156-人工智慧：学习.pptVIP

人工智慧：學習 學習 早期： 人們對程式的認知，一個龐大的資料庫系統，只會依照使用者輸入執行命令 人們對程式的批評經常是『只會照我們指示做事，而不能自己適應並且學習』 一位計算方面的哲學家Ada Augusta說：『程式沒有創新的能力，只知道如何照命令做事』 近代： AI問世後，突破傳統的一對一的程式（一個input一個output），轉變為一對多的程式（同樣input經過學習後可更新output），重點在於AI能學習 學習 什麼是學習？除了經驗法則，還需創新 學習方法： 記憶學習 觀念學習 發現型態學習 類似學習 神經網路學習 記憶學習 記憶學習 建立資料庫系統，供往後利用 Ex.下棋：電腦根據目前局勢，計算出最有優勢的走法，並存起來，以後還有相同狀況，就不必在模擬 困難：隨著系統漸趨複雜，檔案也異常龐大：棋盤組合數量以指數成長 記憶學習 所需的能力： 組織所儲存的資料：搜尋時間模擬時間 資料類化 記憶學習 指引方向 應用：棋類方面 觀念學習 觀念學習 目的：學習事物的特徵，訓練聯想能力 Ex.結構認識 觀念學習 觀念學習 建立結構的基本方法： 結構定義：觀察某件事物的特徵後，建立基礎結構 一般化：多觀察其他此觀念例子的敘述，將這些不同的敘述加入結構定義 結構分類：觀察此結構的接近或忽略敘述，建立新定義來分類他們 好處 發明型態學習 發明型態學習（AM） 把已知的東西拼湊成前人所未有的東西，謂之發明 技術包括 知識表示法 架構 解題方法 滿足式搜尋(heuristic search) 產生並測試(generate test) 在數論，VLSI都有相當的應用 類似學習 類似學習 目的： (1)敘述物體之間的相異點 Ex.告訴電腦『 Jack就像部消防車』，電腦必須決定哪部分Jack像消防車 (2)快速紀錄或了解他人的資訊 Ex.有了A的資料，由『B和A很相似』來建構出B的資料 首先要紀錄事物的結構特徵 類似學習 Jack的特徵： 1.種類： 人 2.外型： 中型 3.用途： 幫助其他種類 4.活動方式： - 消防車的特徵 1.種類： 機器 2.外型： 中大型 3.用途： 滅火 4.活動方式： 被動型（有人開才能走） Jack的新特徵： 1.種類： 人 2.外型： 中型 3.用途： 幫助其他種類 4.活動方式： 被動型（有人開才能走） 神經網路學習 神經網路學習 以程式來模擬生物神經系統，做出適當的判斷 類神經網路的核心－類神經元的模型 Xm:外界刺激 Wm:加權值 S:總合 Φ:激發臨界值（函數） Y:輸出 神經網路學習 一個『困難』的問題 神經網路學習 模擬人類神經網路，解決眾多問題 平行分布性處理： 訊號可以同時到達一批神經元， 將每一個神經元看成一個處理單元，整個系統就是一個分散式計算系統 學習能力： 利用樣本引導系統模擬現實環境(back-propagation) 對輸入進行自我適應(Hop-field) 容錯性： 由於大量連結的神經元，神經網路中少量的神經元發生錯誤，不會對整體帶來太大影響 神經網路學習 模型： Hopfield網路模型 倒傳遞(back-propagation)模型 自適應共振理論(adaptive resonance theory)模型 Hopfield網路模型 帶有自回授的模型 架構： 第0層：退化的神經元，輸入=輸出，為了引入回授而設計 第1層：標準神經元 穩定性： Back-Propagation 1961年Rosenblatt提出感知模型，利用神經元模擬人類邏輯思考十分成功， 問題：屬於線性分類器，無法實現XOR邏輯運算 1986引入隱藏層，採用非線性神經元，他的學習法基於回傳誤差，稱為BP Back-Propagation 大部分問題屬於非線性問題，而隱藏層就是為了增加非線性性 是目前最流行的類神經網路之一，也是最受廣泛應用的類神經網路 學習方法：利用能量最小原理，控制和學習樣本之間的誤差 初始化加權值，接近0的隨機數 將樣本輸入BP，得到輸出 將正確答案與輸出值比較，並將誤差往回傳 研究證明，只要有足夠多的隱藏曾和時間，BP可模擬任意複雜的非線性曲線 應用：圖形辨識，語音辨識 總結 學習是很重要的 我們越了解人類的思考模式，就能寫出更強大的學習程式 * *