文档介绍：机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。
基于学习策略的分类
1)机械学习
2)示教学习
3)演绎学习
4)类比学习
5)基于解释的学习
6)归纳学习
基于所获取知识的表示形式分类
1)代数表达式参数
2)决策树
3)形式文法
4)产生式规则
5)形式逻辑表达式
6)图和网络
7)框架和模式(schema)
8)计算机程序和其它的过程编码
9)神经网络
10)多种表示形式的组合
按应用领域分类
综合分类
1)经验性归纳学习
2)分析学习
3)类比学习
4)遗传算法
5)联接学习
6)加强学习
基于学习策略的分类
1)机械学习
2)示教学习
3)演绎学习
4)类比学习
5)基于解释的学习
6)归纳学习
基于所获取知识的表示形式分类
1)代数表达式参数
2)决策树
3)形式文法
4)产生式规则
5)形式逻辑表达式
6)图和网络
7)框架和模式(schema)
8)计算机程序和其它的过程编码
9)神经网络
10)多种表示形式的组合
按应用领域分类
综合分类
1)经验性归纳学习
2)分析学习
3)类比学习
4)遗传算法
5)联接学习
6)加强学习
学习能力是智能行为的一个非常重要的特征,
  
  
但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。,学习是系统所作的适应性变化,使得系统在下一次完成同样或类似的任务时更为有效。,学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。这些观点各有侧重,第一种观点强调学习的外部行为效果,第二种则强调学习的内部过程,而第三种主要是从知识工程的实用性角度出发的。
机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统,但是以往的智能系统都普遍缺少学习的能力。例如,它们遇到错误时不能自我校正;不会通过经验改善自身的性能;不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳,因此至多只能够证明已存在事实、定理,而不能发现新的定理、定律和规则等。随着人工智能的深入发展,这些局限性表现得愈加突出。正是在这种情形下,机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支,如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题,人们一直在努力试图采用机器学习的方法加以克服。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解,建立人类学习过程的计算模型或认识模型,发展各种学习理论和学习方法,研究通用的学习算法并进行理论上的分析,建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
自从1980年在卡内基-梅隆大学召开第一届机器学术研讨会以来,机器学习的研究工作发展很快,已成为中心课题之一。
编辑本段机器学习的定义和研究意