杭州电子科技大学：《人工智能导论》课程教学资源（PPT课件讲稿）第六讲 机器学习基础（机器学习与知识发现）

9.1 机器学习概述 9.2 符号学习 9.3 神经网络学习 9.4 知识发现与数据挖掘

遗传算法 Genetic Algorithms, GA 粒子群优化算法 Particle Swarm Optimization, PSO 贝叶斯优化算法 Bayesian Optimization 算法应用示例 Application Demos 自动化机器学习 Automated machine learning

第一部分 深度学习基础 第1章 什么是深度学习 第2章 神经网络的数学基础 第3章 神经网络入门 第4章 机器学习基础 第二部分 深度学习实践 第5章 深度学习用于计算机视觉 第6章 深度学习用于文本和序列 第7章 高级的深度学习最佳实践 第8章 生成式深度学习 第9章 总结

第1章 引言 第2章 监督学习 第3章 无监督学习与预处理 第4章 数据表示与特征工程 第5章 模型评估与改进 第6章 算法链与管道 第7章 处理文本数据 第8章 全书总结

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

用途: 设计先画装配图,再根据装配图 拆画零件图。 生产根据装配图将零件装配成部 件或机器。 作用: 表达机器或部件的工作原理、各零件之间的装配关系和位置关系

一、机器的基本组成要素 机器:机原机构←构件→运动的单元 机设零件→制造装配的单元

4.1 传感器的种类 4.2 触觉信息的获取 4.3 视觉信息的获取 4.4 距离信息的获取

电子科技大学：《机器学习 Machine Learning》课程教学资源（课件讲稿）第1章 机器学习介绍（师君）