02 非参数分析的重要性 03 什么是非参数分析 (Nonparametric Analysis) 04 全局平滑法 (Global Smoothing) 目录 01 导论 06 非参数方法与机器学习 07 结论 08 05 局部平滑法 (Local Smoothing)

为了更加快捷、高效地判定边坡稳定与否，基于机器学习，融合主成分分析法（PCA）、参数调整、影响因素权重分析等，建立了一种边坡安全稳定性评价体系。研究发现，运用PCA可以在保留80%数据原信息的前提下将输入变量维度从六维降至三维，但此时模型效果有所下降；随机森林及梯度提升(XGBoost) 两种学习算法均可搭建有效的边坡安全稳定性评估模型，通过对其预测效果的对比分析，确定XGBoost为最佳评价模型。与此同时，采取卡方检验、F检验以及互信息法3种相关性检验手段，并通过计算评价因子的重要程度且加以可视化展示，明确了容重、坡高、内摩擦角以及内聚力4个内在因素的重要性，最终将评估结果与实际结合提出了边坡安全防护措施

8.1 机器学习的基本概念 8.2 机械学习 8.3 指导学习 8.4 类比学习 8.5 归纳学习 8.6 解释学习 8.7 知识发现与数据挖掘 8.8 学习控制系统

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

6.1 产生式规则 6.2 产生式系统

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

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

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