《人工智能通识》习题解答(第3章)

1. 以“计算机识别图像”为例，说明它的机器学习的过程。

机器学习的完整过程可分为数据准备、模型构建、训练优化、推理部署四大核心阶段。

第一步：准备数据

首先准备一批带标签的图片，这就是训练数据。比如给机器看一堆苹果和香蕉的照片，每张都提前标记好“这是苹果”或“这是香蕉”。 

第二步：构建模型

接着要选一个模型来“消化”这些数据。可以使用卷积神经网络（CNN），它能自动从图片里一层层学出图片的特征。

第三步：训练模型

把训练图片输入模型，得到它的预测结果。使用损失函数（比如交叉熵）算出预测值和真实标签差多少。根据差值，用梯度下降法调整参数，让预测慢慢变准。

第四步：评估与部署

训练完还要用没参加过训练的新图片来测试，看它是不是真的学会了，而不是死记硬背。评估指标常用准确率、混淆矩阵等。

2. 机器学习的核心任务包括哪些？“分类”与“回归”有什么区别？

机器学习的核心任务：‌让计算机从数据中自动学习规律，并基于这些规律对未知数据做出预测或决策‌。通俗说，就是“用数据教电脑找规律”，而不是靠人一条条写规则。

回归和分类都是机器学习里的预测任务，最核心的区别是输出结果不同：回归是计算具体的数值，分类是确定所属的类别。

3. 有监督学习和无监督学习的主要区别是什么？分别列出一种典型的算法及其主要功能。

有监督学习和无监督学习的核心区别在于训练数据有没有标签：有监督学习用“带正确答案”的数据训练模型去预测，无监督学习则从“没有答案”的数据里自己找规律。

有监督学习的典型算法：线性回归，主要功能是预测连续数值，比如根据房屋面积、地段预测房价，它假设特征和目标之间是线性关系。

无监督学习的典型算法：K-means聚类，主要功能是把相似的数据点自动分成K个组，比如把客户按购买行为分成几类人群，以便做差异化营销。

4. 强化学习的核心思想是什么？描述智能体与环境交互的基本流程。

强化学习的核心思想是‌“试错学习”‌：智能体没有标准答案，只能通过不断尝试动作、接收环境反馈的奖励或惩罚，逐步调整策略，最终学会在什么状态下做什么动作，才能让长期累积的奖励最大化。

5. 支持向量机（SVM）的核心思想是什么？并举出一个应用SVM的实际例子。

支持向量机（SVM）的核心思想是：找到一个最优分类超平面，让两类样本之间的间隔（Margin）最大化，从而让模型对新数据有更好的泛化能力。

具体来说，可以把每个样本看成特征空间里的一个点，SVM 要画的这条“分界线”（超平面）不仅要能把两类分开，还要离两边最近的样本都尽量远。那些恰好落在间隔边界上、决定这条线位置的样本，就是支持向量。

在建模方式上，回归模型通常直接学习从输入到输出的函数映射，而分类模型更自然地从概率建模的角度出发，学习输入对应各类别的条件概率分布。

6. 根据题目要求，画出相应的决策树。

（1）根据动物的特征，画出判断动物所属类别的决策树。

（2）根据西瓜的特征，画出判断西瓜是否成熟的决策树。