学校培养的是人而非学习机器（精选）

第一篇：学校培养的是人而非学习机器（精选）

学校培养的是人而非学习机器

《 中国青年报 》

前几天，北京五中分校团委收到了来自湖南省桑植县团委的感谢信。信中写道：“桑植县再次收到了来自贵校初三6班汤从榕同学资助10位贫苦学生的爱心捐款，这已是我们收到的第10次捐款。汤从榕同学的爱心，让湘西的希望女童们重返校园，快乐学习和生活，感谢学校的培养。”

五中分校杨春林校长总是很自豪地向别人介绍这件事，因为她觉得每次提到这封信的时候，总是有一种温暖和欣慰油然而生。这种感动是在面对优异的中考成绩或能够表明学校成功的各种各样的数字时都不曾有过的。因为这是学校一直注重的情感教育的结晶。杨春林认为情感教育注重的是学生内涵的培养。“正心以为本，修身以为基”，“明德、知礼、向善”是学校的教育追求。学生眼中不能只有自己，要懂得爱、感恩和责任。“越聪明、越有潜质的孩子越应该给予他们爱和责任的教育。”这是杨春林多年教育实践的体会。她认为，初中教育所面对的学生，是正处于成长高峰期的孩子。他们的成长需要一个不断从他律到自律的过程，需要一个全面奠定基础的过程，更需要一个开启潜质、发展潜能的过程。这就构成了初中教育的核心任务。

而且，这个阶段的教育不仅可以提升、丰满儿童时期已形成的优秀品质，更是矫正和补救少年阶段良好习惯缺失的最佳时机。这个时机稍纵即逝，一个学生如果在初中走偏，进入以后的成长阶段，给予教育者矫正的机会就少了很多，这就是初中教育的责任。

“如果因为教育的不精致，让孩子成长的最佳时机从你的手指缝中流失过去，对于教育者来说将是最大的憾事。”杨春林说。

在她看来，这种精致不仅是一种严谨认真的态度，一种精致化的思维，一种精益求精的文化，更是一种对教育规律、教育本质的尊重，对教育全过程的精心设计和对教育发展的精

准把握。学校提出的目标就是“追求精致的教育 成就每一位学生”，具体就是通过“全面性、基础性、发展性”的素质教育，努力为学生创设充实、愉快、生动、活泼的校园生活。姚明在宣布退役时曾说过，退役后他将继续为自己所钟爱的篮球事业培养篮球人，而不是只会打篮球的机器。杨春林对此非常赞同：“在学生还要凭借分数高低来升学的背景下，作为承担基础教育重任的学校，一定要把学生作为人，而不是学习的机器来培养。”那么优秀人才在成长过程中哪些素质是不可或缺的呢？杨春林认为不是能力和知识方面的东西，而是品格、习惯、健康和积极向上的心态。因此，养成教育、励志教育、情感教育组成了富于实效的初中德育体系。

今年暑假，五中分校25名学生到欧洲参加国际合唱节观摩活动。当他们到卢浮宫参观时，发现了一条游客须知，即18岁以下的孩子可以免费参观，但大会组委会已收取了学生的门票款。于是，孩子们用流利的英语，很礼貌地与组委会进行交涉。在孩子们的努力下，大会组委会如数退还了所有参加活动的18岁以下各国学生的门票款。孩子们的热情、得体、大方得到了中外友人的赞赏。

“这也更让我们意识到，基础教育实际上还应该培养能够走向世界的学生。走向世界的学生不仅要有能力，更要有素养。”杨春林说。

第二篇：机器学习报告

机器学习总结报告

刘皓冰

大部分人错误地以为机器学习是计算机像人一样去学习。事实上，计算机是死的，怎么可能像人类一样“学习”呢，机器学习依靠的是数学，更确切地说是靠统计。

如果我们让计算机工作，是给它一串指令，然后计算机会遵照这个指令一步步执行下去，有因有果，非常明确。但这种方式在机器学习中是行不通的。机器学习是不会接受你输入的指令的，它接受的是你输入的数据。也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。这听起来非常不可思议，但结果上却是非常可行的。“统计”思想将在你学习“机器学习”相关理念时无时无刻不伴随，相关而不是因果的概念将是支撑机器学习能够工作的核心概念。

依据数据所做的判断跟机器学习的思想根本上是一致的。机器学习方法是计算机利用已有的数据(输入)，得出了某种模型，并利用此模型预测未来(输出)的一种方法。从数据中学得模型的过程称为“学习”（learning）或“训练”（training），这个过程通过执行某个学习算法来完成。训练过程中使用的数据成为“训练数据”（training data），其中每个样本称为一个“训练样本”（training sample），训练样本组成的集合称为“训练集“（training set）。学得模型对应了关于数据的某种潜在的规律，因此亦称”假设“（hypothesis）；这种潜在规律自身，则称为”真相“或”真实“（ground-truth），学习过程就是为了找出或逼近真相。模型有时也被称为”学习器“（learner），可看作学习算法在给定数据和参数空间上的实例化。

若欲预测的是离散值则此类学习任务被称为“分类”；若欲预测的是连续值则此类学习任务称为“回归”；对只涉及两个类别的“二分类”任务，通常称其中一个类为“正类”，另一个类为“反类”；涉及多个类别时，则称为“多分类”任务。

模型是否准确依赖与数据。如果我的数据越多，我的模型就越能够考虑到越多的情况，由此对于新情况的预测效果可能就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。

机器学习里面有非常多的经典算法，每种算法都能形成一个模型。下面在简要介绍一下机器学习中的经典代表方法。重点介绍的是这些方法内涵的思想。

1、回归算法 在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即线性回归和逻辑回归。

线性回归一般使用“最小二乘法”来求解。“最小二乘法”的思想是这样的，假设我们拟合出的直线代表数据的真实值，而观测到的数据代表拥有误差的值。为了尽可能减小误差的影响，需要求解一条直线使所有误差的平方和最小。最小二乘法将最优问题转化为求函数极值问题。函数极值在数学上我们一般会采用求导数为0的方法。但这种做法并不适合计算机，可能求解不出来，也可能计算量太大。计算机科学界专门有一个学科叫“数值计算”，专门用来提升计算机进行各类计算时的准确性和效率问题。例如，著名的“梯度下降”以及“牛顿法”就是数值计算中的经典算法，也非常适合来处理求解函数极值的问题。梯度下降法是解决回归模型中最简单且有效的方法之一。

逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字，例如预测一所房子大约可以买多少钱。而逻辑回归属于分类算法，也就是说，逻辑回归预测结果是离散的分类，例如判断肿瘤是恶性还是良性等等。实现方面的话，逻辑回归只是对对线性回归的计算结果加上了一个Sigmoid函数，将数值结果转化为了0到1之间的概率(Sigmoid函数的图像一般来说并不直观，你只需要理解对数值越大，函数越逼近1，数值越小，函数越逼近0)，接着我们根据这个概率可以做预测，例如概率大于0.5，肿瘤就是恶性的等等。

2、神经网络

神经网络(也称之为人工神经网络，ANN)算法是80年代机器学习界非常流行的算法，不过在90年代中途衰落。现在，携着“深度学习”之势，神经网络重装归来，重新成为最强大的机器学习算法之一。

神经网络的诞生起源于对大脑工作机理的研究。早期生物界学者们使用神经网络来模拟大脑。机器学习的学者们使用神经网络进行机器学习的实验，发现在视觉与语音的识别上效果都相当好。在BP算法(加速神经网络训练过程的数值算法)诞生以后，神经网络的发展进入了一个热潮。

下图是一个简单的神经网络的逻辑架构。在这个网络中，分成输入层，隐藏层，和输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。每层中的一个圆代表一个处理单元，可以认为是模拟了一个神经元，若干个处理单元组成了一个层，若干个层再组成了一个网络，也就是”神经网络”。

图神经网络的逻辑架构

在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。

进入90年代，神经网络的发展进入了一个瓶颈期。其主要原因是尽管有BP算法的加速，神经网络的训练过程仍然很困难。因此90年代后期支持向量机(SVM)算法取代了神经网络的地位。

3、SVM（支持向量机）

支持向量机算法是诞生于统计学习界，同时在机器学习界大放光彩的经典算法。

支持向量机算法从某种意义上来说是逻辑回归算法的强化：通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。但是如果没有某类函数技术，则支持向量机算法最多算是一种更好的线性分类技术。

但是，通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的的分类效果。“核”事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维的空间。

上述机器学习算法均为监督学习算法。监督学习，就是人们常说的分类回归，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。在人对事物的认识中，我们从孩子开始就被大人们教授这是猫啊、那是狗啊、那是桌子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是猫，哪些是狗。无监督学习则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

那么，什么时候应该采用监督学习，什么时候应该采用非监督学习呢？一种非常简单的回答就是从定义入手，如果我们在分类的过程中有训练样本，则可以考虑用监督学习的方法；如果没有训练样本，则不可能用监督学习的方法。但是事实上，我们在针对一个现实问题进行解答的过程中，即使我们没有现成的训练样本，我们也能够凭借自己的双眼，从待分类的数据中人工标注一些样本，并把他们作为训练样本，这样的话就可以把条件改善，用监督学习的方法来做。然而对于不同的场景，正负样本的分布如果会存在偏移（可能是大的偏移，也可能偏移比较小），这样的话用监督学习的效果可能就不如用非监督学习了。

今天，在计算机科学的诸多分支学科领域中，都能找到机器学习技术的身影，尤其是在计算机视觉、语音识别、模式识别、自然语言处理等“计算机应用技术”领域，机器学习已成为最重要的技术进步源泉之一。此外，机器学习还为许多交叉学科提供了重要的技术支撑比如说“生物信息学”。

可以说“计算机视觉=图像处理+机器学习“。图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。这个领域是应用前景非常火热的，同时也是研究的热门方向。随着机器学习的新领域深度学习的发展，大大促进了计算机图像识别的效果，因此未来计算机视觉界的发展前景不可估量。

如果说“计算机视觉=图像处理+机器学习“，那么”语音识别=语音处理+机器学习“。语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用，一般会结合自然语言处理的相关技术。目前的相关应用有苹果语音助手siri、微软小娜等。

“自然语言处理=文本处理+机器学习“。自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术中，大量使用了编译原理相关的技术，例如词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解，机器学习等技术。作为唯一由人类自身创造的符号，自然语言处理一直是机器学习界不断研究的方向。按照百度机器学习专家余凯的说法“听与看，说白了就是阿猫和阿狗都会的，而只有语言才是人类独有的”。如何利用机器学习技术进行自然语言的的深度理解，一直是工业和学术界关注的焦点。

谈到对数据进行分析利用，很多人会想到“数据挖掘”（data mining）。数据挖掘领域在二十世纪九十年代形成，它受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。数据挖掘是从海量数据中发掘知识，这就必然涉及对“海量数据”的管理和分析。大体来说，“数据挖掘=机器学习+数据库“——数据库领域的研究为数据挖掘提供数据管理技术，而机器学习和统计学的研究为数据挖掘提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。

通过上面的介绍，可以看出机器学习是多么的重要，应用是多么的广泛。现随着大数据（big data）概念的兴起，机器学习大量的应用都与大数据高度耦合，几乎可以认为大数据是机器学习应用的最佳场景。例如经典的Google利用大数据预测了H1N1在美国某小镇的爆发、百度预测2014年世界杯结果从淘汰赛到决赛全部正确。这实在太神奇了，那么究竟是什么原因导致大数据具有这些魔力的呢？简单来说，就是机器学习技术。正是基于机器学习技术的应用，数据才能发挥其魔力。

大数据的核心是利用数据的价值，机器学习是利用数据价值的关键技术，对于大数据而言，机器学习是不可或缺的。相反，对于机器学习而言，越多的数据会越可能提升模型的精确性，同时，复杂的机器学习算法的计算时间也迫切需要分布式计算与内存计算这样的关键技术。因此，机器学习的兴盛也离不开大数据的帮助。大数据与机器学习两者是互相促进，相依相存的关系。

机器学习与大数据紧密联系。但是，必须清醒的认识到，大数据并不等同于机器学习，同理，机器学习也不等同于大数据。大数据中包含有分布式计算、内存数据库、多维分析等等多种技术。单从分析方法来看，大数据也包含以下四种分析方法：

1.大数据，小分析：即数据仓库领域的OLAP分析思路，也就是多维分析思想。2.大数据，大分析：这个代表的就是数据挖掘与机器学习分析法。3.流式分析：这个主要指的是事件驱动架构。4.查询分析：经典代表是NoSQL数据库。

也就是说，机器学习仅仅是大数据分析中的一种而已。尽管机器学习的一些结果具有很大的魔力，在某种场合下是大数据价值最好的说明。但这并不代表机器学习是大数据下的唯一的分析方法。

第三篇：是血管等组织而非寄生虫

是血管等组织而非寄生虫，已被多地多次辟谣，偏远地区受较大影响

“猪肉有虫”谣言为何反复出现（求证·探寻喧哗背

后的真相）

本报记者 郝迎灿 谢振华 段宗宝

2014年11月25日04:33 来源：人民网－人民日报

手机看新闻

打印网摘纠错商城分享推荐 字号

“猪肉有寄生虫，红色的，比缝衣针还大！”近一个月来，贵州省黔南布依族苗族自治州12331食品药品投诉举报电话接连接到7起关于“猪肉有虫”的举报。记者调查了解，“猪肉有虫”的怀疑和传言在网上已经流传一年多，从广西、广东、辽宁到贵州，影响颇广。所谓“猪肉生虫”是什么？面对传言我们应该怎么办？“求证”栏目记者进行了调查采访。

传言中的“虫”是什么？

实是静脉、动脉血管和乳腺管；猪肉寄生虫检查严格，是屠宰检疫必检科目

近期大多传言源于微信朋友圈流传的一条“茂名孕妇买到有虫猪肉，有虫猪肉已经流传到贵州”的消息，文中提到“水煮不烂、油炸不熟、高温杀不死”的“钩虫”引发广泛担忧。

猪肉真的有虫吗？在贵州黔东南州麻江县回龙寺农贸市场里，猪肉摊贩胡师傅把网上所谓“寄生虫”直接从他摊位摆放的猪肉里“捉”出来给记者看：“这是正常的嘛，就是静脉跟动脉；再说虫子根本不可能‘水煮不烂、油炸不熟、高温杀不死’。”和网传一样，这些物质细长，有深红色和肉白色，乍看很像虫，但横切开来都是空心抑或有血流出。

记者从贵州省食品药品监督管理局了解到，今年10月，“猪肉有虫”传言先后出现在贵阳、黔东南州和黔南州。当地动物疫病预防控制中心多次对猪肉市场进行调查、化验，结果表明，这些疑似物体是血管和乳腺管。贵州三都县农村工作局动物疫病预防控制中心兽医师王明周说：“这些组织结构属于猪的正常生理结构。”

广西防城港市食品安全办相关负责人也表示，目前传播的所谓“猪肉有虫”现象，大都属于猪机体的神经纤维、动静脉血管、淋巴管、筋腱以及肌纤维。这类物质有些本身就像虫体。

据介绍，可能寄生于猪肉的寄生虫主要有猪囊尾蚴和猪旋毛虫两种，前者约黄豆大小，病猪的瘦肉部分会出现较为明显的白点，后者约麦粒大小，一般用肉眼看不见，与网传特征不符。而对这两种寄生虫的检查，是屠宰检疫的一个必检科目。

贵州黔南州都匀市生猪屠宰场检疫员陆道勇介绍：“经过宰前检疫的查证验物、群体个体检查、瘦肉精检测，确保健康以后生猪才能够进入屠宰场。进场以后，屠宰经过放血，我们还要进行头部、胴体、肺脏检查，全部合格以后才能够盖上验讫印章，出具合格的检疫证明，进入市场流通。”陆道勇说，一旦发现问题猪肉，将直接交由水产畜牧兽医局进行无害化处理，不会返还送宰人。工商部门也会对市场上销售的猪肉进行严格的监督检查。

都匀市育英巷工商分局副局长杨俊扉建议，日常购买猪肉最好选择正规市场，注意查看摊贩当天的动物检疫合格证、肉品品质检验合格证和猪肉上的红色动物产品检疫合格印章、肉品品质检验合格印章。

传言影响有多大？

多省区流传同版本谣言，偏远地区影响大，贵州、广西多地猪肉销量下跌

广西河池、柳州、防城港、南宁、桂林等地也陆续出现“猪肉有虫”传言，对猪肉市场造成冲击。今年8月以来，广西河池多家地方网络交流平台陆续出现罗城仫佬族自治县、宜州市、环江毛南族自治县、金城江区等地“猪肉有寄生虫”的帖子，当地猪肉市场销量明显下降。

按照习俗，立冬之后贵州省大部分地区会熏制腊肉和香肠，猪肉的销量也会随之上涨。然而今年贵州很多市场上猪肉销量不升反降。“我们家一个多月没吃猪肉了，我老婆在微信上看见别个说猪肉有虫，吃不得。”家住贵州黔东南州麻江县的马师傅说。

受影响最大的还是猪肉摊贩和养殖户。“原来一天可以卖两头猪，现在半头猪都卖不掉。”都匀市育英巷市场猪肉摊贩周阿姨说，以往一头猪可以赚近100元，一般一个月可以卖50多头猪赚4000多元，但这个月连2000元还没赚到，加上市场摊位费，算下来损失太大，有的摊贩索性就不干了。记者走访了黔南州、黔东南州多个农贸市场，大部分农贸市场内的猪肉销量都有所减少，在麻江县回龙寺农贸市场，肉食区的猪肉摊位空了一大半。

猪肉市场的不景气，让养殖场生猪出栏价从原本10元左右一斤跌到了6元。麻江县杏山镇兴坪村养殖户殷明礼告诉记者，他的生猪按现在的市场价根本不敢出售，一头猪要亏1000元左右。

偏远地区受谣言影响大。贵州省食品安全委员会办公室副主任吕劲松说，调查数据显示，贵州省望谟、册亨等地区的禽肉销量较去年9月同期下降40%左右。

老谣言反复出现怎么看？

专家认为网民自我保护心理对谣言传播推波助澜，建议建立权威的谣言警示平台

在网络搜索关键词“广西 猪肉钩虫”，记者发现2013年11月就有此类谣言出现，不少媒体也曾进行辟谣。然而今年6、7月，这一谣言又出现在广西、江苏、辽宁、四川等地，除了涉及地点变化外，其内容、“水煮不烂”“油炸不熟”等字眼和图片结构都跟去年如出一辙。今年9月，当谣言的地点信息又加上贵州后，直接导致贵州临近广西地区出现禽肉市场波动。

谣言出现后，不少涉及地区会采取对猪肉抽查检测、发布消息辟谣等措施。比如，广西永福县水产畜牧局进行了检测，防城港市食品安全办今年下半年已组织开展联合检查行动2次、澄清6次，检查相关生产经营单位560家次，均未发现“猪肉有虫”现象；辽宁辽阳政府网站专门发布通告辟谣；广西河池、河北保定则进行了科普„„

谣言反复出现，带来社会恐慌；各地分别辟谣，又增加了回应成本。贵州师范大学教育科学学院心理学教授潘运认为，网民自我保护的心理易使其不自觉地参与到谣言的传播中，建议网民在面对这些信息时，应先多几个反问。

贵州省青年法学会会长孙光权表示，应尽快完善谣言社会影响的评估体系、建立权威的谣言警示平台、多部门协调打击造谣行为。

（高洁参与采写）

《 人民日报 》（2014年11月25日 04 版）

第四篇：机器学习的例子

身边的机器学习

相信身边很多人都曾经被漫长的红绿灯等待时间所困扰。不管是对于行人还是开车的司机，要么就是等红灯的时间太长以至于大家开始失去耐心，选择直接横穿马路；要么就是绿灯切换的时间太短，如果不一路小跑着过马路的话就会被迫面对湍急的车流，将自己置于危险之中。而事实上，设定灯的切换时长这项工作如果交给懂得分析数据、高效建模的计算机来完成效果可能会更好。

在许多欧美国家都在进行类似的实验，收效显著：通过建设一个监督学习的算法，将车流量、人流量设定为要被监测的目标数据，并以密度或是车、人的数量、来源等数据用这些直观的形式统计起来。经过汇总之后，一方面对可以车流量、人流量的高峰时间进行统计；另一方面可以总结归纳出现这些高峰的地点以及流量来源。有了这些数据，计算机就可以迅速建立起一个相应的模型来执行对拥堵行车的疏导，提升道路运输的效率。

在一次观测中研究人员发现，在马路上大量的大型堵塞事件中，有很大一部分都只是车流靠前位置的一名新手的一次无心的刹车。即使每次刹车带给下一辆车的司机的反应时间都只有1～2秒，但在漫长的车队中不断累积最终就会形成天文数学。如果可以通过机器学习的方式对上下班高峰期车流量的规律进行总结并加以利用，在市政管理上改变红绿灯切换的时间长度来对马路上的汽车进行分流，从而避免大量的汽车拥堵在路口处，就可以缓解这一问题。

在日常生活中，行人横穿马路酿成惨剧的案例已经屡见不鲜。很多人都会因为人行道的红绿灯等待时间过长而选择直接横穿马路，给自己和他人带来危险。既然马路上的红绿灯调整可以交给计算机，人行道红绿灯切换时间的调整计算机同样可以胜任。如果有关部门可以将机器学习技术引入公共交通管理系统，通过更加智能的方式对时长进行调整，在车辆没那么多的时候或者是类似步行街的人流量巨大的场所，结合马路上的车辆通行情况对人行道上红绿灯的切换时间进行动态的调整来缩短人们等候的时间，相信可以大大减少这类事件发生的几率。

调整红绿灯切换时间只是一件小事，不过这也从侧面证明了机器学习可以被运用的范围之广阔以及相关行业的蓬勃发展势头。机器学习还有很多可以应用的场景，需要我们不断发掘、利用。

第五篇：机器学习基础教学大纲

教学大纲

1概述

     什么是机器学习

机器学习的典型应用

机器学习与其他研究领域的关系 机器学习研究目标 PAC学习模型 2 理论基础

 采样复杂度

 VC维与生长函数

                    Sauer引理 切诺夫界

McDiarmid不等式 学习子空间（LSP）理论 支持向量机与Margin理论 核化PRR学习模型 TRBF与绿色计算学习前向反馈与误差反向传播 卷积神经网络 深度学习

通过专家建议的预测 加权表决算法 Perceptron算法 Winnow算法

Widrow-Hoff算法 排序问题 一般性界 3 核方法学习神经网络与深度学习 Online学习排序算法

RankBoost 二分排序

Preference-based Ranking

7强化学习(Reinforcement Learning)         马尔科夫决策过程(MDPs)最优策略 Q学习

Multi-armed bandit 问题 深度强化学习与自主学习投资组合选择 Minmax理论

重新思考Boosting 卷积神经网络与IMAGENET 对象/场景三维形状学习与识别 8 投资组合选择与博弈论

9机器学习在数字媒体中的典型应用

