人工智能及应用.pptVIP

第六章 机器学习 华北电力大学 计算机系 刘丽 主要内容 概述 机器学习的基本系统结构 神经网络学习 第六章 机器学习 概述 机器学习的基本系统结构 神经网络学习 机器学习 — 概述 目前为止的大多数人工智能系统还完全没有或仅有很有限的学习能力 现有的大多数人工智能系统是演绎的，没有归纳推理，因而不能自动获取和生成知识 未来的计算机将有自动获取知识的能力 它们直接由书本学习，通过与人谈话学习，通过观察环境学习 它们通过实践自我完善，克服人的局限性 →有必要对这一前景给以关注 机器学习 — 概述 争论：机器的能力是否能超过人的能力？ 否定意见：机器是人造的，其性能和动作完全是由设计者来规定的，因此无论如何其能力也不会超过设计者本人 肯定意见：对具备学习能力的机器而言，它的能力在应用中不断地提高，过一段时间以后，设计者本人也不知他的能力到了何种水平——这就是机器学习的不可预测问题 机器学习 — 概述 学习结果的不确定性带来的新的问题： 学习系统产生的知识可能是系统设计者都无法预测，如果用这种系统解决重要问题，就可能产生意外的困难或危险 必须设计新的有自适应能力的系统： 用于安排测试过程来审查学习系统产生的知识 这个系统必须具有与被监测的系统相当的学习能力，才能够跟随系统知识的变化，完成实时的检测 这个监测系统本身的变化又如何了解、控制呢？ Three laws of Robotics(1) 科幻小说家艾萨克·阿西莫夫在他的机器人相关作品和其他机器人相关小说中为机器人设定的行为准则 第一法则：机器人不得伤害人类，或袖手旁观坐视人类受到伤害 第二法则：除非违背第一法则，机器人必须服从人类的命令 第三法则：在不违背第一及第二法则下，机器人必须保护自己 Three laws of Robotics(2) 1985年，《机器人与帝国》这本书中，阿西莫夫将三大法则扩张为四大法则： 第零法则：机器人不得伤害人类整体，或袖手旁观坐视人类整体受到伤害 第一法则：除非违背第零法则，机器人不得伤害人类，或袖手旁观坐视人类受到伤害 第二法则：除非违背第零或第一法则，机器人必须服从人类的命令 第三法则：在不违背第零至第二法则下，机器人必须保护自己 Three laws of Robotics(3) 三定律在科幻小说中大放光彩，一些其他作者的科幻小说中的机器人也遵守这三条定律 三定律也具有一定的现实意义，在三定律基础上建立新兴学科“机械伦理学”旨在研究人类和机械之间的关系 截至2006年，三定律在现实机器人工业中没有应用，但目前很多人工智能和机器人领域的技术专家也认同这个准则 Three laws of Robotics(4) 罗杰·克拉克添加了以下的定律： 元定律：机器人可以什么也不做，除非它的行动符合机器人学定律。此定律置于第零、第一、第二、第三定律之前 第四定律：机器人必须履行内置程序所赋予的责任，除非这与其他高阶的定律冲突 繁殖定律：机器人不得参与机器人的设计和制造，除非新的机器人的行动服从机器人学定律 机器学习 — 概述 什么是学习？什么是机器学习？没有被广泛认可的准确定义 Simon（1983）：学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或相类似的任务时，会比现在做得更好或效率更高 Minsky (1985)：学习是在我们头脑中（心里内部）进行有用的变化 学习是一种具有多侧面的现象。学习基本形式有知识获取和技能求精 机器学习 — 概述 知识获取——学习的本质 例如科学知识的学习 是一个自觉的过程，其结果是产生新的符号知识结构和智力模型 技能求精——通过教育或实践改进机制和认知能力 借助观察和实验发现新的事实和新的理论。例如学习骑自行车 是下意识地借助于反复地实践来实现的 机器学习 — 概述 机器学习的任务主要包括以下两个方面： 获得对于输入的数据进行分类能力： 如医疗诊断，信用卡业务或交易，投资，DNA序列，口语，手写字，天文图象等等 获得解决问题，行为计划和行为控制等的能力 如解决微分问题，下跳棋，象棋，平衡杠杆，驾车等等 机器学习 — 概述 对系统学习性能进行评价的指标： 分类精度：是否能够对输入的数据进行正确、精确的分类 解答的正确性和质量： 对用于分类和解决问题的系统都有解答正确性问题；同时正确性不一定保证有好的质量 好的质量包括：可读性、稳定性等多方面的因素 学习的速度： 它不仅仅影响系统的设计，还影响系统的实现 机器学习 — 概述 机器学习一直是AI研究的瓶颈之一，表现在： 预测难：学习后知识库发生了什么变化，系统功能的变化的预测 归纳推理： 现有的归纳推理只保证假，不保证真。演绎推理保真 而且，归纳的结论是无限多的，其中相当多是假的，给生成的知识带来不可靠性 机器目前很难观察什