人工智能(五)机器学习.pptVIP

* 概念学习-----后选假设消去算法 初始化H，H为整个规则空间，这时G集只包含空描述，S集包含空间中所有最特殊的概念（实际上S集初始化时，只需包含一个正例。） 接受训练示例。若为正例，则修改G集，首先把不符合新示例的所有概念从G集中删去，然后更新S集，使S集包含新老示例所有最特殊公用的一般化部分，即尽量少对S集中的元素做一般化处理。若为反例，则先修改S集，首先把符合反例的所有概念从S集中删去，然后更新G集，使G集包含新老示例所有最一般公用的特殊化部分，即尽量少对G集中的元素做特殊化处理。使其排除这个新反例。 重复step2，直到G集=S集。此时，H集=G集=S集。 输出H（G或S）。 说明： 上面算法中step2的要点： 正例------?主要对S集进行更新，使其更一般化。 反例------?主要对G集进行更新，使其更特殊化。 * 概念学习实例------Winston的关于”拱”的概念的学习 正例1 反例1 反例2 正例2 拱概念的示例序列 * 拱 横梁 左立柱 右立柱 STEP1: 给出正例1，概念空间的S集和G集如下（用语义网络 来表示）： G集 拱 长方体 长条体 横梁 左立柱 右立柱 IS-A AKO Support Left-of S集 * STEP2: 给出反例1，修改概念空间的G集，使之更加特殊化， 以便排除反例1的情况，S集可保持不变，如下所示： 说明：引入“请求”链接，即Must-support 修改后的G集 拱 横梁 左立柱 右立柱 Must-Support * STEP3: 给出反例2，进一步修改概念空间的G集，使之更加特殊 化，以便排除反例2的情况，S集可保持不变，如下所示： 说明：引入“禁止”链接，即Must-not-tough 修改后的G集 拱 横梁 左立柱 右立柱 Must-Support Must-not-tough * STEP4: 给出正例2，应修改概念空间的S集，使之更一般化 如下所示： 修改后的S集 说明：引入“爬树”链接，即Must-be-a, 以取代原来的IS-A 拱 长条体 横梁 左立柱 右立柱 Must-be-a Support Left-of * 说明：此时S集与G集接近相等，H集即为S集或G集 STEP5: 综合以上“拱”概念空间的S集和G集，得出概念空间 H集≈S集≈G集，如下所示： 拱的概念空间H集 拱 长条体 横梁 左立柱 右立柱 Must-be-a Must-Support Left-of Must-not-tough * 机器学习在其他领域中的应用 生物 信息学 计算 金融学 分子 生物学 行星 地质学 …… 工业过程控制 机器人 …… 遥感信 息处理 信息安全 机 器 学 习 * 人工智能Artificial Intelligence 北京信息科技大学计算机学院 李宝安 * 机器学习----Machine learning 人工智能的一个重要分支 对人类“学习”智能的模拟过程 为AI知识获取的一种重要技术 成为AI专家系统和其他智能系统的重要“智能接口”，可有效地提升系统的性能，改进与完善系统的功能。增加系统的可用性。 * 机器学习的发展历程 通用学习系统研究 50年代中期，当时的人工智能的研究着重于符号表示和启发式方法的研究，而机器学习却致力于构造一个没有或者只有很少初始知识的通用系统，这种系统所应用的主要技术有神经元模型，决策论和控制论。 神经元的研究在当时没能取得实质性进展，作为对照，一种最简单，最原始的学习方法—机械学习，又成为死记式学习，却取得了显著的成功。该方法通过记忆和评价外部环境提供的信息来达到学习的目的。采用该方法的代表性成果是A. L. Samuel于50年代末设计的跳棋程序，随着使用次数的增加，该程序会积累性记忆有价值的信息，很快达到大师级水平。正是机械学习的成功激励了研究者们继续进行机器学习的探索性研究。 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 联结学习和符号学习的深入研究 * 基于符号表示的概念学习系统研究 如果说第一时期的研究是用数值和统计方法的话，这一时期的研究则综合了逻辑和图结构的表示。研究的目标是表示高级知识的符号描述及获取概念的结构假设。这时期的工作主要有概念获取和各种模式识别系统的应用。其中，最有影响的开发工作当属Winston的基于示例归纳的结构化概念学习系统。受其影响，人们研究了从例子中学习结构化概念的各种不同方法。也有部分研究者构造了面向任务的专用系统，这些系统旨在获取特定问题求解任务中的上下文知识，代表性工作由HuntC.I.Hovland的C