文档介绍：人工智能与应用
第1页，共70页，编辑于2022年，星期四
主要内容
概述
机器学习的基本系统结构
神经网络学习
*
第2页，共70页，编辑于2022年，星期四
第六章机器学习
概述
机器学习的基本系统结构
神经的能力
如解决微分问题，下跳棋，象棋，平衡杠杆，驾车等等
*
第13页，共70页，编辑于2022年，星期四
机器学习 — 概述
对系统学习性能进行评价的指标：
分类精度：是否能够对输入的数据进行正确、精确的分类
解答的正确性和质量：
对用于分类和解决问题的系统都有解答正确性问题；同时正确性不一定保证有好的质量
好的质量包括：可读性、稳定性等多方面的因素
学习的速度：
它不仅仅影响系统的设计，还影响系统的实现
*
第14页，共70页，编辑于2022年，星期四
机器学习 — 概述
机器学习一直是AI研究的瓶颈之一，表现在：
预测难：学习后知识库发生了什么变化，系统功能的变化的预测
归纳推理：
现有的归纳推理只保证假，不保证真。演绎推理保真
而且，归纳的结论是无限多的，其中相当多是假的，给生成的知识带来不可靠性
机器目前很难观察什么重要、什么有意义
*
第15页，共70页，编辑于2022年，星期四
机器学习 — 概述
发展历史：大体上可分为两个时期
早期机器学习的发展经历了下面三个发展阶段
神经系统模型阶段
开始于20世纪50年代，所研究的内容是没有知识的学习
主要研究目标是各种自组织系统和自适应系统
主要理论基础是神经网络模型
代表工作

机器学习的决策理论方法也应运而生。Samuel的跳棋程序是最著名的成功的学习系统之一
*
第16页，共70页，编辑于2022年，星期四
机器学习 — 概述
符号概念获取研究阶段
1975年左右提出
这类学习过程通过分析一些概念的正例和反例构造出这些概念的符号表示
表示的形式一般是逻辑表达式、决策树、产生式规则或语义网络
代表有Winston的ARCH
由于这类学习只能学习单个概念，未能投入实际应用
*
第17页，共70页，编辑于2022年，星期四
机器学习 — 概述
知识加强和论域专用学习阶段
此方法是70年代中期开始，沿着符号主义路线进行的。在原有基础上逐步加强、重于专业的专用性
强调使用面向任务的知识和它对学习过程的引导作用。系统包括预先确定的概念、知识结构、论域约束、启发式规则和论域有关的变换。系统在开始并不具有所有的属性或概念，在学习过程中系统应得到一些新的属性或概念
*
第18页，共70页，编辑于2022年，星期四
机器学习 — 概述
机器学习进入新阶段的重要表现：
机器学习已成为新的边缘科学并在高校形成一门课程
结合各种学习方法，取长补短的多种形式的集成学习系统的研究正在兴起
机器学习与人工智能各种基础问题的统一性观点正在形成
各种学习方法的应用范围不断扩大，一部分已形成商品
与机器学习有关的学术活动空前活跃
*
第19页，共70页，编辑于2022年，星期四
机器学习 — 概述
机器学习的分类：
方法种类不少，很难系统分类。根据强调侧面的不同可以有多种分法
按学忆学习、演绎学习、归纳学习、类比学习、分析学习、发现学习、遗传学习、连接学习等等
*
第20页，共70页，编辑于2022年，星期四
机器学忆学习），即向机器直接输入新知识
不需要进行任何推理或知识转换，将知识直接装进机器中。有多少写多少，系统本身没有学习过程，对知识不做任何修改，只有使用
通过类推学习（演绎学习）
系统找出现有知识中所要产生的新概念或技能十分类似的部分。将它们转换或扩大成适合新情况的形式，从而取得新的事实或技能。该种学习方法是大量知识的总结、推广
*
第21页，共70页，编辑于2022年，星期四
机器学习 — 概述
从例子中学习（归纳学习）
给学习者提供某一概念的一组正例和反例，学习者归纳出一个总的概念描述
类比学习
通过目标对象与源对象的相似性，运用源对象的求解方法解决目标对象的问题
连接学习
主要是指神经网络学习，实质上就是神经网络的建立过程
*
第22页，共70页，编辑于2022年，星期四
机器学习 — 概述
按照实现途径分类，机器学习可以分为：
符号学习
连接学习
按学习方法分类，机器学习可分为
有教师指导学习，也称从样本学习
无教师指导学习，也称从环境中学习、强化学习
*
第23页，共70页，编辑于2022年，星期四
第六章机器学习
概述
机器学习的基本系统结构
神经网络学习
*
第24页，共70页，编辑于2022年，星期四
第六章机器学习
概述
机器学习的