理解大數(shù)據(jù)49-資料下載頁
2025-02-12 20:39本頁面
【正文】 定理、定律和規(guī)則等。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機器學習逐漸成為人工智能研究的核心之一。它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學習的方法加以克服。 研究領域 目前，機器學習領域的研究工作主要圍繞以下三個方面進行： （ 1）面向任務的研究 研究和分析改進一組預定任務的執(zhí)行性能的學習系統(tǒng)。 （ 2）認知模型 研究人類學習過程并進行計算機模擬。 （ 3）理論分析 從理論上探索各種可能的學習方法和獨立于應用領域的算法 機器學習是繼專家系統(tǒng)之后人工智能應用的又一重要研究領域，也是人工智能和神經(jīng)計算的核心研究課題之一?，F(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術的進一步發(fā)展 。 人工神經(jīng)網(wǎng)絡（ ANN） 人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構進行信息處理的數(shù)學模型。在工程與學術界也常直接簡稱為神經(jīng)網(wǎng)絡或類神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）和之間相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（ activation function）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的輸出則依網(wǎng)絡的連接方式，權重值和激勵函數(shù)的不同而不同。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。 基于 JAVA的開源 ANN框架 ? JOONE(Java Object Oriented Neural Network)是 sourcefe上一個用 java語言迅速開發(fā)神經(jīng)網(wǎng)絡的開源項目。 JOONE支持很多的特性，比如多線程和分布式計算，這意味著可以 JOONE可以利用多處理器或是多計算機來均衡附載。 數(shù)據(jù)挖掘 之 聚類分析 聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。它是一種重要的人類行為。聚類分析的目標就是在相似的基礎上收集數(shù)據(jù)來分類。聚類源于很多領域，包括數(shù)學，計算機科學，統(tǒng)計學，生物學和經(jīng)濟學。在不同的應用領域，很多聚類技術都得到了發(fā)展，這些技術方法被用作描述數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。 聚類與分類的不同在于，聚類所要求劃分的類是未知的。聚類是將數(shù)據(jù)分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。 聚類分析 ? 從統(tǒng)計學的觀點看，聚類分析是通過數(shù)據(jù)建模簡化數(shù)據(jù)的一種方法。傳統(tǒng)的統(tǒng)計聚類分析方法包括系統(tǒng)聚類法、分解法、加入法、動態(tài)聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。采用 k均值、 k中心點等算法的聚類分析工具已被加入到許多著名的統(tǒng)計分析軟件包中，如 SPSS、 SAS等。 ? 從機器學習的角度講，簇相當于隱藏模式。聚類是搜索簇的無監(jiān)督學習過程。與分類不同，無監(jiān)督學習不依賴預先定義的類或帶類標記的訓練實例，需要由聚類學習算法自動確定標記，而分類學習的實例或數(shù)據(jù)對象有類別標記。聚類是觀察式學習，而不是示例式的學習。 ? 聚類分析是一種探索性的分析，在分類的過程中，人們不必事先給出一個分類的標準，聚類分析能夠從樣本數(shù)據(jù)出發(fā)，自動進行分類。聚類分析所使用方法的不同，常常會得到不同的結(jié)論。不同研究者對于同一組數(shù)據(jù)進行聚類分析，所得到的聚類數(shù)未必一致。 ? 從實際應用的角度看，聚類分析是數(shù)據(jù)挖掘的主要任務之一。而且聚類能夠作為一個獨立的工具獲得數(shù)據(jù)的分布狀況，觀察每一簇數(shù)據(jù)的特征，集中對特定的聚簇集合作進一步地分析。聚類分析還可以作為其他算法（如分類和定性歸納算法）的預處理步驟。 支持向量機 (SVM） 一種聚類分析的理論 ? 支持向量機是由 Vapnik領導的 ATTBell實驗室研究小組在 1995年提出的一種新的非常有潛力的分類技術， SVM是一種基于統(tǒng)計學習理論的模式識別方法，主要應用于模式識別領域。由于當時這些研究尚不十分完善，在解決模式識別問題中往往趨于保守，且數(shù)學上比較艱澀，這些研究一直沒有得到充分的重視。直到 90年代，統(tǒng)計學習理論 (Statistical Learning Theory， SLT)的實現(xiàn)和由于神經(jīng)網(wǎng)絡等較新興的機器學習方法的研究遇到一些重要的困難，比如如何確定網(wǎng)絡結(jié)構的問題、過學習與欠學習問題、局部極小點問題等，使得 SVM迅速發(fā)展和完善，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。從此迅速的發(fā)展起來，現(xiàn)在已經(jīng)在許多領域 (生物信息學，文本和手寫識別等 )都取得了成功的應用。 LibSVM: 一個開源的SVM實現(xiàn) 右圖為 LibSVM的 demo 演講完畢，謝謝觀看！
畢業(yè)設計相關推薦
鄂ICP備17016276號-1