人工智能基础课
王天一
工学博士,副教授
立即订阅
12214 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

12 机器学习 | 穷则变,变则通:支持向量机

王天一 2018-01-04
1963 年,在前苏联莫斯科控制科学学院攻读统计学博士学位的弗拉基米尔·瓦普尼克和他的同事阿列克谢·切尔沃宁基斯共同提出了支持向量机算法,随后几年两人又在此基础上进一步完善了统计学习理论。可受当时国际环境的影响,这些以俄文发表的成果并没有得到西方学术界的重视。直到 1990 年,瓦普尼克随着移民潮到达美国,统计学习理论才得到了它应有的重视,并在二十世纪末大放异彩。瓦普尼克本人也于 2014 年加入 Facebook 的人工智能实验室,并获得了包括罗森布拉特奖和冯诺伊曼奖章等诸多个人荣誉。
具体说来,支持向量机是一种二分类算法,通过在高维空间中构造超平面实现对样本的分类。最简单的情形是训练数据线性可分的情况,此时的支持向量机就被弱化为线性可分支持向量机,这可以视为广义支持向量机的一种特例。
线性可分的数据集可以简化为二维平面上的点集。在平面直角坐标系中,如果有若干个点全部位于 轴上方,另外若干个点全部位于 轴下方,这两个点集就共同构成了一个线性可分的训练数据集,而 轴就是将它们区分开来的一维超平面,也就是直线。
如果在上面的例子上做进一步的假设,假定 轴上方的点全部位于直线 上及其上方, 轴下方的点全部位于直线 上及其下方。如此一来,任何平行于 轴且在 (-2, 1) 之间的直线都可以将这个训练集分开。那么问题来了:在这么多划分超平面中,哪一个是最好的呢?
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。
立即订阅
登录 后留言

精选留言(8)

  • 刘祯
    昨天还说要有抽象思维能力,今天的支持向量机就是直观的考验了。就像之前的同学说的,如果老师能够加上图其实就能够理解内涵了。

    从低维到高维,这就是空间构建的方法。支持向量是最优分界线上的边缘样本,而机是机器学习的算法,全称为 Support Vectors Machines。

    在知乎和其他资料上有较为清楚的解释。以下是链接,和我一样的不懂的同学请戳。

    https://www.zhihu.com/question/21094489
    2018-01-26
    1
    12
  • geoxs
    关于棋盘的例子,我觉得这样说更好一点:棋盘的棋子本来没有颜色,所以厮杀后就无法分类了,这时候加上一个颜色维度,人类就可以看一眼就对棋子进行准确的分类

    作者回复: 主要是边界的问题,没有下棋之前棋子各排两边,一条直线就能分开;但下棋之后相互交错,需要更复杂的曲线形状边界。

    2019-01-16
    1
  • lonelyandrew
    软间隔最大化下的约束条件,第二个不等式,≤右侧的表达式是否应该为-1+/xi_i?

    作者回复: 留言里数学符号显示有问题,但你写的应该是对的。

    2018-06-06
    1
  • wolfog
    王老师您第九段的那两个公式(WTX+B>=1).我在看其他资料的时候,假设函数间隔为1,所以就有了y(WTX+B)>=1(根据定义,函数间隔是y(WTX+B)的最小值,而y是结果标签,只能取1或者-1)所以根据不等式的运算WTX+B要么大于等于1或者小于等于-1吧

    作者回复: 没错,少了个负号,谢谢你指正🙏🏻小于-1意味着点到超平面的距离是大于1的

    2018-02-08
    1
  • MJ小朋友
    老师讲的很不错,另外我又看了书上关于对偶拉格朗日的引入解参数w和b
    2018-01-06
    1
  • code2
    把公式重排一下版,显示出来的很杂乱,看不清楚。
    2019-02-10
  • 陈邓~cd
    “通过合理设置参数 w和 b
    ,可以使每个样本点到最优划分超平面的距离都不小于 -1,”最末尾,距离是不小于1?

    作者回复: 是的,感谢细心指出

    2018-06-25
  • Colin.Tao
    感觉数学底子还不够,有点吃不太懂,得再学习学习...不过特别喜欢核函数这个东西,从低维升级到高维,解决线性不可分的问题。至少我先学习下这种解决问题的思路先,生活中也是,很多事情上升个维度思考,问题就很简单了。不过如果老师能再讲更细一些,比如画一些图之类的,然后简单推一下公式。如果还能加一个推导过程的视频就太好了,哈哈哈😂

    作者回复: 加上推导的话想要简单就不容易啦

    2018-01-19
收起评论
8
返回
顶部