机器学习的方法.docVIP

浅谈机器学习方法 【摘 要】本文以什么是机器学习、机器学习的发展历史和机器学习的主要策略这一线索，对机器学习进行系统性的描述。接着，着重介绍了流形学习、李群机器学习和核机器学习三种新型的机器学习方法，为更好的研究机器学习提供了新的思路。 【关键词】机器学习；人工智能；李群机器学习；核机器学习；流形学习 Brief Remarks on Machine Learning Methods Zhen Panhao Abstract：First of all，machine learning is described systematically on the concept of machine learning，the history and main strategies of machine learning. Then，three new machine learningmethods of manifold learning，Lie Group machine learning and nuclear machine learning are referred emphatically to provide anew way of thinking for better research on machine learning. Keywords：machine learning；artificial intelligence；Lie group machine learning；kernel machine learning；manifold learning 0 引言 计算机视觉是指用计算机实现人的视觉功能，希望能根据感知到的图像( 视频) 对实际的目标和场景内容做出有意义的判断如何能正确识别目标和行为非常关键，其中一个最基本的和最核心的问题是对图像的有效表达 如果所选的表达特征能够有效地反映目标和行为的本质，那么对于理解图像就会取得事半功倍的效果 正因为如此，关于机器学习的发展历史 特征的构建和选取一直得到广泛关注 近些年来人们已构建出许多特征，并且得到了广泛的应用，例如等等 设计特征是一种利用人类的智慧和先验知识，并且将这些知识应用到目标和行为识别技术中的很好的方式 但是，如果能通过无监督的方式让机器自动地从样本中学习到表征这些样本的更加本质的特征则会使得人们更好地用计算机来实现人的视觉功能，因此也是近些年人们关注的一个热点方向 深度学习( deeplearning) 的目的就是通过逐层的构建一个多层的网络来使得机器能自动地学习到反映隐含在数据内部的关系，从而使得学习到的特征更具有推广性和表达力本文旨在向读者介绍深度学习的原理及它在目标和行为识别中的最新动态，希望吸引更多的研究者进行讨论，并在这一新兴的具有潜力的视觉领域做出更好的成果 首先对深度学习的动机历史以及应用进行了概括说明; 主要介绍了基于限制玻尔 兹曼机的深度学习架构和基于自编码器的深度学习架构，以及深度学习 近些年的进展，主要讨论了去噪自编码器( denoisingautoencoder)，卷积限制玻尔兹曼机，三元因子玻尔兹曼机( 3-way factorizedBoltzmannmachine)，以及神经自回归分布估计器( NADE) 等一些新的深度学习单元; 对目前深度学习在计算机视觉中的一些应用以及取得的成果进 行介绍; 最后，对深度学习与神经网络的关系，深度学习的本质等问题加以讨论，提出目前深度学习理论方面需要解决的主要问题 1机器学习的发展历程 机器学习的发展大致可以分为四个阶段2.1 机械学习 机械学习是一种最基本的学习策略，把环境提供的信息简单存储起来，不经过任何推理，“死记硬背”式的学习。适合于一些环境相对稳定，输入输出模式相对固定的系统中，例如医生给病人看病。 2.2 传授学习 传授学习又叫做指导式学习或示教学习。传授学习的学习过程可以简单地描述如下：（1）请求：先向指导者请求提出建议；（2）解释：接受建议并将其转化为内部表示形式；（3）操作化：将解释后的建议转化为具体的知识；（4）归并：将得到的新知识归并到知识库中；（5）评价：对新知识进行评价，常用方法有，检查新知识与知识库里的知识是否矛盾，或者使 用新知识执行某些任务，观察其执行情况。 2.3 演绎学习 演绎学习以演绎推理为基础。演绎推理是一种有一般到个别的推理方法，其核心是三段论。例如，1动物都会死亡；2狗是一种动物；3狗会死亡。只要对给定的知识进行演绎的保真推理，就能得出一个正确的新结论，然后把有价值的结论存储起来。 2.4 归纳学习 归纳学习以归纳推理为基础。从某个概念的一系列正例和反例中归纳出一个一般的概念描述。归纳学习可分为有导师学习和无导师学习