机器学习研究进展.ppt

*数据分析与传统机器学习区别传统机器学习假设所有用户有相同的需求，其目标函数确定，而数据分析，不同用户有不同需求，目标函数随用户需求而定传统机器学习是“黑箱”，模型无须可解释，但是，数据分析必须考虑对用户的可读性传统机器学习将“例外”考虑为噪音，而数据分析则认为“例外”可能是更有意义的知识感谢你的观看2019年8月25*符号机器学习的特点由于这类机器学习主要处理符号，因此，如果获得一个长度较短的数据集合的描述，可以将其翻译为人可以阅读的文本。人通过阅读这个文本就可以了解数据集合的内容这个目标与泛化能力无关，计算结果只是给定数据集合根据特定需求的一个可以被人阅读的缩影这与传统数据分析的目标一致感谢你的观看2019年8月25*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2019年8月25*符号机器学习的最新进展Roughsets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基础这个理论可以作为符号数据分析的基础(数据挖掘)感谢你的观看2019年8月25*Reduct与符号数据分析在任务上，associationrules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2019年8月25*什么是outlier/exception不能被模型(统计分布、规则集合等)概括的某些观察称为相对这个模型的outlier/exception注释：在统计学中，这类观察称为outlier，在认知科学中，有意义的outlier称为exception感谢你的观看2019年8月25*方法R是给定U,C?{d}的reduct，使用R构造新信息系统U,R?{d}，R是这个信息系统的Core只要删除一个核属性，必然产生例外，同时缩短规则集感谢你的观看2019年8月25感谢你的观看感谢你的观看***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Carbonell(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Ranking机器学习数据流机器学习应用驱动的机器学习研究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分离出来，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：以泛化能力为基础的算法设计感谢你的观看2019年8月25*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，Holland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2019年8月25*对符号机器学习的说明尽管经过十年，符号机器学习被保留，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2019年8月25*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基础，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2019年8月25*近几年的发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2019年8月25*特点从Carbonell到Dietterich的特点是：在算法设计理论上，基础代替随意的算法设计，具体地说，更为强调机器学习的数学基础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”