人工智能技術(shù)與應(yīng)用（案例版）課件 第7章 智能汽車自動(dòng)駕駛2

第7章

智能汽車自動(dòng)駕駛-2人工智能技術(shù)與應(yīng)用ArtificialintelligencetechnologyandApplication1.智能汽車概述2.自動(dòng)駕駛車輛的應(yīng)用3.智能技術(shù)——機(jī)器學(xué)習(xí)4.應(yīng)用案例3.機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。機(jī)器學(xué)習(xí)是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。概念機(jī)器學(xué)習(xí)就是針對識(shí)別菊花和玫瑰花這樣的任務(wù)構(gòu)造某種算法。它的特征是：當(dāng)訓(xùn)練的菊花和玫瑰花的圖片越來越多的時(shí)候，也就是樣本越來越多的時(shí)候，識(shí)別率就會(huì)越來越高。用顯著式編程是達(dá)不到這種效果的，因?yàn)轱@著式編程一開始就定死了程序的輸入和輸出，識(shí)別率是不會(huì)隨著訓(xùn)練樣本的增加而變化。機(jī)器學(xué)習(xí)的發(fā)展歷程機(jī)器學(xué)習(xí)的類型機(jī)器學(xué)習(xí)的類型，主要分成這三大類：有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是指有求知欲的學(xué)生（計(jì)算機(jī)）從老師（環(huán)境）那里獲取知識(shí)、信息。無監(jiān)督學(xué)習(xí)常常是指同學(xué)自主地學(xué)習(xí)，沒有老師，不知道標(biāo)準(zhǔn)的答案是對還是錯(cuò)。半監(jiān)督的學(xué)習(xí)，是監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法。有監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)機(jī)器學(xué)習(xí)過程線性回歸隨機(jī)變量與確定變量之間只有一個(gè)的，那這個(gè)就稱之為一元線性回歸。如果考慮多種影響因素，或者是預(yù)測多個(gè)變量的，那我們就稱之為多元回歸。線性回歸的優(yōu)點(diǎn)是簡單、易于理解和實(shí)現(xiàn)，缺點(diǎn)是不能處理非線性關(guān)系和高維數(shù)據(jù)。線性回歸概念線性回歸基本思想建立回歸模型的基本步驟：確定研究對象，明確哪個(gè)是自變量，哪個(gè)是因變量；畫出它們的散點(diǎn)圖，觀察他們之間是否存在線性關(guān)系；由經(jīng)驗(yàn)確定回歸方程的類型；按照一定的規(guī)則（如最小二乘法）估計(jì)回歸方程中的參數(shù)；得出結(jié)果，分析殘差，確定模型是否合適。聚類聚類是按照某個(gè)特定標(biāo)準(zhǔn)（如距離）把一個(gè)數(shù)據(jù)集分割成不同的類或簇，使得同一個(gè)簇內(nèi)的數(shù)據(jù)對象的相似性盡可能大，同時(shí)不在同一個(gè)簇中的數(shù)據(jù)對象的差異性也盡可能地大。即聚類后同一類的數(shù)據(jù)盡可能聚集到一起，不同類數(shù)據(jù)盡量分離。聚類是指把相似的數(shù)據(jù)劃分到一起，具體劃分的時(shí)候并不關(guān)心這一類的標(biāo)簽，目標(biāo)就是把相似的數(shù)據(jù)聚合到一起。聚類基本概念聚類劃分式聚類方法需要事先指定簇類的數(shù)目或者聚類中心，通過反復(fù)迭代，直至最后達(dá)到“簇內(nèi)的點(diǎn)足夠近，簇間的點(diǎn)足夠遠(yuǎn)”的目標(biāo)。聚類基本過程迭代1次

迭代3次

迭代10次聚類是探索性數(shù)據(jù)挖掘的主要任務(wù)，也是統(tǒng)計(jì)數(shù)據(jù)分析的常用技術(shù)，用于許多領(lǐng)域，包括機(jī)器學(xué)習(xí)、模式識(shí)別、圖像分析、信息檢索、生物信息學(xué)、數(shù)據(jù)壓縮和計(jì)算機(jī)圖形學(xué)。關(guān)聯(lián)分析關(guān)聯(lián)分析是一種數(shù)據(jù)挖掘技術(shù)，用于發(fā)現(xiàn)數(shù)據(jù)集中項(xiàng)之間的關(guān)聯(lián)規(guī)則。在商業(yè)領(lǐng)域，關(guān)聯(lián)分析被廣泛應(yīng)用于市場籃分析、交叉銷售分析、購物籃分析等領(lǐng)域。它可以幫助企業(yè)發(fā)現(xiàn)產(chǎn)品之間的關(guān)聯(lián)性，從而制定更有效的營銷策略，提高銷售額和客戶滿意度。支持向量機(jī)支持向量機(jī)縮寫是SVM，它是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，用于分類任務(wù)或者是回歸任務(wù)。由俄羅斯統(tǒng)計(jì)學(xué)家和數(shù)學(xué)家弗拉基米爾·萬普尼克（VladimirVapnik）在1995年發(fā)表和創(chuàng)造的。支持向量機(jī)是一款強(qiáng)大的分類模型，主要應(yīng)用場景有圖像分類、文本分類、面部識(shí)別、垃圾郵箱檢測等領(lǐng)域。決策樹決策樹的構(gòu)造是按分類規(guī)則得到最優(yōu)的這個(gè)劃分特征，然后計(jì)算這些最優(yōu)的特征的子函數(shù)，并創(chuàng)建特征劃分的這些節(jié)點(diǎn)。按照劃分的分節(jié)點(diǎn)，把這些數(shù)據(jù)集劃分到若干的子數(shù)據(jù)集里，然后在這些子數(shù)據(jù)集上重復(fù)使用判別規(guī)則，構(gòu)建出新的