第一次个人作业
1、学习心得小结、学习笔记
笔记字迹较为潦草,就不放了,这里简略总结一下
模式识别
- 根据已有知识的表达(函数映射),针对待识别模式,判别决策其所属的类别或者预测其对应的回归值,是一种推理过程,可划分为“分类”和“回归”两种形式。
- 模式识别任务的模型通过机器学习获得。
机器学习
利用训练样本,对目标函数进行学习优化(参数、模型结构等),得到理想的模型的过程。
提高泛化能力:选择模型;通过调节正则系数,降低过拟合的程度
评估模型性能方法:留出法、K折交叉验证、留一验证等
性能指标度量:准确度、精度、召回率、曲线度量等
MED分类器:基于欧式距离,没有考虑特征变化的不同及特征之间的相关性。在高维空间中,该决策边界是一个超平面,且该平面垂直且二分连接两个类原型的线。掌握决策边界方程及其推导。
MICD分类器:基于马氏距离,经过特征正交白化,去除特征变化的不同及特征之间的相关性,但会选择方差较大的类。
贝叶斯规则:已知先验概率和观测概率,模式𝒙属于类𝐶𝑖后验概率的计算公式为:
MAP分类器:将测试样本决策分类给后验概率最大的那个类。给定所有测试样本, MAP分类器选择后验概率最大的类,等于最小化平均概率误差,即最小化决策误差。
贝叶斯分类器:在MAP分类器基础上,加入决策风险因素,得到贝叶斯分类器,给定一个测试样本𝒙,贝叶斯分类器选择决策风险最小的类。
给定所有测试样本 {𝒙},贝叶斯分类器的决策目标: 最小化期望损失。
监督式学习
参数化方法(学习这些解析表达函数中的参数):
- 最大似然估计:
给定的𝑁 个训练样本都是从𝑝(𝒙|𝜃)采样得到的、且都符合iid条件,则所有样本的联合概率密度为:该函数称为似然函数(Likelihood function)
学习参数𝜃的目标函数:使得该似然函数最大
- 贝叶斯估计(具有不断学习的能力)
给定参数𝜃分布的先验概率以及训练样本,估计参数θ分布的后验概率
非参数化方法(基于概率密度估计技术):
- KNN估计 给定𝒙,找到其对应的区域𝑅使其包含𝑘个训练样本,以此计算𝑝(𝒙) 。可以自适应的确定𝒙相关的区域𝑅的范围,但不是真正的概率密度表达,概率密度函数积分是 ∞ 而不是1。例如,在k=1时。
第三章内容不少,涉及一些线代和概率论知识,有一些决策边界方程推导啥的还挺头疼。重点是一些知识点之间的比较,理解过后会对这些分类器、估计方法等印象更深,不容易搞混。
2、记录机器学习等人工智能领域的前沿技术介绍、展望、应用,了解我们国家的先进或不足,存在的卡脖子技术等(选取一种技术方向即可)
语音识别技术是利用机器识别和理解人类语言信号并将其转为相应的文本和命令的技术,属于多维模式识别和智能计算机接口技术。
语音识别、智能语音对话的应用已经在生活中各个方面得到体现,各种基于语音智能识别技术的产品也日渐被开发出来,并应用于各个领域,并表现出极大的应用优势,例如,很多设备的声控开关,智能手机的语音控制功能等。此外,在医疗上,语音识别技术已经在美国、欧洲等地区应用,美国Nuance 公司的英语语音识别技术及电脑辅助病历抄写系统是先将患者病情口述下来,存为语音档案,同时直接传送至语音识别服务器进行转录,该系统的应用,使处理病历的时间从原本的5天降至不足1 个小时。
但是,语音识别技术并未在我国医疗领域中广泛应用,除了医院信息化发展阶段的限制之外,还有其他一些因素,如医学词汇专业性强和特殊符号多、表述人地方口音较重或发音不准、表述人情感影响、工作环境噪杂、采音设备自身抗干扰差等,均可导致语音识别准确度不高。汉字识别技术发展不成熟也是阻碍其进一步发展的关键原因。如中文特有的多音字,我国有415 个基本无调音节,构成七千多个基本汉字的发音,使中文语音比英文更难识别。
临床应用率不高使语音识别技术仍处于实验阶段,难以更新改进。年轻医师更偏好于利用模板录入病历信息、语音转换精准度不够等都是阻碍语音识别技术发展的因素。尽管语音识别率目前已达到96%,但仍不能完全满足实际临床工作的需要,特别是对特殊符号的识别。另外,临床医师在书写病历时,对于患者治疗措施的制定等内容需要思考,而语音识别不允许长时间中断;同时,医师在进行语音识别前后需要键盘鼠标的配合,操作不便。
语音识别技术的应用在一定程度上可以降低临床医师工作强度、提高工作效率以及降低医院日常运作成本。目前国内诸如北京协议医院、北京大学口腔医院、陆军军医大学第一附属医院、青岛大学附属医院等已经在探索语音识别技术并将其应用到临床工作中。但语音识别技术仍难以完全满足对文书要求严格的医疗行业,另外当前进行语音识别技术探索的医院多数仅限于语音转为文字,相当于语音输入法,并没有真正实现智能语音、人机交互技术。相信在未来发展中,通过不断探索实践,语音识别技术在医院应用中可以实现人机对话,通过语音口令唤醒程序指令,并根据语音准确快速地记录执行,真正地实现医疗智能化。