下载文档原格式
机器学习ppt课件contents •机器学习概述•监督学习算法•非监督学习算法•神经网络与深度学习•强化学习与迁移学习•机器学习实践案例分析目录01机器学习概述03重要事件包括决策树、神经网络、支持向量机等经典算法的提出，以及深度学习在语音、图像等领域的突破性应用。
01定义机器学习是一门研究计算机如何从数据中学习并做出预测的学科。
02发展历程从符号学习到统计学习，再到深度学习，机器学习领域经历了多次变革和发展。
定义与发展历程计算机视觉自然语言处理推荐系统金融风控机器学习应用领域用于图像识别、目标检测、人脸识别等任务。
根据用户历史行为推荐相似或感兴趣的内容。
用于文本分类、情感分析、机器翻译等任务。
用于信贷审批、反欺诈、客户分群等场景。
A BC D机器学习算法分类监督学习包括线性回归、逻辑回归、决策树、随机森林等算法，用于解决有标签数据的预测问题。
半监督学习结合监督学习和无监督学习的方法，利用部分有标签数据进行训练。
无监督学习包括聚类、降维、异常检测等算法，用于解决无标签数据的探索性问题。
强化学习通过与环境交互来学习策略，常用于游戏AI 、自动驾驶等领域。
02监督学习算法线性回归与逻辑回归线性回归一种通过最小化预测值与真实值之间的均方误差来拟合数据的算法，可用于预测连续型变量。
逻辑回归一种用于解决二分类问题的算法，通过sigmoid函数将线性回归的输出映射到[0,1]区间，表示样本属于正类的概率。
两者联系与区别线性回归用于回归问题，逻辑回归用于分类问题；逻辑回归在线性回归的基础上引入了sigmoid函数进行非线性映射。
支持向量机（SVM）SVM原理SVM是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略是使间隔最大化，最终可转化为一个凸二次规划问题的求解。
核函数当数据在原始空间线性不可分时，可通过核函数将数据映射到更高维的特征空间，使得数据在新的特征空间下线性可分。
SVM优缺点优点包括在高维空间中有效、在特征维度高于样本数时依然有效等；缺点包括对参数和核函数的选择敏感、处理大规模数据效率低等。
化工热力学精ppt课件目录•化工热力学基本概念•流体的热物理性质•化工过程能量分析•相平衡与相图分析•化学反应热力学基础•化工热力学在工艺设计中的应用PART01化工热力学基本概念孤立系统与外界既没有物质交换也没有能量交换的系统。
开放系统与外界既有能量交换又有物质交换的系统。
封闭系统与外界有能量交换但没有物质交换的系统。
热力学系统及其分类热力学基本定律热力学第零定律如果两个系统分别与第三个系统处于热平衡状态，那么这两个系统也必定处于热平衡状态。
热力学第一定律热量可以从一个物体传递到另一个物体，也可以与机械能或其他能量互相转换，但是在转换过程中，能量的总值保持不变。
热力学第二定律不可能把热从低温物体传到高温物体而不产生其他影响，或不可能从单一热源取热使之完全转换为有用的功而不产生其他影响，或不可逆热力过程中熵的微增量总是大于零。
状态方程与状态参数状态方程描述系统或它的性质和本质的一系列数学形式。
将系统的物理性质用数学形式表达出来，即建立该系统各状态参数间的函数关系。
状态参数表征体系特性的宏观性质，多数指具有能量量纲的热力学函数（如内能、焓、吉布斯自由能、亥姆霍茨自由能）。
偏微分与全微分概念偏微分在多元函数中，函数对每一个自变量求导数，就是偏导数。
全微分如果函数z = f(x, y) 在(x, y) 处的全增量Δz = f(x + Δx, y + Δy) -f(x, y) 可以表示为Δz = AΔx + BΔy + o(ρ)，其中A、B 不依赖于Δx, Δy 而仅与x, y 有关，ρ = √[(Δx)2 + (Δy)2]，此时称函数z = f(x, y) 在点(x, y) 处可微，AΔx + BΔy 称为函数z = f(x, y) 在点(x, y) 处的全微分。
PART02流体的热物理性质基于实验数据的经验方法利用已有的实验数据，通过拟合、插值等数学手段，得到纯物质的热物理性质随温度、压力等条件的变化规律。
