人工智能-第5章-机器学习PPT.ppt

第5章 机器学习; 学习能力是人类智能的根本特征。人类通过学习来提高和改进自己的能力。学习的基本机制是把一种情况下成功的表现行为转移到另一种类似的新情况中。人的认识能力和智慧才能就是在毕生的学习中逐步形成、发展和完善。任何自然的智能系统都具备学习的能力。 机器学习是继专家系统之后人工智能应用的又一重要研究领域。本章主要介绍机器学习的有关知识及其主要的几种学习方法。;5.1 机器学习概述 5.2 机械学习 5.3 归纳学习 5.4 类比学习 5.5 解释学习 5.6 强化学习 5.7 知识发现;5.1 机器学习概述; 基本的学习形式有2种： （1）知识获取和技能求精。 例如，我们说某人学过物理。我们的意思是，此人已经掌握了有关物理学的基本概念，并且理解其含义，同时还懂得这些概念之间以及它们与物理世界之间的关系。 一般地，知识获取可看作学习新的符号信息，而这些符号信息是以有效方式与应用这种信息的能力相适应的。 （2）第二类学习形式是通过实践逐步改进机制和认知技能。 学习的很多过程都是由改进所学的技能组成。这些技能包括意识的或者机制的协调，而这种改进又是通过反复实践和从失败的行为中纠正偏差来进行的。例如骑自行车或弹钢琴等等。 知识获取的本质可能是一个自觉的过程，其结果产生新的符号知识结构和智力模型。而技能求精则是下意识地借助于反复实践来实现的。人类的学习一般表现为这两种活动的结合。;5.1.2 机器学习的发展史（2）;机器学习、知识发现与数据挖掘 ;5.1.3 机器学习系统的基本结构;影响学习系统设计的重要因素;5.1.4 机器学习的分类;5.2 机械学习;数据化简 ;机械学习的主要问题 ;5.3 归纳学习;5.3.1 归纳学习的模式和规则; 假设H永真蕴涵事实F，说明F是H的逻辑推理，则有： 　　 H | F （读作H特殊化为F） 　　 或 F | H （读作F一般化或消解为H） 　　这里，从H推导F是演绎推理，因此是保真的；而从事实F推导出假设H是归纳推理，因此不是保真的。 归纳学习系统的模型如图所示。 ;归纳概括规则;(3) 沿概念树上溯： 设L是一结构性描述项，S代表所有条件中的L值在概念分层树上最近的共同祖先，则：;5.3.2 归纳学习方法;5.3.3 归纳学习示例--决策树学习;决策树表示法;Date; 通常决策树代表实例属性值约束的合取(conjunction)的析取式(disjunction)。从树根到树叶的每一条路径对应一组属性测试的合取，树本身对应这些合取的析取。 上述例子可对应如下析取式： (color=green∧size=big) ∨(color=green∧size=medium) ∨(color=green∧size=small) ∨(color=yellow∧shape=round∧size=big) ∨(color=yellow∧shape=round∧size=small) ∨(color=yellow∧shape=thin) ∨(color=red∧size=medium) ∨(color=red∧size=small∧taste=sweet) ∨(color=red∧size=small∧taste=sour);决策树的适用问题;决策树学习的常见问题;ID3算法;决策树的构建;最佳提问的选择（1）;最佳提问的选择（2）;最佳提问的选择（3）;最佳提问的选择（4）;最佳提问的选择（5）;叶结点的确定问题;叶结点的确定问题;叶结点确定的基本思路;确定叶结点的基本方法（1）;确定叶结点的基本方法（2）;决策树修剪（1）;决策树修剪（2）;决策树修剪（3）;讨论;5.4 类比学习;5.4.1 类比推理和类比学习; (2) 选择 　　从找出的相似情况中选出与当前情况最相似的情况及其有关知识。 (3) 建立对应映射 　　在S与T的相似情况之间建立相似元素的对应关系，并建立起相应的映射。 (4) 转换 　　在上一步建立的映射下，把S中的有关知识引到T中来，从而建立起求解当前问题的方法或者学习到关于T的新知识。;类比学习;5.4.2 基于范例的学习;基于范例的推理;范例推理基本流程;基于范例推理中知识表示是以范例为基础，范例的获取比规则获取要容易，大大简化知识获取。 对过去的求解结果进行复用，而不是再次从头推导，可以提高对新问题的求解效率。 过去求解成功或失败的经历可以指导当前求解时该怎样走向成功或避开失败，这样可以改善求解的质量。 对于那些目前没有或根本不存在的问题，