第1章引言第1章引言感知并智能控制世界上所有的事物，是人類亙古不變的追求。人與感知設備、計算存儲設備、執行設備構成了一個機器治理（machineruling）環路：借助于物聯網等技術，感知設備實時采集有關人與物理世界的數據可使用機器學習方法進一步分析處理這些數據

2

第1章引言

31.1機器學習簡史1.2什么是機器學習1.3機器學習的應用1.4機器學習方法的實現

1.2什么是機器學習

4

“MachineLearningisthescienceofgettingcomputerstolearnandactlikehumansdo,andimprovetheirlearningovertimeinautonomousfashion,byfeedingthemdataandinformationintheformofobservationsandreal-worldinteractions.”“機器學習是使計算機像人類一樣學習和行動的科學，并通過以觀察和與真實世界交互的形式向計算機提供數據和信息，從而隨著時間的推移以自主方式改善其學習。”1.2什么是機器學習

5

AcomputerprogramissaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE.如果某計算機程序在任務T中的性能（由性能指標P衡量）隨經驗E有所提高，則認為該程序可以從經驗E中學習。1.4機器學習方法的實現【實驗1-1】用Python實現兩個數組中對應元素相乘并累加，即點積運算。用for循環實現，給出計算結果，并給出這段程序的運行時長。提示：獲取以秒為單位的當前時間可使用time.perf_counter()函數，需要先importtime計算結果為：832333500

6

1.4機器學習方法的實現函數功能說明np.array()

創建一個數組np.arange()

返回一個由等差數列元素組成的數組，通常公差為整數時使用該函數np.linspace()

返回一個由等差數列元素組成的數組，公差不為整數時也可使用該函數，但使用該函數時通常需給出數組的大小np.shape()

返回數組的形狀np.reshape()

改變數組（包括矩陣、向量）的形狀np.zeros()

創建一個各元素值都為0的數組np.ones()

創建一個各元素值都為1的數組np.dot()

計算兩個數組（包括矩陣、向量）的點積np.sum()

計算數組指定軸上的元素之和np.amax()

返回數組指定軸上元素的最大值np.amin()

返回數組指定軸上元素的最小值np.argmax()

返回數組指定軸上元素的最大值的索引np.argmin()

返回數組指定軸上元素的最小值的索引np.mean()

計算數組指定軸上元素的算術平均值np.std()

計算數組指定軸上元素的標準差np.sqrt()

計算數組中各元素的非負平方根np.exp()

計算數組中各元素的自然指數函數值np.log()

計算數組中各元素的自然對數rng=np.random.default_rng(seed)

使用隨機種子seed構造一個隨機數生成器rngrng.shuffle()

沿數組的指定軸隨機排序子數組rng.random()egers()

返回指定區間內均勻分布的隨機整數rng.normal()

返回正態分布（高斯分布）的隨機浮點數

7

1.4機器學習方法的實現【實驗1-2】實現實驗1-1中的點積運算。用NumPy庫實現，給出計算結果，并給出這段程序的運行時長。提示：可使用np.arange()函數和np.dot()函數，先importnumpyasnp計算結果同樣為：832333500

8

1.4機器學習方法的實現

9

為什么使用向量或矩陣（而非使用循環）進行運算，可以節省程序運行時間？1.4機器學習方法的實現

10

函數功能說明plt.figure()

新建一個圖形或激活已有圖形plt.plot()

畫平面直角坐標系下的點（或標記）及其之間的連線，其前兩個參數通常為由點（或標記）的橫坐標和縱坐標分別組成的兩個數組plt.xlabel()

設置橫軸的標簽plt.ylabel()

設置縱軸的標簽plt.title()

設置圖形的標題plt.show()

顯示圖形p