156-人工智慧:学习.pptVIP

  1. 1、本文档共25页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
156-人工智慧:学习.ppt

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 * *

文档评论(0)

小玉儿 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档