机器学习人工智能原理与应用.pptVIP

机器学习的主要策略演绎学习

在演绎学习中，学习系统由给定的知识进行演绎的保真推理，并存储有用的结论。这种策略近几年才作为一种独立的学习策略。（Michalski,1983）演绎学习包括知识改造、知识编译、产生宏操作、保持等价的操作和它保真变换。机器学习的主要策略归纳学习

在归纳学习中，变换过程是对输入信息的一般化和选择最合理的预期结果，这就是归纳推理。归纳学习可以分为以下实例学习、观察与发现学习。（详细介绍请参阅下页）机器学习的主要策略（1）实例学习

实例学习又称为概念获取，它的任务是确定概念的一般描述，这个描述应解释所有给定的正例并排除所有给定的反例。这些正反例是由信息源提供的，信息源可能是已经知道概念的施教者，也可能是学生做实验而系统从中得到反馈的环境。后者可称为实验学习，包括由做学习和由问题求解学习。刺激反应式学习也是一种实例学习。

新对实例学习的研究集中在两个方面：例子一类型的一般化，部分一整体的一般化。在例子一类型的一般化中，提供给系统某一类对象的独立的实例，系统的目标是归纳出这些类的一般描述。实例学习的多数研究集中在这一方面。对象可能是结构化的部件、几何形状、疾病描述、故事、问题的解、控制算子等。在部分一整体的一般化中，任务是假设整个对象（情景，情况，过程）的描述，但只给定了对象的局部。例如，只给定一个房间的几张局部的照片，要重构房间的整个视图。又如，只看到一个序列或过程的一部分，要确定描述该序列或过程的规则。

机器学习的主要策略（2）观察与发现学习

观察与发现学习又称为描述的一般化。这类学习没有实教者的学习帮助，它要产生解释所有或大多数观察的规律和规则。这类学习包括概念聚类、构造分类、使方程符合数据、发现解释观察的定律和形成理论；遗传学算法（Holland,1986）和经验预测算法（Zagoruiko,1976）可以看作这种策略的变种。

实例学习是由正反例学习，这些正反例是由施教者分类的。因此实例学习是有实教的学习。观察与发现学习是由未经分类的观察学习，或由系统自身的功能去发现。这是无实教的学习。

机器学习的主要策略类比学习

类比学习是演绎学习与归纳学习的组合。它匹配不同论域的描述，确定公共的子结构，以此作为类比映射的基础。寻找公共子结构是归纳推理，而实现类比映射是演绎推理。由提醒学习可以看作一种类比学习（Schank,1982）。类比学习是由系统已有的某一领域知识得到另一领域中类似的知识。一般把学习看作是建立理论，形成假设和进行归纳推理。理论能从本质上更深刻地描述和解释客观现象，因此要建立理论。为了解释一些特殊现象，往往要发现各种可能的假说。有时要从特殊的实例推导出一般的规律，即进行归纳推理。学习过程总是与环境和知识库有关，因此可以用下图所实的模型描述。机器学习系统的基本模型模型中包含学习系统的四个基本组成环节。环境和知识库是以某种知识表实形式表达的信息的集合，分别代表外界信息来源和系统具有的知识。学习环节和执行环节代表两个过程。学习环节处理环境提供的信息，以便改善知识库中的显式知识。执行环节利用知识库中的知识来完成某种任务，并把执行中获得的信息回送给学习环节。下面讨论系统中各环节。机器学习系统的基本模型机器学习系统的基本模型环境环境可以是系统的工作对象，也可以包括工作对象和外界条件。例如在医疗系统中，环境就是病人新的症状、检验的数据和病历；在模式识别中，环境就是待识别的图形或景物；在控制系统中，环境就是受控的设备或生产流程。就环境提供给系统的信息来说，信息的水平和质量对学习系统有很大影响。

信息的水平是指信息的一般性程度，也就是适用范围的广泛性。这里的一般性程度是相对执行环节的要求而言。高水平信息比较抽象，适用于更广泛的问题。低水平信息比较具体，只适用于个别的问题。环境提供的信息水平和执行环节所需的信息水平之间往往有差距，学习环节的任务就是解决水平差距问题。（接下页）机器学习系统的基本模型环境（接上页）如果环境提供较抽象的高水平信息，学习环节就要补充遗漏的细节，以便执行环节能用于具体情况。如果环境提供较具体的低水平信息，即在特殊情况执行任务的实例，学习环境就要由此归纳出规则，以便用于完成更广的任务。

信息的质量是指：正确性、适当的选择和合理的组织。信息质量对学习难度有明显的影响。例如，若施教者向系统提供准确的实教例子，而且提供例子的次序也有利于学习，则容易进行归纳。若实教例子中有干扰，或实例的次序不合理，则难以归纳。

机器学习系统的基本模型知识库影响学习系统设计的第二个因素是知识库的形式和内容。

知识库的形式就是知识表实的形式。常用的知识表实方法有：特征向量、谓词演算、产生式规则、过程、LISP函数、数字