机器学习研究现状.docVIP

题目： 机器学习的研究现状 摘要：学习是一切智能系统最根本的特征。机器学习是人工智能最具智能特征、最前沿的研究领域。机器学习就是要使计算机能模拟人的学习行为,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。本文对机器学习及应用领域进行了针对机器学习 学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。人们曾对学习给出各种定义。Simon（1983）就是系统中的变化，这种变化使系统比以前更有效地去做同样的工作。Minsky (1985)学习是在我们头脑中（心里内部）进行有用的变化。 学习能力是智能行为的一个非常重要的特征机器学习在人工智能的研究中具有十分重要的地位至今，“机器学习”还没有统一的定义，而且也很难给出一个公认的和准确的定义。Langley（1996) 机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能稍为严格的是：机器学习在人工智能的研究中具有十分重要的地位它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域一个不具有学习能力的智能系统难以称得上是一个真正的智能系统！ 首先是基于学习策略的分类。从简单到复杂的次序分为机械学习、示教学习、演绎学习、类比学习、基于解释的学习 、归纳学习六个部分。机械式学习又称为死记式学习，其实质是用存储空间换取处理时间。示教学习方法和人类社会的学校教学方式相似，学生从环境获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。而演绎学习大致而言是推理的学习过程。类比学习最是容易让人明白，著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。基于解释的学习就是在学习过程中通过运用域内有关知识对例子分析构造规则并进行推广得到一般性的描述。归纳学习是最基本也较成熟的学习方法。原理是通过一些实例或反例让学生通过归纳推理出该概念的一般描述。 基于学习方式的分类可分为有导师学习、无导师学习以及强化学习三个类别。通俗来讲就是监督学习和非监督学习以及增强学习三个方面的内容。 基于数据形式分类包含结构化学习和非结构化学习两个方面。前者典型的例子有神经网络学习、统计学习、决策树学习和规则学习。而后者着重与类别学习\案例学习和图像挖掘等方面。 基于学习目标分类又可以划分为概念学习、规则学习、函数学习、类别学习和贝叶斯网络学习。 机器学习研究的进展对社会经济的影响是非常巨大的。美国航空航天局JPL实验室的科学家在《Science》（2001年9月）上撰文指出：机器学习对科学研究的整个过程正起到越来越大的支持作用，该领域在今后的若干年内将取得稳定而快速的发展。概括而言机器学习能使计算机的应用领域大为扩展，并使个人和组织的竟争力提高到新的水平，甚至形成人类全新的生活方式。另外，对机器学习的信息处理算法的研究将导致对人脑学习能力更好的理解。 目前，机器学习领域的研究工作主要围绕以下三个方面进行面向任务的研究研究和分析改进一组预定任务的执行性能的学习系统认知模型 研究人类学习过程并进行计算机模拟理论分析从理论上探索各种可能的学习方法和独立于应用领域的算法 在应用方面，近十年来的进展尤为迅速。比较典型的有天气预报搜索引擎、证券市场分析、语音和手写识别、图像识别、遥感信息处理等。下面是一些突出的应用实例。 计算机弈棋：大多数成功的计算机弈棋程序均基于机器学习算法。例如，TD-GAMMON通过与自己对弈100多万次学习下backgammon棋的策略。该系统目前已达到人类世界冠军的水平。类似的技术也可用于许多其他的涉及非常大型的搜索空间的实际问题。 语音识别：所有最成功的语音识别系统都以某种形式使用了机器学习技术。例如，SPHINX系统学习针对具体讲话人的策略从接受到的语音信号中识别单音和单词。神经网络学习方法和学习隐藏的Markov模型的方法可有效地应用于对各别讲话人，词汇表，麦克风的特性，背景噪音等的自动适应。类似的技术也可用于许多其他的信号解释问题。 自动车驾驶：机器学习方法已用于训练计算机控制的车辆在各种类型的道路上的正确行驶。例如，ALVINN系统使用学习到的策略在高速公路上与别的车辆一起以每小时70英里的速度自动行驶了90英里。类似的技术也可用于许多其他的基于传感器的控制问题。 就机器学习研究的现状而言，目前还不能使计算机具有类似人那样的学习能力。与此同时，机器学习面临着巨大的挑战问题，诸如泛化能力、速度、可理解性以及数据利用能力相关方面的发展情况。但是，对某些类型的学习任务已经发明了有效的算法，对学