人工智能学习-AI-MIT公开课11. 学习：识别树、无序
- 1-前言
- 2-课程链接
- 3-具体内容解释说明
-
- 一、这节课在整个课程里的位置
- 二、前半部分：识别树（＝决策树）
-
- [1️⃣ 什么是识别树？](#1️⃣ 什么是识别树？)
- [2️⃣ 决策树是怎么"学"的？](#2️⃣ 决策树是怎么“学”的？)
- [3️⃣ 决策树的优缺点（必考）](#3️⃣ 决策树的优缺点（必考）)
- 三、后半部分：无序（＝无监督学习）
-
- [1️⃣ 什么是"无序学习"？](#1️⃣ 什么是“无序学习”？)
- [2️⃣ 典型无监督学习任务](#2️⃣ 典型无监督学习任务)
-
- [🔹 聚类（Clustering）](#🔹 聚类（Clustering）)
- [🔹 降维（Dimensionality Reduction）](#🔹 降维（Dimensionality Reduction）)
- [3️⃣ 无监督学习的特点（考试重点）](#3️⃣ 无监督学习的特点（考试重点）)
- 四、这节课的"入试视角总结"
- 4-课后练习（日语版本）
- 5-课后答案解析（日语版本）
-
- 問題１（識別木の性質）
- 問題２（分割基準）
- 問題３（無教師学習）
- [問題４（教師あり vs 無教師あり）](#問題４（教師あり vs 無教師あり）)
- [📊 总结成绩（按真实入试标准）](#📊 总结成绩（按真实入试标准）)
- [🎯 出题人对你的评价（实话）](#🎯 出题人对你的评价（实话）)
- [🔑 给你一个"不会再错"的一句话规则](#🔑 给你一个“不会再错”的一句话规则)
- 6-总结
1-前言
为了应对大学院考试，我们来学习相关人工智能相关知识，并且是基于相关课程。使用课程为MIT的公开课。
通过学习，也算是做笔记，让自己更理解些。
2-课程链接
是在B站看的视频，链接如下：
https://www.bilibili.com/video/BV1dM411U7qK?spm_id_from=333.788.videopod.episodes&vd_source=631b10b31b63df323bac39281ed4aff3&p=11
3-具体内容解释说明
一、这节课在整个课程里的位置
从目录可以看出顺序是：
- 10：学习介绍、最近邻（k-NN）
- 11：识别树、无序
- 12：神经网络、反向传播
- 13：遗传算法
👉 说明这是传统机器学习 → 深度学习 之间的过渡章节 。
不讲工程实现，重在"思想与原理"。
二、前半部分：识别树（＝决策树）
1️⃣ 什么是识别树？
一句话：
通过一连串"如果...那么..."的判断来进行分类或预测
例如：
- 如果「温度 > 30℃」？
- 如果「下雨 = 是」？
- 最终得到「去 / 不去」
👉 本质：树结构的分类模型
2️⃣ 决策树是怎么"学"的？
核心思想只有一个：
每一步选"最能区分数据"的特征
常见指标（知道名字即可）：
- 信息增益（Information Gain）
- 熵（Entropy）
- 基尼指数（Gini）
入试不会让你算公式，但会问：
- 为什么要选"信息增益最大"的特征？
- 这样做有什么好处？
3️⃣ 决策树的优缺点（必考）
优点
- 结构直观，可解释性强
- 不需要复杂数学
- 适合规则清晰的问题
缺点
- 容易过拟合
- 对噪声敏感
- 树太深会泛化差
👉 很常见的考法：
「以下哪一项是决策树的特点？」
三、后半部分：无序（＝无监督学习）
1️⃣ 什么是"无序学习"？
日文里的「無序」＝ 没有正确答案标签
一句话：
只有数据，没有老师
与前面学过的「教师あり学習（监督学习）」形成对比。
2️⃣ 典型无监督学习任务
🔹 聚类（Clustering）
- 把相似的数据分到一组
- 代表方法：k-means
例如：
- 自动把顾客分群
- 把相似图片聚在一起
🔹 降维（Dimensionality Reduction）
- 用更少的变量表示数据
- 代表方法：PCA
3️⃣ 无监督学习的特点（考试重点）
-
没有"正确答案"
-
结果的好坏依赖评价方法
-
常用于：
- 数据探索
- 特征预处理
- 发现隐藏结构
👉 很爱考这种对比题：
「监督学习 与 无监督学习 的区别是？」
四、这节课的"入试视角总结"
如果这是日本大学院 AI 入试，这节课在考什么？
✅ 不会考代码
✅ 不会考复杂公式
✅ 会考概念理解 + 区别 + 适用场景
重点记住三组对比：
1️⃣ 决策树 vs 最近邻
2️⃣ 监督学习 vs 无监督学习
3️⃣ 可解释性强 vs 表达能力强（为神经网络铺垫）
4-课后练习（日语版本）
問題１（識別木：基本性質）
識別木（決定木）に関する説明として、最も適切なものを一つ選べ。
A．識別木は常に最短の分類規則を生成する。
B．識別木は学習データに対して過学習を起こしにくい。
C．識別木は分類規則を木構造として表現し、可読性が高い。
D．識別木は教師なし学習の代表的手法である。
問題２（識別木：分割基準）
識別木において、分割に用いられる評価基準として一般的でないものを一つ選べ。
A．情報利得
B．エントロピー
C．ジニ係数
D．ユークリッド距離
問題３（無教師学習：特徴）
無教師学習に関する説明として、正しいものを一つ選べ。
A．正解ラベルを用いてモデルを学習する。
B．分類精度を用いて結果の良否を直接評価できる。
C．データの潜在的な構造や類似性を発見する目的で用いられる。
D．誤差逆伝播法を用いて学習を行う。
問題４（学習方法の比較）
教師あり学習と無教師学習の違いに関する説明として、最も適切なものを一つ選べ。
A．教師あり学習では、常に分類問題のみを扱う。
B．無教師学習では、入力データと正解ラベルの対応が与えられる。
C．教師あり学習では、目的変数が与えられる。
D．無教師学習は、識別木によってのみ実現される。
做题建议（重要）
- 不要靠「感觉」
- 每个选项都问自己一句：
👉 "这是不是定义层面的事实？"
你可以直接回复我：
1: ?
2: ?
3: ?
4: ?5-课后答案解析（日语版本）
問題１（識別木の性質）
你的答案：C
識別木は分類規則を木構造として表現し、可読性が高い。
✅ 正确
- 决策树最大的特点就是 可解释性强
- 这是教科书级正确描述
- A、B 都是常见陷阱（"常に""起こしにくい"）
👉 这一题你是标准满分答案
問題２（分割基準）
你的答案：A（情報利得）
❌ 这一题错了
题目问的是：
一般的でないもの（不常用的）
- 情報利得 ✔ 常用
- エントロピー ✔ 常用
- ジニ係数 ✔ 常用
- ユークリッド距離 ❌（这是 k-means 等聚类用的）
✅ 正确答案是：D
問題３（無教師学習）
你的答案：C
データの潜在的な構造や類似性を発見する目的で用いられる。
✅ 完全正确
- 这是无监督学习的标准定义句
- A、B、D 都是典型"监督学习/深度学习混入陷阱"
問題４（教師あり vs 無教師あり）
你的答案：C
教師あり学習では、目的変数が与えられる。
✅ 正确
- 这是区分监督/无监督的核心一句话
- 表述精准，没有多余限定词
📊 总结成绩（按真实入试标准）
| 题号 | 结果 | 评价 |
|---|---|---|
| 1 | ✅ | 教科书级理解 |
| 2 | ❌ | 典型混淆点 |
| 3 | ✅ | 概念非常稳 |
| 4 | ✅ | 入试标准答案 |
👉 正确率：3 / 4（合格线以上）
🎯 出题人对你的评价（实话）
-
你 概念掌握是对的
-
错的不是"不会"，而是：
- 没有抓住"这个指标是给谁用的"
这正是日本大学院入试想筛的点。
🔑 给你一个"不会再错"的一句话规则
"凡是'距离'相关的，多半不是决策树的分割指标。"
6-总结
知识一点点记录吧，最后应对考试，打下基础