)一個(gè)函數(shù)f

是目標(biāo)函數(shù)

一個(gè)數(shù)據(jù)是一個(gè)(x,f(x))對(duì)

問題:給定一個(gè)訓(xùn)練數(shù)據(jù)集，找到一個(gè)函數(shù)h，以使

h≈fAI:MachineLearning68監(jiān)督學(xué)習(xí)方法構(gòu)造

h，使h在訓(xùn)練數(shù)據(jù)集上與f

吻合(如果對(duì)于所有的數(shù)據(jù)，h都與f吻合，則h與f是一致的。)如：

曲線擬合:AI:MachineLearning69監(jiān)督學(xué)習(xí)方法構(gòu)造

h，使h在訓(xùn)練數(shù)據(jù)集上與f

吻合(如果對(duì)于所有的數(shù)據(jù)，h都與f吻合，則h與f是一致的。)如：

曲線擬合:AI:MachineLearning70監(jiān)督學(xué)習(xí)方法構(gòu)造

h，使h在訓(xùn)練數(shù)據(jù)集上與f

吻合(如果對(duì)于所有的數(shù)據(jù)，h都與f吻合，則h與f是一致的。)