机器学习-第四章 朴素贝叶斯 黄海广 副教授 2 本章目录 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 3 1.贝叶斯方法 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 4 1.贝叶斯方法-背景知识 先验概率： 后验概率： 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为 具体来说，利用训练数据学习?(?|?)和?(?)的估计，得到联合概率分布： ?(?, ?)＝?(?|?) ?(?) 7 2.朴素贝叶斯原理 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 8 判别模型和生成模型 判别模型（Discriminative Model) 生成模型（Generative Model） 由数据直接学习决策函数Y=f(X)或者条件概率分 = ?? σ?=1 ? ς?=1 ? ? ? ? = ? ? ? = ?? ? ? = ?? 18 3.朴素贝叶斯案例 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 19 3.朴素贝叶斯案例 假设我们正在构建一个分类器，该分类器说明文本是否与运动(Sports)有 关。我们的训练数据有5句话： 文本 标签 A

Apriori算法 算法案例 第一次迭代：假设支持度阈值为2，创建大小为1的项集并计算它们的支持度。 订单编号 项目 T1 1 3 4 T2 2 3 5 T3 1 2 3 5 T4 2 5 T5 1 3 5 项集 支持度 {1} 3 {2} 3 {3} 4 {4} 1 {5} 4 C1 13 2.Apriori算法 算法案例 可以看到 {1} 3 {2} 3 {3} 4 {4} 1 {5} 4 C1 项集 支持度 {1} 3 {2} 3 {3} 4 {5} 4 F1 14 2.Apriori算法 算法案例 第2次迭代：接下来我们将创建大小为2的项集，并计算它们的支持度。F1中设 置的所有项 项集 支持度 {1,2} 1 {1,3} 3 {1,5} 2 {2,3} 2 {2,5} 3 {3 订单编号 项目 T1 1 3 4 T2 2 3 5 T3 1 2 3 5 T4 2 5 T5 1 3 5 15 2.Apriori算法 算法案例 项集 支持度 {1,2} 1 {1,3} 3 {1,5} 2 {2,3} 2 {2,5} 3 {3,5} 3 F2 项集 支持度 {1,3} 3 {1,5} 2 {2,3}

2 01 计算机视觉概述 02 卷积神经网络简介 03 卷积神经网络计算 04 卷积神经网络案例 本章目录 3 01 计算机视觉概述 02 卷积神经网络概述 03 卷积神经网络计算 04 卷积神经网络案例 本章目录 4 计算机视觉 图像获取 提取二维图像 、三维图组、 图像序列或相 关的物理数据 ，如声波、电 磁波或核磁 图片都有3个颜色通道。 如果计算一下的话，可得知数据量为12288 12 01 计算机视觉概述 02 卷积神经网络概述 03 卷积神经网络计算 04 卷积神经网络案例 本章目录 13 深层神经网络和卷积神经网络 Input Layer Hidden Layers Output Layer a[4] X Ŷ a[1] 1 a[1] 2 a[1] (−1) + (−8) + (−2) = −5 -5 边缘检测 18 01 计算机视觉概述 02 卷积神经网络概述 03 卷积神经网络计算 04 卷积神经网络案例 本章目录 19 S=1 S=2 卷积步长 s 卷积步长 20 Padding 卷积操作之前填充这幅图像 卷积步长 ? ? ? = 7，? = 0，? = 3，? = 2，

集群、客户细分、识别癌症数据、搜索引擎应用、医疗应用、药物活性预 测…… 7 1.无监督学习方法概述 聚类案例 1.医疗 医生可以使用聚类算法来发现疾病。以甲状 腺疾病为例。当我们对包含甲状腺疾病和非 甲状腺疾病的数据集应用无监督学习时，可 以使用聚类算法来识别甲状腺疾病数据集。 8 1.无监督学习方法概述 聚类案例 2.市场细分 为了吸引更多的客户，每家公司都在开发易 于使用的功能和技术。为了了解客户，公司 可以了解客户，发现客户之间的相似之处， 并对他们进行分组。 9 1.无监督学习方法概述 聚类案例 3.金融业 银行可以观察到可能的金融欺诈行为，就此 向客户发出警告。在聚类算法的帮助下，保 险公司可以发现某些客户的欺诈行为，并调 查类似客户的保单是否有欺诈行为。 10 1.无监督学习方法概述 聚类案例 4.搜索引擎 百度是人们使用的搜索引擎之一。举个例子，当 我们搜索一些信息，如在某地的超市，百度将为 我们搜索一些信息，如在某地的超市，百度将为 我们提供不同的超市的选择。这是聚类的结果， 提供给你的结果就是聚类的相似结果。 11 1.无监督学习方法概述 聚类案例 5.社交网络 比如在社交网络的分析上。已知你朋友的信息， 比如经常发email的联系人，或是你的微博好友、 微信的朋友圈，我们可运用聚类方法自动地给朋 友进行分组，做到让每组里的人们彼此都熟识。 12 2.K-means聚类 01 无监督学习概述

01 Scikit-learn概述 02 Scikit-learn主要用法 03 Scikit-learn案例 3 1.Scikit-learn概述 01 Scikit-learn概述 02 Scikit-learn主要用法 03 Scikit-learn案例 4 1.Scikit-learn概述 Scikit-learn是基于NumPy、 SciPy和 Matplotlib的开源Python机器学习 习算法。还包括了特征提取，数据处理和模型评估三大模块。 5 6 2.Scikit-learn主要用法 01 Scikit-learn概述 02 Scikit-learn主要用法 03 Scikit-learn案例 7 X_train | 训练数据. X_test | 测试数据. X | 完整数据. 符号标记 2.Scikit-learn主要用法 y_train | 训练集标签. y_test 匀分布uniform中随机采样 得到），时间耗费较少，更容易找到局部最优 28 3.Scikit-learn案例 01 Scikit-learn概述 02 Scikit-learn主要用法 03 Scikit-learn案例 29 3.Scikit-learn案例 见Jupyter notebook 代码 30 参考文献 1. https://scikit-learn

华为云深度学习在文本分类中的实践 华为 Cloud&AI 李明磊 3 2 3 1 4 分类 算法 简史 深度 学习 架构 难点 应用 案例 目录 4 文本分类介绍 内容：  买没几天就降价一点都不开心，闪存跑分就五百多点点 ---  外观漂亮音质不错，现在电子产品基本上都是华为的了 ---  汽车不错，省油，性价比高 ---  这个政策好啊，利国利民 --- … 分类器 模型： 数据： 手机不错，高大上 正面 手机太差劲了，又贵又卡 负面 续航给力，价格实在 正面 9 1 3 2 4 分类 算法 简史 深度 学习 架构 难点 应用 案例 目录 10 深度学习框架 Standard raw text Tokenization Indexing Pre embedding Classification Matching 手机不错，高大上 [手 机 不 错 ，高 大 上] [1, 22, 32, 46, 876, 55, 98, 20] 11 1 2 3 4 分类 算法 简史 深度 学习 架构 难点 应用 案例 目录 12 数据不均衡 13 数据不均衡 预处理方法  上采样  下采样  SMOTE  数据增广 集成方法  SMOTEbagging 改损失函数 

2.SVD(奇异值分解) SVD计算案例 设矩阵 ?定义为：? = 3 0 4 5 则?的秩? = 2。 ?T? = 3 4 0 5 3 0 4 5 = 25 20 20 25 ??T = 3 0 4 5 3 4 0 5 = 9 12 12 41 两者都有相同的迹，都是50。 24 2.SVD(奇异值分解) SVD计算案例 ? = 3 0 4 5 进而求出 可以近似描述了。 其中 ? 要比 ?小很多，也就是一个大的矩阵?可以用三个小的矩阵 ??×?, σ ?×? , ??×? T 来表示。 · · 29 2.SVD(奇异值分解) SVD案例 原始图像 处理后的图像 原始维度? = 575 × 1081 × 3 = 1864725 设? = 150，则经过SVD分解后的矩阵及维度： ??×? = 575 × 150，σ ?×? = 4）对特征值从大到小排序，选择其中最大的?个。然后将其对应的?个特征向量分别作为行 向量组成特征向量矩阵?。 5）将数据转换到?个特征向量构建的新空间中，即 ? = ??。 44 PCA的算法案例 3.PCA(主成分分析) 以这个为例，我们用PCA的方法将这组二维数据降到一维 因为这个矩阵的每行已经是零均值，所以我们可以直接求协方差矩阵： σ = 1 5 −1 −1 0 2 0

to TensorFlow 生产级 AI 方案 TensorFlow 2 落地应用 TensorFlow 与移动互联网的结合 TensorFlow 与企业服务的结合 - 腾讯互娱 来源：《案例分享 | 腾讯互娱基于 CPU 环境的分布式 YOLOv3 实现》 魂斗罗游戏中识别角色 K8s Pod K8s Pod K8s Pod Horovod(CPU) on Kubernetes Horoved CPU 平台的分布式模型训练及部署 TensorFlow 与企业服务的结合 - 贝壳找房 来源：《案例分享 | TensorFlow 在贝壳找房中的实践》 训练样本构建示意图 ������ �� TensorFlow 与企业服务的结合 – QQ 音乐 来源：《 案例分享 | QQ 音乐应用 TensorFlow 构建 AI 赋能的音乐曲库》 扫码试看/订阅 《TensorFlow