人工智能第7章机器学习.pptx

第7章 机器学习;7.1.1 学习和机器学习 1. 学习的概念;7.1.1 学习和机器学习 2. 机器学习的概念; 神经元模型研究 20世纪50年代中期到60年代初期，也被称为机器学习的热烈时期，最具有代表性的工作是罗森勃拉特1957年提出的感知器模型。 符号概念获取 20世纪60年代中期到70年代初期。其主要研究目标是模拟人类的概念学习过程。这一阶段神经学习落入低谷，称为机器学习的冷静时期。 知识强化学习 20世纪70年代中期到80年代初期。人们开始把机器学习与各种实际应用相结合，尤其是专家系统在知识获取方面的需求，也有人称这一阶段为机器学习的复兴时期。 连接学习和混合型学习 20世纪80年代中期至今。把符号学习和连接学习结合起来的混合型学习系统研究已成为机器学习研究的一个新的热点。;7.1.3 学习系统;7.1.4 机器学习的主要策略;第7章 机器学习;7.2 记忆学习 概 念; 若把执行元素比作一个函数f ，由环境得到的输入模式记为(x1,x2,…,xn)，由该输入模式经F计算后得到的输出模式记为(y1,y2,…,ym)，则机械学习系统就是要把这一输入输出模式对： [(x1,x2,…,xn) ，(y1,y2,…,ym)] 保存在知识库中，当以后再需要计算f(x1,x2,…,xn)时，就可以直接从存储器把(y1,y2,…,ym)检索出来，而不需要再重新进行计算。 ;7.3 归纳学习; 按例子的来源分类 ① 例子来源于教师的示例学习 ② 例子来源于学习者本身的示例学习 学习者明确知道自己的状态，但完全不清楚所要获取的概念。 ③ 例子来源于学习者以外的外部环境的示例学习 例子的产生是随机的。 按例子的类型分类 ① 仅利用正例的示例学习 这种学习方法会使推出的概念的外延扩大化。 ② 利用正例和反例的示例学习 这是示例学习的一种典型方式，它用正例用来产生概念，用反例用来防止概念外延的扩大。 ;示例空间; 是指解释过程从具体示例形成一般性知识所采用的归纳推理方法。最常用的解释方法有以下4种： (1) 把常量转换为变量 把示例中的常量换成变量而得到一个一般性的规则。 (2) 去掉条件 把示例中的某些无关的子条件舍去。 (3) ??加选择 在析取条件中增加一个新的析取项。常用的增加析取项的方法有前件析取法和内部析取法两种 (4) 曲线拟合 对数值问题的归纳可采用最小二乘法进行曲线拟合 ; 例：假设例子空间中有以下两个关于扑克牌中“同花”概念的示例： 示例1：花色(c1，梅花) ∧ 花色(c2，梅花) ∧ 花色(c3，梅花) ∧ 花色(c4，梅花)∧ 花色(c5，梅花) → 同花(c1, c2, c3, c4, c5) 示例2：花色(c1，红桃) ∧ 花色(c2，红桃) ∧ 花色(c3，红桃) ∧ 花色(c4，红桃)∧ 花色(c5，红桃) → 同花(c1, c2, c3, c4, c5) 其中，示例1表示5张梅花牌是同花，示例2表示5张红桃牌是同花。 解释过程： (1) 把常量化为变量 例如，对这两个示例，只要把“梅花”和“红桃”用变量x代换，就可得到如下一般性的规则： 规则1：花色(c1，x) ∧ 花色(c2，x) ∧ 花色(c3，x) ∧ 花色(c4，x)∧ 花色(c5，x)→ 同花(c1, c2, c3, c4, c5); (2)去掉条件 这种方法是要把示例中的某些无关的子条件舍去。例如，有如下示例： 示例3：花色(c1, 红桃)∧点数(c1，2) ∧花色(c2, 红桃)∧点数(c2，3) ∧花色(c3, 红桃)∧点数(c3，4) ∧花色(c4, 红桃)∧点数(c4，5) ∧花色(c5, 红桃)∧点数(c5，6) → 同花(c1, c2, c3, c4, c5) ;7.3.1 示例学习 3. 示例学习的解释方法(4/5); (4)曲线拟合 对数值问题的归纳可采用曲线拟合法。假设示例空间中的每个示例(x, y, z)都是输入x, y与输出z之间关系的三元组。例如，有下3个示例： 示例10：(0, 2, 7) 示例11：(6, -1, 10) 示例12：(-1, -5, -16) 用最小二乘法进行曲线拟合，可得