2.3知识获取与机器学习教程.pptVIP

第2章 智能控制的知识工程基础 ;2.3.1 机器学习概述;2.3.1 机器学习概述;什么是学习？;学习的表现形式;人类知识获取（学习）;机器能否象人类一样能具有学习能力呢？;机器的能力是否能超过人呢？;机器知识获取（机器学习）;2.3.1 机器学习概述;机器学习的重要性： 例子—网络安全;现在语音识别器或翻译器几乎都是建立在某种具有学习能力的设备上---- 使用的越多，则它越聪明;*;汽车自动驾驶系统;*;*;*;; 机器学习的研究基本上经历了以下几个发展时期： 通用的学习系统研究 基于符号表示的概念学习系统研究 基于知识的各种学习系统研究 联接学习和符号学习的深入研究;1 通用的学习系统研究（５０年代中叶开始） ? 主流方式——构造没有或者只有很少初始知识的通用系统， ? 主要技术——神经元模型以及基于该模型的决策论和控制论； ? 数值和统计方法的范畴。 ? 以感知机为代表的早期神经元模型的研究未取得实质性进展，并在60年代末走入低谷： ? 机械学习的成功激励了研究者们继续进行机器学习的研究： ? 代表成果： ? 塞缪尔（A.L.Samuel）于50年代末设计的跳棋程序；随着使用次数的增加，积累性记忆有价值的信息，很快达到大师级水平。 ;2 基于符号表示的概念学习系统研究（６０年代中叶开始） ? 研究目标——是表示高级知识的符号描述及获取概念的结构假设。 ? 主要技术——概念获取和各种模式识别系统的应用； ? 综合了逻辑和图结构的表示。 ? 最有影响的开发工作——温斯顿（Winston，1975）的基于示例归纳的结构化概念学习系统。 ?? 开始将领域知识编入学习系统： ? 巴查纳(B.G.Buchanan，1978)等的META-DENDRAL， ? 里南（D.B.Lenat，1976）的AM等。 ;3 基于知识的各种学习系统研究（７０年代中期） ? 不再局限于构造概念学习系统和获取上下文知识 ? 结合了问题求解中的学习、概念聚类、类比推理及机器发现的工作。 ? 工作特点： ? 基于知识的方法——强调应用面向任务的知识和指导学习过程的约束。 　　 ? 开发各种各样的学习方法——示例学习、示教学习、 观察和发现学习、类比学习、基于解释的学习。 ? 结合生成和选择学习任务的能力——应用启发式知识于学习任务的生成和选择，包括提出收集数据的方式、选择要获取的概念、控制系统的注意力等。 ;4 联接学习和符号学习的深入研究 （八十年代后期） ? 联接学习和符号学习的深入研究导致机器学习领域的极大繁荣 神经网络的研究重新迅速崛起，并在声音识别、图象处 理等诸多领域得到很大成功。 ? 符号学习应用技术蓬勃发展： 基于计算机网络的各种自适应、具有学习功能的软件系统的研制和开发,将机器学习的研究推向新的高度;连接机器学习 符号机器学习 遗传机器学习 分析机器学习;2.3.1 机器学习概述;;（1）环境 要求信息的质量高 与一般原则的差别较小，易于学习 学习系统需要删除具体信息的不必要细节，形成一般原则 信息往往是不完全的 学习系统所进行的推理不完全是可靠的，需要通过执行效果加以检验。 ;知识库 知识表示的形式多样化：状态空间、一阶谓词逻辑、产生式规则、语义网络和框架。 表达方式选择的原则 表达能力强例如：表示木块color,shape,volumn，表示木块之间的关系ExEy(RED(x)^GREEN(y)^ONTOP(x,y)) 易于推理例如：推理过程中经常要遇到判别两种表示方式是否等价 容易修改数据库如新、旧知识可能会矛盾，等等。 知识表示易于扩展;执行 是整个学习系统的核心。 复杂性 复杂的任务比简单的任务需要更多的知识。 反馈 所有的学习系统必须以某种方式评价学习部分提出的假设。 透明性 要求从系统执行部分的动作效果可以容易地对知识库的规则进行评价。;1. 按学习方法分类（温斯顿，1977 ）： 机械式学习 指导式学习 示例学习 类比学习等;2. 按学习能力分类： 监督学习（有教师学习） 再励学习、 非监督学习;3. 按推理方式分类： 基于演绎的学习（解释学习） 基于归纳的学习 （示例学习、发现学习等 ）;2.3.1 机器学习概述;通过直接记忆或者存储外部环境所提供的信息达到学习的目的，并在以后通过对知识库的检索得到相应的知识直接用来求解问题，也被称记忆学习，或死记式学习;2.3.2 机器学习的主要策略---1.机械学习;机械学习模式图示; 机械式学习可用于推理过程的简化：　;机械学习需要注意的重要问题：; (b)环境的稳定性与存储信息的适用性问题： 在急剧变化的环境下机械学习策略是不适用的。做为