人工智能及应用-第七章-机器学习.pptxVIP

人工智能及应用机器学习第七章

决策树学习变型空间学习概述√基于解释的学习7.4人工神经网络7.5进化计算7.6

7.1.1机器学习的定义7.1概述学习的一般性解释学习是一个有特定目的的知识获取和能力增长过程，其内在行为是获得知识、积累经验、发现规律等，其外部表现是改进性能、适应环境、实现自我完善等机器学习(machinelearning)是研究如何使用机器模拟人类学习活动的一门学科，是使计算机具有智能的根本途径。Simon（1983）：学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或相类似的任务时，会比现在做得更好或效率更高Minsky(1985)：学习是在我们头脑中（心里内部）进行有用的变化Michalski(1986)：学习是对经历描述的建立和修改

7.1.1机器学习的定义7.1概述学习的一般性解释学习是一个有特定目的的知识获取和能力增长过程，其内在行为是获得知识、积累经验、发现规律等，其外部表现是改进性能、适应环境、实现自我完善等Simon（1983）：学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或相类似的任务时，会比现在做得更好或效率更高Minsky(1985)：学习是在我们头脑中（心里内部）进行有用的变化Michalski(1986)：学习是对经历描述的建立和修改机器学习(machinelearning)是研究如何使用机器模拟人类学习活动的一门学科，是使计算机具有智能的根本途径。

7.1.2机器学习的发展7.1概述神经元模型研究阶段—20世纪50年代中叶到60年代中叶神经元模型以及基于该模型的决策论和控制论通过有导师指导的监督学习来实现神经元问连接权的自适应调整，产生线性的模式分类和联想记忆能力符号概念获取研究阶段—20世纪60年代中叶至20世纪70年代中叶心理学和人类学习的模式占有主导地位，主要研究目标是利用机器模拟人类的概念学习过程机器采用符号来表示概念，使用符号而不是数值表示来研究学习问题，其目标是用学习来表达高级知识的符号描述基于知识的各种学习系统研究阶段—20世纪70年代中期至20世纪80年代中叶从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法相应的有关学习方法相继推出，例如示例学习、示教学习、观察和发现学习、类比学习、基于解释的学习等连结学习和符号学习共同发展阶段—20世纪80年代后期至今

7.1.3机器学习分类7.1概述模拟人脑的机器学习符号学习建立在符号表示的知识的基础上，模拟人脑的宏观心理级学习过程，以认知心理学原理为基础以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等根据学习方法，即学习中使用的推理方法又可以分为记忆学习、演绎学习、归纳学习、类比学习、解释学习等神经网络学习(连结学习)以脑和神经科学原理为基础，以人工神经网络为函数结构模型以数值数据为输入，以数值运算为方法用迭代过程在系数的向量空间中搜索，学习的目标为函数直接采用数学方法的机器学习统计机器学习贝叶斯学习、贝叶斯网络学习，几何分类学习方法和支持向量机等

7.1.4归纳学习7.1概述以归纳推理为基础从大量的经验数据中归纳抽取出一般的判定规则和模式是从特殊情况推导出一般规则的学习方法目标是形成合理的、能够解释已知事实和预见新事实的一般性结论思想对于未知函数f的特定输入x，构造函数f或与之近似的函数h，使其能够从数据中观察到输入/输出的关联，或者，寻找一个符合观察实例的假设函数具有更一般化的形式，可以是数学函数也可以是规则归纳偏置用来限制概念空间(限定可能的假设集合)或者在概念空间中选择概念的标准一般操作泛化(Generalization)和特化(Specialization)

7.1.4归纳学习7.1概述归纳学习一般又可以分为有监督学习和无监督学习有监督学习向学习算法同时提供输入和正确的输出如果映射函数是离散值，学习任务称为分类无监督学习在未提供明确的输出值的情况下，学习输入的模式强化学习非监督学习方法利用以奖励信号形式出现的反馈值指明一个假设是否正确通过主体与环境的交互进行学习

决策树学习变型空间学习概述√基于解释的学习7.4人工神经网络7.5进化计算7.6

7.2.1决策树7.2决策树学习决策树学习(DecisionTreeLearning,DTL)是一种基于实例的归纳学习算法，能够有效地描述概念空间决策是根据信息和评价准则，用科学方法寻找或选取最优处理方案的过程或技术对于每个事件或决策(即自然状态)，都可能引出两个或多个事件，导致不同的结果或结论将这种分支用一棵搜索树表示，即成为决策树结点代表决策或学习过程中