5章-机器学习-人工智能地研究生课程.pptVIP

第 5 章 机器学习 5.1.3 机器学习研究的发展 5.2 机器学习的模型、策略和方法 5.2.3 基本的学习方法 5.2.3.1 机械学习 5.2.3.2 传授学习 5.2.3.3 示例学习 例：教给系统扑克游戏中的“同花”概念 5.2.3.4　类比学习 框架的类比学习例 5.2.3.5 基于解释的学习 5.2.3.6　观察与发现学习 5.3 学习方法的比较和展望 5.3.2 机器学习今后的研究工作 5.1.--- * 5.1 机器学习概述 5.1.1 学习 学习是对某一个特定目标的知识获取过程，系统的内部表现为新知识结构 的建立和改进，外部表现为系统性能的改善，使之更快、更精确、更健全。 机器学习是指用计算机模拟人类的学习行为，自动地通过，学习获取知识 和技能，不断改善性能，实现系统的自我完善 。 5.1.2　机器学习的意义 （1）人类的学习成果不能被克隆(C1one) 。 （2）人类个体的学习成果不能完整地永久保存。 （3）人类的学习的成本 1/3。 （4）人类学习还存在着个体差异、遗忘等特征。 * 1）神经元模型研究阶段（数学生物物理学 ） 2）符号学习研究发展阶段 （用符号表示知识，并用其对人类学习过程进行模拟 ） 3）联结学习和符号学习共同发展阶段。 4）分析学习、决策树归纳和遗传算法、联结和符号学习的集成学习 * 5.2.1 简单的学习模型 （1）环境：环境指系统所处的外在情形。 （2）学习环节：学习环节是学习系统的核心，采用合适的知识表示方 式，对感知的环境信息进行加上处理，形成有效的知识存人系统知识库。 （3）知识库：知识库储存系统经过学习获得的知识，系统运用这些知 识指导执行环节的动作. 1) 良好的知识表示 2）基于知识的扩充和修改 （4）执行环节：执行环节是设计学习系统的目的，是在运用学到的 知识指导下，完成特定的任务或动作. 环境 学习环节 知识库 执行环节 按学习方法， 机器学习可分机械学习、示例学习、类比学习、解释学习等； 按推理方式， 机器学习可分为基于演绎的学习和基于归纳的学习； 演绎推理 是从已知前提条件和逻辑推理规则，推出结论的一种推理， 若已知C→R及C为真，就可得出R必然为真的结论。 归纳的学习 从特殊事例大量实例概括、抽象出一般规则或结论的推理。 （通常只能以一定的置信度予以接受。） 按综合属性分类，连接、遗传算法、归纳、分析学习、分类器系统； 按有无指导教师，机器学习可分为有监督的学习与无监督的学习； 按学习事物的性质，机器学习可分为概念学习与过程学习； 按所学知识的表示方式，机器学习可分为逻辑表示法学习、产生式表表示 法学习、框架表示法学习等等； 按机器学习的应用领域，机器学习可分为专家系统、机器入学、自然 语言处理、图像识别、博弈、数学、音乐等； 若按学习方法是否为符号表示来分类，则可分为符号学习与非符号学习。 * 机械学习就是记忆，把新知识储存起来，需要时对储存的知识进行检索，而不再需要计算和推理。 机械学习模式：设系统的输人模式为(X1，X2，…，Xm)，对应的输出模式为(Y1，Y2,…Ym)。使用时根据给定的输人数据，直接查找、检索输出。 机械学习类似数学用表、数据库采用的技术，用空间换时间的方法，减少计算和推理的时间。机械学习是最简单的学习方法，同时又是其他学习方法的基础。 记忆学习，或死记硬背学习(Rote　Learning) * 环境提供给系统抽象的、高水平的建议，系统自动把它们变换成执 行环节使用的较具体的、低水平的知识。 （1）要求：专家提出建议。判别知识库的缺陷，并提出修正方法。 （2) 解释：用一定的知识表示方式把专家的建议转换成系统内部表示。 (3) 实用化：学习的信息变换过程，将专家建议转换成具体的知识。 实用化过程往往采用试探性的假设和近似，确保其合理性， 并不保证其完全正确。得到的假设还要经过检验和修正。 (4)归并：将新知识加入知识库，检查并保证知识的相容性。 (5)评价：实用化过程得到的新知识往往只是假设，要经过验证和修改， 即需要进行评价。如果评价中发现了问题，就需要进行问题分析和 知识库修改。实用化是整个学习过程的核心。 指导式学习 * ?? 实例学习能从环境获取一些关于某个概念的实例，实例由老师准备 好，并根据需要划分为正例和反例，学习系统根据这些实例进行归纳推 理，得出关于这个概念的一般性规则(知识)。提供给系统的实例通常 是非常具体的、低级的信息， 系统经过学习环节归纳出概括的、高水平的信息，即规则(知识)， 并能使用学到的知识指导以后的执行行为。 (Learning　From　Examples 实