大數(shù)據(jù)下的機(jī)器學(xué)習(xí)

1、《程序設(shè)計(jì)方法學(xué)》 《程序設(shè)計(jì)方法學(xué)》課程論文 課程論文題目： 大數(shù)據(jù)下的機(jī)器學(xué)習(xí)學(xué) 院 通信與信息工程學(xué)院1014010216 學(xué) 號(hào)唐 川 姓 名宗 平 指 導(dǎo) 老 師2014/2015 學(xué)年第二學(xué)期 日 期淹沒在大數(shù)據(jù)的洪流中。2. 機(jī)器學(xué)習(xí)自從計(jì)算機(jī)被發(fā)明以來(lái)， 人們就想知道它能不能學(xué)習(xí)。 機(jī)器學(xué)習(xí)從本質(zhì)上是一個(gè)多學(xué)科的領(lǐng)域。它吸取了人工智能、概率統(tǒng)計(jì)、計(jì)算復(fù)雜性理論、控制論、信息論、哲學(xué)、生理學(xué)、神經(jīng)生物學(xué)等學(xué)科的成果。機(jī)器學(xué)

2、習(xí)的研究主旨是使用計(jì)算機(jī)模擬人類的學(xué)習(xí)活動(dòng)， 它是研究計(jì)算機(jī)識(shí)別現(xiàn)有知識(shí)、獲取新知識(shí)、不斷改善性能和實(shí)現(xiàn)自身完善的方法。這 里 的 學(xué) 習(xí) 意 味 著 從 數(shù) 據(jù) 中 學(xué) 習(xí) ， 它 包 括 有 監(jiān) 督 學(xué) 習(xí) (SupervisedLearning ) 、無(wú)監(jiān)督學(xué) 習(xí)(Unsupervised Learning)和半監(jiān)督學(xué)習(xí)(Semi-Supervised Learning) 三種類別 。 有監(jiān)督學(xué)習(xí)需要對(duì)已知的樣本進(jìn)行訓(xùn)練得到算法模

3、型，然后對(duì)未知樣本的度量結(jié)果（或者說是標(biāo)簽）進(jìn)行預(yù)測(cè)；而無(wú)監(jiān)督學(xué)習(xí)則是直接預(yù)測(cè)未知樣本的度量結(jié)果，沒有實(shí)現(xiàn)訓(xùn)練的過程；而半監(jiān)督學(xué)習(xí)就是介乎兩者之間的機(jī)器學(xué)習(xí)方法。傳統(tǒng)機(jī)器學(xué)習(xí)面臨的一個(gè)新挑戰(zhàn)是如何處理大數(shù)據(jù)。 目前， 包含大規(guī)模數(shù)據(jù)的機(jī)器學(xué)習(xí)問題是普遍存在的， 但是， 由于現(xiàn)有的許多機(jī)器學(xué)習(xí)算法是基于內(nèi)存的， 大數(shù)據(jù)卻無(wú)法裝載進(jìn)計(jì)算機(jī)內(nèi)存， 故現(xiàn)有的諸多算法不能處理大數(shù)據(jù)。 如何提出新的機(jī)器學(xué)習(xí)算法以適應(yīng)大數(shù)據(jù)處理的需求， 是大數(shù)據(jù)時(shí)代

4、的研究熱點(diǎn)方向之一。3. 大數(shù)據(jù)環(huán)境下的機(jī)器學(xué)習(xí)算法3.1大數(shù)據(jù)分類有監(jiān)督學(xué)習(xí)(分類) 面臨的一個(gè)新挑戰(zhàn)是如何處理大數(shù)據(jù)。目前包含大規(guī)模數(shù)據(jù)的分類問題是普遍存在的，但是傳統(tǒng)分類算法不能處理大數(shù)據(jù)．1) 支持向量機(jī)分類。SVM 法即支持向量機(jī)( Support Vector Machine) 法，由 Vapnik 等人于 1995 年提出，具有相對(duì)優(yōu)良的性能指標(biāo)。該方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。通過學(xué)習(xí)算法，SVM 可以自