Unit5MachineLearning人工智能專業英語教學課件ContentsPart1ReadingandTranslatingSectionA:DecisionTreeinMachineLearningSectionB:K-meansClusteringAlgorithmandExamplePart2SimulatedWriting:DevelopingReportsandProposals(I)Part3Listening&SpeakingDialogue:MachineLearningListeningComprehension:SupervisedLearningDictation:UnsupervisedLearningSectionA:DecisionTreeinMachineLearningWordsregression[ri?ɡre?n]n.回歸programmatic[?pr?uɡr??m?tik]adj.有計劃的，按計劃的displacement[dis?pleism?nt]n.位移discrete[di?skri?t]adj.離散的，不連續的living-being有機體，生物parrot[?p?r?t]n.鸚鵡hibiscus[hi?bisk?s;hai?bisk?s]n.木槿，芙蓉花entry[?entri]n.條目SectionA:DecisionTreeinMachineLearningPhrasessuchthat如此…以致SectionA:DecisionTreeinMachineLearningExercisesI．Readthefollowingstatementscarefully,anddecidewhethertheyaretrue(T)orfalse(F)accordingtothetext.___1．ThecommonwaytobuildaDecisionTreeistouseaSVMapproach.___2．Regardingmachinelearning,inputdatasetfortheDecisionTreealgorithmwouldbethelistoffeaturevalueswiththecorrespondingcategoricalvalue.___3．DecisionTreecouldtakethenon-linearityofafeatureoranyrelationbetweentwoormorefeatures.___4．IntheFigure5-1,theDecisionTreehasusedonlytwofeatures[displacement,feathers].___5．DecisionTreeinMachineLearningisusedforunsupervisedlearning.SectionA:DecisionTreeinMachineLearningII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.1．WhichofthefollowingisrightabouttheDecisionTree?

A．DecisionTreecouldtakethelinearityofafeatureoranyrelationbetweentwoormorefeatures.

B．DecisionTreeexploitscorrelationbetweenfeaturesandnon-linearityinthefeatures.

C．DecisionTreeinMachineLearningisusedforunsupervisedlearning.

D．ThecommonwaytobuildaDecisionTreeistouseaSVMapproach.2．HowmanyfeaturesarementionedintheFigure5-1?

A．One

B．Two

C．Three

D．FourSectionA:DecisionTreeinMachineLearningII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.3．WhichofthetwofeatureshasDecisionTreeusedintheFigure5-1?

A．[displacement,feathers]

B．[displacement,hands]

C．[displacement,wings]

D．NoneoftheaboveSectionA:DecisionTreeinMachineLearningIV.TranslatethefollowingpassageintoChineseSupportVectorMachine(SVM)Asupportvectormachineisasupervisedlearningalgorithmthatsortsdataintotwocategories.Itistrainedwithaseriesofdataalreadyclassifiedintotwocategories,buildingthemodelasitisinitiallytrained.ThetaskofanSVMalgorithmistodeterminewhichcategoryanewdatapointbelongsin.ThismakesSVMakindofnon-binarylinearclassifier.AnSVMalgorithmshouldnotonlyplaceobjectsintocategories,buthavethemarginsbetweenthemonagraphaswideaspossible.SectionB:K-meansClusteringAlgorithmandExampleWordsclustering[?kl?st?ri?]n.聚類cluster[?kl?st?(r)]n.群集，簇，集群latent[?leitnt]adj.潛在的，潛伏的prescribe[pri?skraib]v.規定mean[mi?n]n.平均數，平均值centroid['sentr?id]n.質心，形心Euclidean[ju:'klidi?n]adj.歐幾里德幾何學的，歐幾里德的RNA-seq轉錄組測序技術（RNAsequencing）metric[?metrik]n.度量標準gene[d?i?n]n.基因axis[??ksis]n.軸，軸線SectionB:K-meansClusteringAlgorithmandExamplePhrasesanoceanof極多的，無窮無盡的freakout崩潰，使處于極度興奮中sumup計算…的總數squareddistances距離平方SectionB:K-meansClusteringAlgorithmandExampleAbbreviationsa.k.a.亦稱，又名（alsoknownas）SectionB:K-meansClusteringAlgorithmandExampleNotes[1]k-means是一種數據聚類算法，質心(centroid)是指各個類別的中心位置，質心的維數等同于單條數據的維數。比如說，你有1000條數據，每條數據100維。你使用k-means算法將這1000條數據聚為10個類別，那么你就會得到10個質心。每個類別的質心是該類別所有數據點的均值。比如第一次確定了10個質心，同時也將元數據分別歸類到這10個質心，那么接下來可繼續調整質心以至最后達到最優：（1）將各個示例sample分配到距離最近的質心；（2）對于各個類別，計算其所包含的sample的平均值，作為該類別新的質心。[2]肘部法則（Elbowmethod），此種方法適用于K（簇的數量）值相對較小的情況，當選擇的k值小于真正的K時，k每增加1，cost值就會大幅地減小；當選擇的k值大于真正的K時，k每增加1，cost值的變化就不會那么明顯。這樣，正確的k值就會在這個轉折點，類似elbow的地方。SectionB:K-meansClusteringAlgorithmandExampleExercisesI.Readthefollowingstatementscarefully,anddecidewhethertheyaretrue(T)orfalse(F)accordingtothetext.___1．K-meansclusteringalgorithmisasupervisedmachinelearningalgorithm.___2．Themainconceptofk-meansistoassigneachobservationintotheclusterwiththenearestmean(centroid),servingasaprototypeofthecluster..___3．Tofindthelatentstructureinthedatak-meansclusteringisasimplewaytoassigndatapointsintokclustersbasedontheminimumdistance.___4．"Beingunsupervised"isthattherearesomeprescribedlabelsinthedatadenotingitsstructure.___5．Elbowmethodisawell-knownmethodwhichvalidatesthenumberofclusters.SectionB:K-meansClusteringAlgorithmandExampleII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.1．Whichofthefollowingisnotmentionedinthetext?

A．ID3

B．Centroid

C．Euclidean

D．K-means2．Howmanystepsarementionedforthek-meansclusteringalgorithmandanexampleforillustration?

A．Two

B．Three

C．Four

D．FiveSectionB:K-meansClusteringAlgorithmandExampleII.Choosethebestanswertoeachofthefollowingquestionsaccordingtothetext.3．Whichofthefollowingisright?

A．Themainconceptofk-meansistoassigneachobservationintotheclusterwiththenearestmean(centroid),servingasaprototypeofthecluster.

B．Tofindthelatentstructureinthedatak-meansclusteringisasimplewaytoassigndatapointsintokclustersbasedontheminimumdistance.

C．Elbowmethodisawell-knownmethodwhichvalidatesthenumberofclusters.

D．AlloftheaboveSectionB:K-meansClusteringAlgorithmandExampleIV.TranslatethefollowingpassageintoChinese.EnsembleLearningManyensemblelearningtoolscanbetrainedtoproducevariousresults.Individualalgorithmsmaybestackedontopofeachother,orrelyona"bucketofmodels"methodofevaluatingmultiplemethodsforonesystem.Insomecases,multipledatasetsareaggregatedandcombined.Forexample,ageographicresearchprogrammayusemultiplemethodstoassesstheprevalenceofitemsinageographicspace.Oneoftheissueswiththistypeofresearchinvolvesmakingsurethatvariousmodelsareindependent,andthatthecombinationofdataispracticalandworksinaparticularscenario.Ensemblelearningmethodsareincludedindifferenttypesofstatisticalsoftwarepackages.Someexpertsdescribeensemblelearningas"crowdsourcing"ofdataaggregation.SimulatedWriting:DevelopingReportsandProposals(I)報告和提案是在工作中最常寫的長文檔。這兩者都回答了某個主題或項目的問題，或者針對某個問題提供解決方案。讀者將會研究作者的報告，并且運用其中的結論和分析來幫助他們進行決策。除了商業企業之外，非盈利的機構和政府機構也會撰寫與請求報告來總結或者分析研究狀況。有時，組織會雇傭專業的撰稿人撰寫提案以贏得合同，或相反得以獲得銷售機會。了解如何寫作這些重要的文檔是一項很有價值的專業技能。SimulatedWriting:DevelopingReportsandProposals(I)1.了解報告和提案報告是一種針對特定主題交流信息而設計的書面文檔。雖然有些報告可以包含分析或建議，但撰寫的報告往往很客觀。提案與報告很相似，但其目的在于說服和通知。提案提供了有關產品、服務或者想法的信息，并且試圖說服讀者接納所建議的解決方案。報告與提案的一個關鍵區別在于它們被寫作的時間。提案通常在制定決策過程的早期進行，此時它能夠影響決策。報告通常在已經采取一些行動之后撰寫。當一項活動或項目發生的時候，一些報告可以記錄它們的狀態。當活動或項目完結時，可以撰寫其他的報告。報告和提案的類型參見圖5-7。SimulatedWriting:DevelopingReportsandProposals(I)圖5-7報告和提案的類型SimulatedWriting:DevelopingReportsandProposals(I)在開始撰寫報告或提案前，請回顧下面的問題：撰寫的目的是什么？撰寫報告的第一步是明確地定義目的。首先分析想要達到的目標，目標是通知、更新、分析，還是說服？目標將幫助決定應該使用的形式。讀者是誰？與其他類型的文檔相同，撰寫報告或提案時，要考慮讀者。為了更好地滿足讀者的需求，要辨別他們理解報告或提案主旨的程度。他們想要通過閱讀報告或提案了解什么？他們有可能怎樣閱讀？應該怎樣撰寫才能使信息清晰，并且使讀者易懂？一定要考慮主要讀者和次要讀者，以及包括那些可能會閱讀該文檔的任何人。SimulatedWriting:DevelopingReportsandProposals(I)應該撰寫報告還是提案？撰寫報告是為了與他人分享信息。撰寫提案是為了說服讀者采納想法、產品或者解決方案。這兩者與分析報告很類似，但區別是只是這里只呈現一個建議。表5-2列出了何時應該撰寫報告或提案的建議。SimulatedWriting:DevelopingReportsandProposals(I)場景報告提案其他參加一場貿易展示會，希望通告本公司的競爭對手的產品。√

需要為公司流程撰寫文檔。√

分析是購買新的電腦設備還是升級現有設備。√

提議購買新的電腦設備。

√

為規劃職員資源提議一種新方案。

√

為個人或組織提供公司的服務。

√

在所參加的一場會議上為之后的查閱總結所做的筆記。非正式筆記或大綱為一般的受眾推銷公司的服務。

廣告為潛在的顧客描述公司產品，并且提供樣品。

展示表5-2何時撰寫報告或提案SimulatedWriting:DevelopingReportsandProposals(I)報告中會展示信息還是分析話題？報告可以是下述兩種類型中的一個。信息報告以清晰、客觀的形式展示信息。當想為讀者書面總結針對某個主題的信息時，使用信息報告比較合適。意見和建議不應寫在一個信息報告之中。分析報告一般呈現數據、分析和結論。分析報告通常會提供不同的選擇，鑒別優劣以得到替代方案，以及包含具體的建議。提案是為內部還是外部的讀者而撰寫？提案也有兩種類型。內部提案建議如何在一個組織內解決問題，例如通過改變一個程序或者使用商家的不同產品或服務。外部提案被設計來銷售產品或服務于客戶，并且通常為響應請求而撰寫。回答這些問題有助于決定報告應該有多長，包含什么樣的信息，以及適當形式的程度。SimulatedWriting:DevelopingReportsandProposals(I)2.規劃報告或提案有條理地組織業務報告和提案，以便使信息容易閱讀和理解。在寫第一句話之前，就應該有針對如何組織報告或提案的好的思路。將一般的思路組合在一起，并遵循邏輯順序。該順序能夠滿足目的，并有助于讀者明白所寫的內容。有邏輯地組織信息的方式應依時間、重要性，以及類別，例如位置或產品來進行。撰寫正式或非正式的大綱可以有助于規劃有效的報告。表5-3總結了撰寫大綱的注意事項。SimulatedWriting:DevelopingReportsandProposals(I)要素適合提到的需要避免的主要思路

以頭腦風暴開始，列出想要包含的所有思路選擇一個作為主要的思路寫在大綱開頭不要保留所有的思路，只保留那些服務于報告或者提案的目的和那些服務于讀者的思路表述主要思路不要超過兩句大標題和章節選擇議題并寫出相應的標題使用標準標題，例如介紹（Introduction）和結論（Conclusion）按邏輯順序列出標題在正式大綱中，使用羅馬數字標注大標題除非不同的組織更清晰，否則不要偏離標準模式：

（1）介紹（introduction）

（2）事實和發現（factsorfindings）

（3）結論（conclusion）不要包含沒有足夠細節和證據的議題子標題用子標題將大議題分解為子議題以邏輯順序列出子議題，例如時間、重要性，或者類別在正式大綱中，第一級子標題使用大寫字母，下一級使用數字，最后的一級使用小寫字母不要以任意順序列出子議題不要使用難以解釋的子標題表5-3撰寫大綱的注意事項SimulatedWriting:DevelopingReportsandProposals(I)（1）首先確定主要的思路開始撰寫大綱可以通過在頁面頂端用一兩個句子描述主要思路來開始。如果主要的思路太長，可以精簡所寫的內容。在頁面的上方說明主要的思路，能夠有助于在制定大綱的其余部分時專注于自己的目標，許多報告和提案的主要思路是要描述一個解決問題的辦法。（2）為重要的思路使用標題復查報告的思路和主題，并選擇最重要的部分。這些都應作為大綱的主要標題。這些標題要按照邏輯順序列出，比如從最重要的到最不重要的，或按時間順序（如果報告強調了時間）。這些標題將成為報告的主要部分。圖5-8展示了正式和非正式大綱中的標題，包括使用羅馬數字、大寫字母、數字和小寫字母的規范。SimulatedWriting:DevelopingReportsandProposals(I)圖5-8正式和非正式的大綱SimulatedWriting:DevelopingReportsandProposals(I)（3）為子議題創建子標題可以將每一個主要議題分為幾個思路，以便詳細地討論它們。在大綱中列出這些思路將其作為子標題。可以為每個大標題提供兩個或兩個以上的子標題，如圖5-8所示。如果正在寫一個很長的或者很復雜的報告，可以將子議題分解為更小的部分。（4）將合適的章節添加進來大多數報告和提案包括標準章節，如介紹、背景、現狀、事實、提出的解決方案、總結、結論、建議、利弊、參考清單和附錄。選擇能夠服務于報告或提案目的章節。（5）復查大綱復查大綱的完整草案以便回答以下問題：思路是否按照邏輯順序安排？如果大聲讀大綱給自己聽，聽起來是否有意義？標題和子標題是否具有邏輯性和平衡性？它們的重要性是否差不多？如果有必要則重新排列順序。議題是否已經有了足夠的細節或證據來支持主要的思路？如果不是，那就應該將它們添加到大綱中或者重組大綱。Dialogue:MachineLearningExercisesWorkinagroup,andmakeupasimilarconversationbyreplacingthestatementswithotherexpressionsontherightside.Dialogue:MachineLearningWordsinfeasible[in'fi?zib(?)l]adj.不可行的，不可實行的designate[?dezigneit]v.指定，指派file[fail]v.把…歸檔Dialogue:MachineLearningPhrasesreinforcementlearning強化學習soonandsoforth等等ListeningComprehension:SupervisedLearningListentothearticleandanswerthefollowing3questionsbasedonit.Afteryouhearaquestion,therewillbeabreakof15seconds.Duringthebreak,youwilldecidewhichoneisthebestansweramongthefourchoicesmarked(A),(B),(C)and(D).Questions1．Whichofthefollowingisright?

(A).Supervisedlearningisthemachinelearningtaskoflearningafunctionthatmapsaninputtoanoutputbasedonexampleinput-outputpairs.

(B).Supervisedlearninginfersafunctionfromlabeledtrainingdataconsistingofasetoftrainingexamples.

(C).Asupervisedlearningalgorithmanalyzesthetrainingdataandproducesaninferredfunction.

(D).AlloftheaboveListeningComprehension:SupervisedLearningQuestions2．Regardingthehand-writtendigitrecognitionproblem,whichofthefollowingisright?

(A).Areasonabledatasetforthisproblemisacollectionofimagesof