经典机器学习

欢迎来到《人工智能导论》（COMP5511）第6讲。本节课将理论基础与实际算法实现相连接。尽管现代人工智能常强调深度学习，但经典机器学习仍是数据分析的基石。这些算法具有高度的可解释性和计算效率，因此成为处理结构化数据和行业标准分析的首选方案。

1. 监督学习

该范式通过在带标签的数据集上训练模型，使算法学习输入特征与特定目标输出之间的关系。这使得模型能够准确地预测结果对新的、未见过的数据进行准确预测。

• 决策树：将数据划分为分支以得出分类或数值判断的模型。
• 支持向量机（SVM）：寻找最优超平面以最大化不同数据类别之间的间隔。

2. 无监督学习

这些算法分析无标签数据以发现隐藏的模式、结构或分组，而无需事先知道输出应为何种形式。主要技术包括：

• K均值聚类：基于特征相似性将数据点分入K个不同的组。
• 主成分分析（PCA）：一种降维技术，用于在保留数据核心方差的同时简化复杂数据。