第9章机器学习.pdfVIP

第9章机器学习

第9章机器学习

9.1符号学习

学

9.2神经网络习

9.3知识发现与数据挖掘

9.4遗传算法

Back

第9章机器学习

符号习

9.1学

首先，我们指出，机器学习（这里指符号学习）

是靠学（

习程序或称为学习系统）实现的。学习程序

的输入是数据、事实等各种各样的信息，输出则是知

识，即概念、规则规律）等而

（。且所学到的知识一

般要存入知识库。

第9章机器学习

符号学习又可以分为不同的类型。常是按学习策

通

略、知识表示和应用领域等进行分类的。学习策略是学

学按照学习程序对提供

习中使用的推理方法。习策略是

的信息所做的推理数量的多少来区分的。一种极端情况

是没有任何推理功能，要增加系统知识时就得靠外界环

境作大量的输入新知识的工作；另一种极端情况则是学

习程序有相当数量的推理，可以根据试验和观察，推导

出有组织的知识，这样系统就可能独立地发现新理论或

发明新概念。介于这两者之间就是学习程序有一定的推

理能力，能适应减轻外界环境负担的各种折衷情况。

第9章机器学习

法eneticl是一种优化算

遗传算(GAgorithm)法，

它模拟了生物繁、异和生物进化的自然选

衍的遗传变

择过程。分类器系统是一种依靠信息传递的高度并行

的规则库系统，它通过信任分配和规则发现进行学习。

分类器系统运用遗传算法，把每一物种的个体对应于

一个概念描述的变形，通过一个目标函数来确定哪些

概念及其变化可保留在基因库中。

第9章机器学习

9.1.1记忆学习

记忆学习也称死记硬背学习或机械学习。这种学

习方法不要求系统具有对复杂问题求解的能力，也就

是没有推理技能，系统的学习方法就是直接记录问题

有关的信息，后检索并利用这

然些存储的信息来解决

问题。

第9章机器学习

机械学习是基于记忆和检索的办法，学习方法很

简单，但学习系统需要几种能力。

(1)能实现有组织的存储信息。

(2)能进行信息综合。

(3)能控制检索方向。

-第9章机器学习

9.1