【叶培大】人工智能与科研写作

Week 3 CNN/SVM/决策树/K-means

K-means

K-Means算法，也叫做K-均值，是机器学习中一种广泛使用的聚类算法，也可以成为其他聚类算法的基础

工作流程

• 输入：样本集，聚类簇数K，算法步骤为
  • 随机选择K个簇中心
  • 对于每个样本判断归属
    • 计算每个样本与簇中心的欧几里得距离
    • 将样本标记为距离它最近的簇
    • 将样本划入相应的簇
  • 将各簇中心更新为隶属于该簇所有样本的均值
  • 重复上面两步
• 输出：簇划分

算法的优缺点

• 优点：简单 快速 适合常规数据集
• 缺点：K值难以确定，难以发现任意形状的簇

应用

图像压缩（图像矢量量化）

---

支持向量机

支持向量机(Support Vector Machine, SVM），是机器学习中一种广泛使用的有监督的分类及回归方法。

• 支持向量机寻找的最优分类直线应满足：
  • 该直线分开了两类
  • 该直线最大化间隔
  • 该直线处于间隔的中间

---

决策树

决策树原理

信息增益

表示得知特征A的信息而使得类X的信息不确定性减少的程度。

决策树构造的基本思路

• 随着深度增加，节点熵迅速降低。（熵降低越快，完成越快）
• 有望得到一棵高度最矮的决策树。
• 叶子节点熵值为0，此时叶子节点为纯节点，即，每个叶子节点中的实例属于同一类。

构造过程

1. 计算熵和信息增益，取最大的作为划分属性
2. 过程迭代，选取划分属性

总结

• 原理
• 构造过程

深度学习-CNN

CNN:卷积神经网络（Convolutional neural network）

卷积

CNN特点之一：局部卷积

Week 04 图像语义分割

语义分割的基本概念及原理

定义：对图像每个像素进行分类，并划定物体的边界

• 任务特点
  • 图像分类：识别存在的内容
  • 物体识别和目标检测：识别图像中的内容和位置（通过边界框）
  • 语义分割：识别图像中存在的内容及位置（查找所有的像素）

Week 05 虚拟现实（AI+三维模型）

计算机视觉