机器学习研究进展.pptVIP

* 符号数据分析(数据挖掘) 数据分析的主要工具是统计，“统计显现〞是分析的主要指标 符号数据分析，尽管统计工具是必要的，但是，主要是通过将符号数据集合约简为简洁形式 感谢你的观看 2021年8月25 * xx 2021-10-10 * 符号机器学习的最新进展 Rough sets中的reduct理论是近几年符号机器学习最重要的研究结果之一 这个理论理论可以作为符号机器学习的数学根底 这个理论可以作为符号数据分析的根底(数据挖掘) 感谢你的观看 2021年8月25 * xx 2021-10-10 * Reduct与符号数据分析 在任务上，aaassociaaation rules派生于统计相关分析，其方法可以使用reduct理论来刻画 Reduct具有很多重要的数学性质，可以保证根据不同需求识别不同的例外 我们建议，将符号数据分析建立在reduct理论之上 感谢你的观看 2021年8月25 * xx 2021-10-10 xx 感谢你的观看 * 机器学习研究进展 第九届中国机器学习会议 2004年10月 感谢你的观看 2021年8月25 * xx 2019年8月25 连接机器学习 符号机器学习 遗传机器学习 分析机器学习 机器学习研究的变迁 Conell(1989)展望 Dietterich(1997)展望 ？ 统计机器学习 集成机器学习 符号机器学习 增强机器学习 流形机器学习 半监督机器学习 多实例机器学习 Raaanking机器学习 数据流机器学习 连接主义 符号主义 行为主义 目前，以“主义〞争霸的时代已经过去，不同方法解决不同问题。 * 感谢你的观看 2021年8月25 * xx 2019年8月25 * 对统计机器学习的说明 Dietterich将感知机类的连接机器学习别离出来，并根据划分机理，将其分为两种类型：统计机器学习与集成机器学习。这意味着，感知机类机器学习是重点 强调： 表示：非线性问题的线性表示 泛化：以泛化能力为根底的算法设计 感谢你的观看 2021年8月25 * xx 2021-10-10 * 对增强机器学习的说明 “适应性〞是控制理论中最重要的概念之一，以往在计算机科学中考虑较少 1975年，Hollaaand首先将这个概念引入计算机科学。1990年左右，MIT的Sutton等青年计算机科学家，结合动态规划等问题，统称其为增强机器学习 这样，遗传学习成为实现增强机器学习的一种方法 感谢你的观看 2021年8月25 * xx 2021-10-10 * 对符号机器学习的说明 尽管经过十年，符号机器学习被保存，然而，其目标和内涵已发生很大的变化 改变泛化目标为符号描述(数据挖掘)。这意味着，符号机器学习已不是与统计机器学习竞争的研究，而是一个研究目标与其不同的研究范式 感谢你的观看 2021年8月25 * xx 2021-10-10 * 分析机器学习被放弃 分析机器学习所包含的类比、解释等问题对背景知识有更高的要求，这从表示到学习均需要考虑新的理论根底，在这些理论未出现之前，其淡出机器学习研究的视野是自然的 感谢你的观看 2021年8月25 * xx 2021-10-10 * 近几年的开展动向 由于真实世界的问题十分困难，现有的理论、方法，甚至理念已不能满足需要，由此，大量近代数学的研究结果被引入计算机科学，由此，形成新的机器学习范式 感谢你的观看 2021年8月25 * xx 2021-10-10 * 特点 从Conell到Dietterich的特点是： 在算法设计理论上，根底代替随意的算法设计，具体地说，更为强调机器学习的数学根底 应用驱动代替理论驱动(认知科学与算法的Open问题)。具体地说，从AI中以“学习〞机制驱动(智能)〞的研究方式，改变为根据面临的实际问题开展新的理论与方法 感谢你的观看 2021年8月25 * xx 2021-10-10 * 统计机器学习的要点 目前，统计机器学习的研究主要集中在两个要点上： 表示问题 泛化问题 非线性问题 在线形空间的表示 对给定样本集合， 通过算法建立模型， 对问题世界为真的程度 感谢你的观看 2021年8月25 * xx 2021-10-10 * 线性表示 计算：非线性算法一般是NP完全的。 认识世界：只有在某个空间中可以描述为线性的世界，人们才说，这个世界已被认识(将问题变换为另一个问题) 数学方法：寻找一个映射，将非线性问题映射到线性空间，以便其可以线性表述 感谢你的观看 2021年8月25 * xx 2021-10-10 * 例子---XOR问题 xy 0 0 0 1 例子：XOR问题： 映射： (x,y)?(x,xy,y) 线形表示： 感谢你的观看 2021年8月25 * xx 2021-10-10 * 在机器学