第61_62节机器学习概述及其基本系统结构.pptVIP

各位同学可从教务处“网络教学”登录了 用户名：cs05 密码：cs05 目前可用的资源 教学文档（课件）； 讨论版（教学内容和课后习题的帖子和回帖）。;;;;;第6.1节 机器学习的概述;目前的AI系统多是基于演绎的，没有归纳推理，故不能自动获取和生成新知识； 系统中的知识是事先输入的，包含的错误也不能自动改正。 自1956年AI创立至今，科研人员一直重视机器学习（Machine learning）的研究。 50年代，Samuel的跳棋程序可从经验中学习，调整棋盘的评估函数； 70年，Winston的学习系统可从积木世界里学习概念，如“桥梁”； 80年代，机器学习逐渐成为AI的主要研究问题之一。;机器的能力（智能）会超过人类吗？ 对于不具备学习能力的机器，这是不可能的； 反之，机器能力的提高可能是难以预测的。 机器学习的不可预测问题 能否设计出检测AI系统能力的系统？ 检测系统必须有与被检测系统相当的或更强的学习能力； 检测系统本身的变化又如何了解和控制呢？;6.1.1 机器学习的基本概念;学习的基本形式 知识获取 获取新的知识，这是学习的本质。 技能求精 学习机制本身的提高。 学习的目的是使系统性能得到改善。 从不会做到会做； 从会做到做得更好。;机器学习的内涵随着网络技术发展而变得丰富 在AI新兴的数据挖掘和知识发现研究中， 更多地涉及大规模海量数据； 数据可以是文本、图形图像、语音视频； 数据可以是结构化的，也可以半结构化的； 并存着分类、聚类、贝叶斯网络推理、决策树、遗传算法等多种学习方法。 机器学习的定义更模糊了，这也意味着机器学习正受到越来越多的关注。;机器学习的任务;怎么评价学习能力？;6.1.2 机器学习的研究意义;当前机器学习的研究时机比较成熟;若干难点制约机器学习的发展;6.1.3 机器学习的发展史;符号概念获取阶段； 开始于70年左右； 试图模拟人类的概念学习过程，通过分析一些概念的正例和反例，构造概念的符号表示； 表示形式可以是逻辑表达式、决策树、产生式规则、语义网络等。 例：Winston的ARCH系统； 只能学习单概念，未能投入实际应用。;知识加强和论域专用学习阶段 开始于70年代中期； 继续沿符号主义路线研究； 侧重专业的专用性，强调面向任务的学习和任务对学习过程的引导作用； 例：D.J. Mostow的指导式学习，T.J. Mitchell的解释学习。;近20年中的机器学习 归纳学习的绝对优势有所动摇； 出现了解释学习； 遗传式学习有了新的发展； 神经网络学习又有了重要进展； 随着数据挖掘、知识发现的研究蓬勃发展，贝叶斯网络、决策树、神经网络得到了深入研究和应用。;6.1.4 机器学习的分类;按学习风格分类 演绎学习 基于演绎推理； 如果系统能证明A→B且B→C，则可得到A→C，以后直接使用规则A→C。;按学习风格分类 归纳学习 这是研究最多的一种学习方法； 给定关于某概念的一些例子，从中归纳出概念的一般描述； 例：大马有四条腿，小马有四条腿，故马有四条腿。 但是，归纳是危险的推理； 例：麻雀会飞，燕子会飞，故鸟会飞。 实例（示例）学习是典型的归纳学习方法。;按学习风格分类 类比学习 通过目标对象与源对象的相似性，用源对象的求解方法来解决关于目标对象的问题； 对未知或知之甚少的领域中的问题，用已知的、熟悉的领域中的方法解决。 回忆与联想； 建立对应关系； 验证与归纳。;按学习风格分类 基于解释的学习 从问题求解的一个具体过程中抽取出一般的原理，并使其在类似情况下也可利用； 与实例学习不同，解释学习只分析一个或几个例子，加上给定的领域知识，进行保真演绎，存储有用结论，经过知识求精和编辑，产生适合以后求类似问题的控制知识； 尽量少用归纳，以减少归纳带来的不可靠性。;按学习风格分类 连接学习 主要指神经网络学习； 通过实例训练，得到网络中的参数甚至结构，实现对输入模式的分类等功能。 ;按实现途径分类 符号学习 连接学习 符号学习 用计算机能理解（处理）的符号表示人类的知识； 用学习程序实现学习过程； 输入的是数据、事实等信息，产生符号表示的知识（如概念、规则等）； 基于符号演算的知识推理和知识学习。;连接学习 就是人工神经网络（Artificial Neural Network，缩写ANN）学习； ANN是对生物神经网络的某种模拟或仿真； ANN学习是基于生物神经网络理论的机器学习方法。;符号学习和连接学习的实现途径有什么区别呢？ 符号学习建立在符号理论基础上，预先有专家总结的大量知识，对知识的可理解性和可读性非常重视； 连接学习强调对大量事实的反复观察，最多需要人对事实进行分类与标注，形成的知识结构是人难以理解的。;按学习方法分类 ???教师指导的，或从样本中的学习 被称作教师的用户需将数据分