人工智能19概要1.pptVIP

人工智能　━━　一种现代方法 云南大学 施心陵讲授 第十九章 学习中的知识 学习的逻辑公式 搜索假设空间(规则空间)的方法 变型空间法 以整个规则空间为初始的假设规则集合H。依据示教例子中的信息，对集合H进行一般化或特殊化处理。逐步缩小集合H，最后使H收敛为只含有要求的规则。 规则空间偏序关系 消除候选元素算法 消除候选元素算法(例) 消除候选元素算法(例) 消除候选元素算法(例) 变型空间法 改进假设法 步骤： 收集例子 分析例子，根据例子选择操作 使用操作修改假设集H 如果满足要求，结束；否则继续收集例子 改进假设法（例） 改进假设法 常用操作 特殊化：假设和数据冲突，使假设特殊化 产生斜率和截距：发现线性关系 产生乘积：一增一减时 产生商数：同时增减时 优点：能发现实质变量间关系 缺点：仅能在特殊情况下才能使用操作。变量的选样，对例子很敏感。 产生与测试方法 只示教正例学习，每个例子转换成规则空间的一个点，即例子和规则使用统一的表示形式。 选择示教例子，使其对应的点形成规则空间中向上的放射搜索，例如去掉合取条件或增加析取选择。 特殊例子?一般概念 产生与测试方法 INDUCE1.2 步骤 (1) 产生初始H集合：包含大小为W(放射宽度)的例子集 (2) 产生一般化概念：使H一般化，扩大H (3) 修剪H中可能不合理的概念，使其只保留W个概念 (4) 测试新生成的H，取出覆盖全部例子的规则放入集合C中 (5) 若H空了，或C足够大，结束；否则反复进行。 产生与测试方法 优点：比变形空间法更快，存储量更少，抗干扰。即使例子中有干扰，就选覆盖大多数例子的规则即可。 缺点：没有很完善的模型指导修剪和结束搜索。同时，因为修剪所以不完备，不一定能找到全部合格的概念。而且一次需要全部例子，不适合于逐步学习。 学习中的知识 学习中的知识 使用先验知识的学习方案 基于解释的学习(Explanation-based learning, EBL) Hypothesis ∧ Descriptions |= Classifications Background |= Hypothesis 基于相关性的学习(RBL) Hypothesis ∧ Descriptions |= Classifications Background∧Descriptions∧Classifications |= Hypothesis 基于知识的归纳学习(KBIL) Background∧Hypothesis∧Descriptions |= Classifications 基于解释的学习（EBL） 基本的EBL 给定一个例子，使用背景知识构建一棵证明树 为可变化的目标构建一棵泛化证明树 构建一条新规则（叶子 ? 根） 去掉所有和目标中变量真正无关的条件 解释的含义 1、对所产生的结论的理论过程做详细说明，以增加系统的可接受性。 2、对错误决策进行追踪，发现知识库中知识的缺陷和错误的概念。 3、对初学者进行训练 解释的方法：预制文本法、执行追踪法、策略解释法 EBL的可操作性 可操作性 可用性：学到的知识应有尽量大的适应范围 效用性：学到的概念描述有利于提高系统运行效率。 解释学习模型 解释学习的框架 解释学习的任务：把不可操作的描述转化为可操作的描述，解释是空间的变换，而可操作性是搜索结束的标准。 从D1到D2的过程称作概念可操作。 解释学习的过程 解释学习的过程（例） 解释学习的过程（例） 解释学习的过程（例） 解释学习的过程（例） 基于相关性的学习 基于相关性的学习 基于知识的归纳学习（KBIL） 已知：Father, Mother, Married, Male, Female 学习：Grandparent关系。 归纳逻辑程序设计 自顶向下的归纳学习 正例：George, Anne, Philip, Peter,… (12个) 反例: George, Elizabeth,… (388个) = Grandfather(x, y) Father(x, y) = Grandfather(x, y) Parent(x, z) = Grandfather(x, y) Father(x, z) = Grandfather(x, y) Father(x, z)∧Parent(z,y) = Grandfather(x, y) Parent(x, z) ∧Parent(z, y) = Grandparent(x, y