机器学习课件精品.pptx

机器学习;;机器学习的重要性;;;;信息检索（Information Retrieval );;;;5;机器学习的任务;机器学习的三要素;要素1：一致性假设;要素2：对样本空间的划分;要素3： 泛化能力;关于三要素;Transfer learning;传统机器学习转移学习;Transfer Learning = “举一反三”;机器学习是多学科的交叉;机器学习学科;机器学习的分类;归纳学习;解释学习;机器学习面临的挑战;例子1：代价敏感问题;例子2：不平衡数据问题;例子3：可理解性问题;机器学习的最新进展;算法驱动;应用驱动;应用驱动机器学习; 流形机器学习—高维数据的低维表示;比较常用的降维算法比如PCA，是针对线性分布的高维数据进行降维的算法，并且有局部最优的问题。而LLE（Local Linear Embedding）算法则针对于非线性数据。;半监督机器学习;多示例机器学习;Ranking机器学习;;数据流机器学习;研究现状;当前机器学习所面临情况是：; 现在我们逐一讨论几种比较常用的学习算法……; 7.3 机械学习;机械学习是一种基本的学习过程，虽然它没有足够的能力独立完成智能学习，但存储对于任何智能型的程序来说，都是必要的和基本的。 记忆学习是任何学习系统的一部分，任何学习系统都要将它所获取的知识存储在知识库中，以便使用这些知识。 ;机械学习的过程 ;例子：汽车修理成本估算系统 ;例子：汽车修理成本估算系统;数据化简级别图;存储;机械学习要注意的问题; 7.5 类比学习;类比推理;类比推理过程;类比学习形式;类比学习研究类型; 7.6 解释学习 ; 例如，学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。 EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪乔恩（G.DeJong）的GENESIS, 米切尔（T.Mitchell）的LEXII和LEAP, 以及明顿（S.Minton）等的PRODIGY。 ;解释学习的一般性描述;系统进行学习时，首先运用领域知识DT找出训练实例TE为什么是目标概念TC的实例的解释，然后根据操作性准则OC对解释进行推广，???而得到关于目标概念TC的一个一般性描述，即一个可供以后使用的形式化表示的一般性知识。;解释学习的学习过程与算法;训练实例为描述物体Obj1与Obj2的下述事实： On(Obj1,Obj2) Isa(Obj1,book of AI) Isa(Obj2,table) Volume(Obj1,1) Density(Obj1,0.1) ······ 领域知识是把一个物体放置在另一个物体上面的安全性准则： ?Fragile (y)→ Safe-To-Stack (x ,y) Lighter (x, y)→ Safe-To-Stack (x ,y) Volume (p, v) ∧Density (p, d)∧*(v, d, w)→ Weight (p, w) Isa(p,table)→Weight (p, 15) Weight(p1,w1)∧Weight(p2,w2)∧Smaller(w1,w2)→Lighter(p1,p2) ;Safe-To-Stack(Obj1,obj2);2. 获取一般性的知识 任务：对上一步得到的解释结构进行一般化的处理，从而得到关于目标概念的一般性知识。 方法：将常量换成变量，并把某些不重要的信息去掉，只保留求解问题必须的关键信息。图2为图1的一般化解释结构，可以得到如下一般性知识： Volume (O1, v1) ∧Density (O1, d1)∧*(v1, d1, w1)∧Isa(O2,table)∧ Smaller(w1,15) → Safe-To-Stack(Obj1,obj2) ;Safe-To-Stack(O1,O2);领域知识的完善性; 7.7 神经学习;人工神经元的