第六章-机器学习PPT课件.ppt

第6章 机器学习;6.1.1 学习和机器学习 1. 学习的概念;6.1.1 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???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。;6.1.3 学习系统;6.1.4 机器学习的主要策略;第6章 机器学习;6.2 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。 ;6.3 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; 是一种由节点和边构成的用来描述分类过程的层次数据结构。该树的根接点表示分类的开始，叶节点表示一个实例的结束，中间节点表示相应实例中的某一属性，而边则代表某一属性可能的属性值。 在决策树中，从根节点到叶节点的每一条路径都代表一个具体的实例，并且同一路径上的所有属性之间为合取关系，不同路径（即一个属性的不同属性值）之间为析取关系。 决策树的分类过程就是从这棵树的根接点开始，按照给定的事例的属性值去测试对应的树枝，并依次下移，直至到达某个叶节点为止。 图7.4是一个非常简单的用来描述对鸟类进行分类的决策树。在该图中： 根节点包含各种鸟类，叶节点是所能识别的各种鸟的名称； 中间节点是鸟的一些属性，边是鸟的某一属性的属性值； 从根节点到叶节点的每一条路径都描述了一种鸟，它包括该种鸟的一些属性及相应的属性值。;;第6章 机器学习; 解释学习涉及三个不同的空间：例子空间，概念空间和概念描述空间。三个空间及它们之间的关系如图7.7所示。 ; 模型：; 本节主要讨论米切尔等人提出的解释泛化学习方法。 其基本思想：先对某一情况建立一个解释结构，然后在对此解释结构进行概括，获取一般性控制知识。 其一般性描述为： 已知：目标概念GC(Goal Concept)； 训练实例TE(Training Example)； 领域理论DT(Domain Theory)； 操作性标准OC(Operationality Criterion)。 求出：满足OC的关于GC的充分概念描述。 其中：目标概念GC 是要学习概念的描述； 训练实例TE 是为学习系统提供的一个实例； 领域理论DT 是相关领域的事实和规则，即为背景知识； 操作性标准OC 用于指导学习系统对用来描述目标的概念进行舍取等的控制性知识。 ; 其任务是要证明提供给系统的训练实例为什么是目标概念的一个实例。为此，系统应从目标开始反向推理，根据知识库中已有的事实和规则分解目标，直到求解结束。一旦得到解，便完成了该问题的证明，同时也获得了一个解释结构。; 领域知识 是把一个物体安全地放置在另一个物体上面的准则： ﹁Fragile(y)→Safe-to-stack(x, y)