实战例题！200+PPT带你看懂监督学习
——重点高校一线教授倾情奉献
——聚焦机器学习等热点学科
——入门级基础理论和关键技术
——内容超级丰富的PPT讲义
——全面系统理清学科脉络
机器学习是一门关于训练学习算法设计理论与应用技术的学问，涉及微积分、数理逻辑、数理统计、矩阵计算、图论等数学知识，以及众多最优化理论与方法，为广大初学者掌握机器学习知识带来一定困难。
本期“专家讲堂”聚焦监督学习，感兴趣的图粉们不要错过哦！
专家讲堂往期回顾
机器学习的核心思想是使用从训练样本中获取特征信息来构造和优化模型。
为实现机器学习的算法效果，有时需要对训练样本赋予一定的先验信息，即给训练样本标注特定的标签或标注信息，为机器学习的模型构建提供参照。这种以带标签样本为训练对象的机器学习方式通常称之为监督学习。
如何理解监督学习？
A:可以将监督学习形象地理解为考生复习备考过程：考前演算一定数量的练习题，通过将习题演算结果与习题答案进行对照分析归纳总结出具有一定泛化能力的解题方法。
监督学习是一种非常重要的机器学习方式，可有效解决分类、回归等学习任务，在图像处理与模式识别、自然语言理解与机器翻译、数据挖掘与信息推荐、经济预测与投资分析等众多领域有着非常成功的应用。
图片来源网络
本讲义将用221页PPT，系统地介绍线性模型、决策树模型、贝叶斯模型和支持向量机等面向监督学习的模型结构及相关学习算法。
延伸阅读
洪施展, 曹铁勇, 方正, 项圣凯. 稀疏深度特征对传统显著性检测的优化[J]. 中国图象图形学报, 2019, 24(9): 1493-1503
曾军英, 谌瑶, 秦传波, 甘俊英, 翟懿奎, 冯武林. 级联优化CNN的手指静脉图像质量评估[J]. 中国图象图形学报, 2019, 24(6): 902-913
石亮, 那天, 宋晓宁, 朱玉全. 利用CNN和PCA约束优化模型实现稀疏表示分类[J]. 中国图象图形学报, 2019, 24(4): 503-512
姚拓中, 左文辉, 安鹏, 宋加涛. 融合语义先验和渐进式深度优化的宽基线3维场景重建[J]. 中国图象图形学报, 2019, 24(4): 603-614
刘天, 张磊, 黄华. 即时全变差优化的低延时视频稳像方法[J]. 中国图象图形学报, 2018, 23(2): 293-302
蒋沅, 苗生伟, 罗华柱, 沈培. Lp范数压缩感知图像重建优化算法[J]. 中国图象图形学报, 2017, 22(4): 435-442
专家介绍
汪荣贵，合肥工业大学计算机与信息学院教授，主要研究方向智能视频处理与分析、车载视觉增强系统、多媒体技术等。E-mail: wangrgui@hfut.edu.cn
参考教材: 《机器学习及其应用》，汪荣贵等编著，2019年8月第1版（京东、淘宝、当当均有售）
发福利啦
扫描下方二维码联系学报编辑
获取报告PPT
编辑推荐
本文系《中国图象图形学报》独家稿件
内容仅供学习交流
版权属于原作者
本公号将持续推出机器学习的系列资料和课件
欢迎大家关注！
编辑：秀秀
指导/审核：梧桐君
声 明
前沿丨观点丨资讯丨独家
扫描下方二维码 关注学报公众号
中国图象图形学报 | 订阅号