人工智能导论
第 3 章 机器学习基础
第 3 章
机器学习基础
有哪些具体的学习方法，各自适合什么问题，以及怎么判断一个模型好不好。
1
第一节 从统计学习说起
8 页
统计学习三要素，逻辑回归与分类入门
01
章首
02
经典统计学习
03
回顾三要素
04
三条路线
05
逻辑回归
06
用概率描述
07
Sigmoid
08
决策边界
2
第二节 支持向量机与核方法
10 页
在类别之间找到最宽的通道
09
最大间隔
10
三个术语
11
支持向量决定边界
12
硬间隔
13
软间隔
14
线性不可分
15
核方法
16
核技巧
17
替换内积
18
常见核函数
3
第三节 决策树
7 页
像问答游戏一样做分类
19
决策树
20
树的结构
21
术语汇总
22
熵
23
信息增益
24
选哪个特征
25
阶梯状边界
实验 1
谁能活下来
配合第一节到第三节。从泰坦尼克号 891 条乘客记录里找规律，拖动滑块看结果怎么变
01
认识数据：特征与标签
02
一个特征加一道门槛
03
加一个特征就一定更好吗
04
决策树：让机器自己定门槛
05
随机森林：多棵树一起投票
06
实验报告
实验 2
及格的把握有多大
配合第一节。拖动两个旋钮调一条 S 形曲线，看逻辑回归怎样把分数变成概率
01
把分数换算成概率
02
自己调一条 S 形曲线
03
两个特征，一条直线
04
实验报告
4
第四节 聚类与降维
11 页
数据没有配答案，机器也能自己找出规律
26
监督与无监督
27
K-Means
28
四个步骤
29
迭代过程
30
K 怎么选
31
为什么降维
32
投影
33
散得最开
35
新坐标轴
37
保留前几个
39
留几个
实验 3
给顾客自动分群
配合第四节。让 K-Means 把 150 位会员自动分群，再转动一条直线，看 PCA 选哪个方向
01
一步一步看 K-Means
02
换个起点再跑一次
03
分几群最合适
04
换个角度看数据
05
实验报告
5
第五节 模型评估
6 页
模型学得好不好，要用它没见过的数据来检验
40
分类评估
41
回归评估
42
在哪算指标
43
三份数据
44
交叉验证
45
本节小结
6
第六节 强化学习基础
9 页
没有标准答案，只有做完之后的奖励
46
强化学习
47
从做题到试错
48
五个要素
49
状态与动作空间
50
策略
51
回报与折扣
52
价值函数
53
最优策略
54
贝尔曼方程
7
第七节 强化学习的求解与前沿
8 页
怎样把价值算出来，以及还有哪些难题
55
动态规划
56
探索与利用
57
Q 学习
58
稀疏奖励
59
深度强化学习
60
多智能体
61
本节小结
62
课后交流
实验 4
走迷宫
配合第六、七节。先自己走一走，再看机器怎样一格一格算出每个位置的价值
01
自己走一走
02
让机器一格一格算
03
改一改奖励，看它怎么走
04
实验报告
保山学院
·
人工智能教研室
·
曹鼎鼎