人工智能基础课
王天一
工学博士，副教授
立即订阅
12221 人已学习
课程目录
已完结 58 讲
0/4登录后，你可以任选4讲全文学习。
开篇词 (1讲)
开篇词 | 人工智能：新时代的必修课
免费
数学基础 (7讲)
01 数学基础 | 九层之台，起于累土：线性代数
02 数学基础 | 月有阴晴圆缺，此事古难全：概率论
03 数学基础 | 窥一斑而知全豹：数理统计
04 数学基础 | 不畏浮云遮望眼：最优化方法
05 数学基础 | 万物皆数，信息亦然：信息论
06 数学基础 | 明日黄花迹难寻：形式逻辑
（课外辅导）数学基础 | 拓展阅读参考书
机器学习 (10讲)
07 机器学习 | 数山有路，学海无涯：机器学习概论
08 机器学习 | 简约而不简单：线性回归
09 机器学习 | 大道至简：朴素贝叶斯方法
10 机器学习 | 衍化至繁：逻辑回归
11 机器学习 | 步步为营，有章可循：决策树
12 机器学习 | 穷则变，变则通：支持向量机
13 机器学习 | 三个臭皮匠，赛过诸葛亮：集成学习
14 机器学习 | 物以类聚，人以群分：聚类分析
15 机器学习 | 好钢用在刀刃上：降维学习
（课外辅导）机器学习 | 拓展阅读参考书
人工神经网络 (7讲)
16 人工神经网络 | 道法自然，久藏玄冥：神经网络的生理学背景
17 人工神经网络 | 一个青年才俊的意外死亡：神经元与感知器
18 人工神经网络 | 左手信号，右手误差：多层感知器
19 人工神经网络 | 各人自扫门前雪：径向基函数神经网络
20 人工神经网络 | 看不见的手：自组织特征映射
21 人工神经网络 | 水无至清，人莫至察：模糊神经网络
（课外辅导）人工神经网络 | 拓展阅读参考书
深度学习 (7讲)
22 深度学习 | 空山鸣响，静水流深：深度学习概述
23 深度学习 | 前方有路，未来可期：深度前馈网络
24 深度学习 | 小树不修不直溜：深度学习中的正则化
25 深度学习 | 玉不琢不成器：深度学习中的优化
26 深度学习 | 空竹里的秘密：自编码器
27 深度学习 | 困知勉行者勇：深度强化学习
（课外辅导）深度学习 | 拓展阅读参考书
深度学习框架下的神经网络 (5讲)
28 深度学习框架下的神经网络 | 枯木逢春：深度信念网络
29 深度学习框架下的神经网络 | 见微知著：卷积神经网络
30 深度学习框架下的神经网络 | 昨日重现：循环神经网络
31 深度学习框架下的神经网络 | 左右互搏：生成式对抗网络
32 深度学习框架下的神经网络 | 三重门：长短期记忆网络
深度学习之外的人工智能 (4讲)
33 深度学习之外的人工智能 | 一图胜千言：概率图模型
34 深度学习之外的人工智能 | 乌合之众的逆袭：集群智能
35 深度学习之外的人工智能 | 授人以鱼不如授人以渔：迁移学习
36 深度学习之外的人工智能 | 滴水藏海：知识图谱
应用场景 (4讲)
37 应用场景 | 你是我的眼：计算机视觉
38 应用场景 | 嘿, Siri：语音处理
39 应用场景 | 心有灵犀一点通：对话系统
40 应用场景 | 数字巴别塔：机器翻译
加餐 (5讲)
课外谈 | “人工智能基础课”之二三闲话
推荐阅读 | 我与人工智能的故事
直播回顾 | 机器学习必备的数学基础
第2季回归 | 这次我们来聊聊机器学习
新书 | 《裂变：秒懂人工智能的基础课》
复习课 (7讲)
一键到达 | 数学基础复习课
一键到达 | 机器学习复习课
一键到达 | 人工神经网络复习课
一键到达 | 深度学习复习课
一键到达 | 深度学习框架下的神经网络复习课
一键到达 | 深度学习之外的人工智能复习课
一键到达 | 应用场景复习课
结束语 (1讲)
结课 | 溯洄从之，道阻且长
人工智能基础课
登录|注册
11 机器学习 | 步步为营，有章可循：决策树
王天一 2018-01-02
决策树算法是解决分类问题的另一种方法。与基于概率推断的朴素贝叶斯分类器和逻辑回归模型不同，决策树算法采用树形结构，使用层层推理来实现最终的分类。与贝叶斯分类器相比，决策树的优势在于构造过程无需使用任何先验条件，因而适用于探索式的知识发现。
决策树的分类方法更接近人类的判断机制，这可以通过买房的实例说明。
面对眼花缭乱的房源，普通人优先考虑的都是每平方米的价格因素，价格不贵就买，价格贵了就不买。在价格合适的前提下，面积就是下一个待确定的问题，面积不小就买，面积小了就不买。如果面积合适，位置也是不容忽视的因素，单身业主会考虑房源离工作地点的远近，离单位近就买，离单位远就不买；为人父母的则要斟酌是不是学区房，是学区房就买，不是学区房就不买。如果位置同样称心，就可以再根据交通是否便捷、物业是否良好、价格是否有优惠等条件进一步筛选，确定最后的购买对象。
前面的例子模拟了一套购房策略。在这套策略中，业主对每个可选房源都要做出“买”与“不买”的决策结果，而“每平米价格”、“房屋面积”、“学区房”等因素共同构成了决策的判断条件，在每个判断条件下的选择表示的是不同情况下的决策路径，而每个“买”或是“不买”的决定背后都包含一系列完整的决策过程。决策树就是将以上过程形式化、并引入量化指标后形成的分类算法。
决策树是一个包含根节点、内部节点和叶节点的树结构，其根节点包含样本全集，内部节点对应特征属性测试，叶节点则代表决策结果。从根节点到每个叶节点的每条路径都对应着一个从数据到决策的判定流程。使用决策树进行决策的过程就是从根节点开始，测试待分类项的特征属性，并按照其值选择输出的内部节点。当选择过程持续到到达某个叶节点时，就将该叶节点存放的类别作为决策结果。
由于决策树是基于特征对实例进行分类的，因而其学习的本质是从训练数据集中归纳出一组用于分类的“如果...... 那么......”规则。在学习的过程中，这组规则集合既要在训练数据上有较高的符合度，也要具备良好的泛化能力。决策树模型的学习过程包括三个步骤：特征选择、决策树生成和决策树剪枝。
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《人工智能基础课》，如需阅读全部文章，
请订阅文章所属专栏。
请订阅文章所属专栏。
立即订阅
登录 后留言
精选留言(3)
刘祯看完这几篇机器学习的方法与模型，深深感叹数学抽象思维的重要性，概念和原理是我们必须要掌握的知识。感谢老师的普及，功夫在课外，给自己压力去多看看其他视频课程，阅读相关资料来学习，要不然很容易迷失。
今天的思考题很有意思，从概念来看，决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。其实，我们更关心的先验概率，将所有可能发生的结果进行评估。作者回复: 除了先验概率以外，似然概率也在决策树中有所利用。先验概率体现在属性的信源熵上，似然概率体现在信息增益上。
2018-01-26 4
wolfog前几天一直在忙其他事，今天又回来了，加油。2018-02-01 1
十八哥信息增益就是业务信息最终要的字段2019-01-29
收起评论