（企管）人工智能原理与方法.pptVIP

* Wei Changhua * 4 机器学习研究历史 ⑴ 神经元模型研究阶段W.S.McCulloch和W.Pitts（1943）的模拟神经元的理论。 ⑵ 符号概念获取研究阶段：60年代初进入 ⑶ 符号学习兴旺发达阶段：70年代中期 ⑷ 联结学习和符号学习共发展阶段：80年代以后 5 机器学习的研究目标：机器学习目标有三个，即 ⑴ 通用学习算法：这个方向的研究是理论分析和开发用于非实用的学习任务算法。 ⑵ 认知模型：这是研究人的学习的计算理论和实验模型。 (3) 工程目标：这个研究方向是要解决专门的实际问题，并开发完成这些任务的工程系统。 * Wei Changhua * 6 几个著名的学习系统 ●?BACON：基本思想是程序反复检查数据，并用改进操作产生新的项，直到发现一个项总是常量。这样就可以把概念表示成“项=常量”。 ● INDUCE系统：INDUCE学习系统是有示教正例学习单个概念，它试图找出在规则空间中的少数概念，使得每个概念都覆盖所有的示教例子。 ●??数学方向系统AM：AM与多数学习系统不同，它不是学习执行任务中的概念，而是学习数学概念。它用改进假设方法搜索数学概念空间。在AM开始运行时，知识库中有115个有限集合论的基本概念。AM在运行时，收集概念的例子，产生概念，并对概念空间进行推测，结果发现了约200个新概念，其中有一半是有意义的。 ●? AQ： * Wei Changhua * 第八章 机器学习 思考题 1???什么是机器学习？ 2???机器学习与人类学习有些什么区别？ 3???按推理机制划分，有那些种机器学习？ 4???举例说明类比学习方法。 5???举例说明归纳学习方法。 6???叙述一个机器学习系统的结构。 7 举例说明BACON学习系统的机器学习过程。 * Wei Changhua * Thank you ! 谢 谢！ * * Wei Changhua * 2 确定因子法 ⑴ 知识的不确定性表示 MYCIN系统称规则强度为规则确定性因子（Certainty Factor）CF(H,E)，它表示在已知证据的情况下，对假设的确信程度。 CF(H,E)定义如下： ⑵ 证据的不确定性 * Wei Changhua * ⑶ 不确定性推理 ●??根据证据和规则的不确定性求假设的不确定性： 组合两个独立证据导出的同一个假设的不确定性： 由此计算： * Wei Changhua * ●??证据的合取 ● 证据的析取 * Wei Changhua * 3 主观Bayes方法 主观Bayes方法是以概率论中的Bayes公式为基础的一种不确定性推理算法，首先应用于专家系统PROSPECTOR系统。 ⑴ 知识不确定性的表示：在该方法中知识的不确定性表示为 其中规则强度由LS和LN表示。 ⑵ 证据的不确定性：证据的不确定性用证据的概率P(E)表示，或者用证据的几率?(E) * Wei Changhua * ⑶ 不确定性推理算法：采用三点的线性插值方法。即 当 时，有 当 时，有 当 时，有 分段插值的解析式为： * Wei Changhua * 4 证据理论 证据理论是由Dempster和他的学生Shafer共同提出来的一种不确定性推理模型，所以也称为D-S证据理论。证据理论可以满足比概率更加弱的公里体系，当概率值已知的时候，证据理论就变成为概率论了。 ⑴ 证据的不确定性 设U的幂集2U上定义了一个基本概率赋值函数m：2U ?[0,1]，使满足 ，基本概率赋值函数m(A)表示了证据对U的子集A成立的一种信任程度。 * Wei Changhua * 信任函数：信任函数定义为 似然函数：似然函数定义为 信任函数与似然函数的关系 * Wei Changhua * ⑵ 证据组合：对于相同的证据，由于来源不同，可能得到不同的基本概率赋值函数。D-S证据理论采取正交和来组合这些函数。 设 是 上的个基本概率赋值函数，它们的正交和 ，且定义为 其中 ⑶ 证据理论的推理 ●???知识表示：系统的推理规则表示为 ●???证据的描述：对于任何命题 ，