浅谈机器学习Word格式.docx

浅谈机器学习Word格式.docx

《浅谈机器学习Word格式.docx》由会员分享，可在线阅读，更多相关《浅谈机器学习Word格式.docx（4页珍藏版）》请在冰豆网上搜索。

它是人工智能的核心是使计算机具有智能的根本途径。

该门科学起源于心理学、生理学、生物学、医学等科学研究发展过程中涉及到数学、物理学、计算机科学等领域。

机器学习主要围绕学习机理、学习方法、面向任务这三个方面进行研究其应用几乎遍及自然科学的各个领域。

其中最多的是模式识别、通讯、控制、信号处理等方面。

二、机器学习系统学习能力力使它能够通过学习获取新知识以改善性能提高智能水平需要建立相应的学习系统。

学习系统一般由环境、学习环节、知识库、执行与评价组成整个过程包括信息的存储、知识的处理两大部分。

框架图中的箭头表示知识的流向环境是指外部信息源学习环节是指系统通过对环境的搜索获取外部信息然后经过分析、综合、类比、归纳等思维过程获得知识并将获得知识存入知识库知识库用于存储由学习得到的知识在存储时要进行适当的组织使它既便于应用又便于维护执行部分用于处理系统面临的现实问题即应用学习到的知识求解问题。

另外从执行到学习必须有反馈信息学习将根据反馈信息决定是否要进一步从环境中搜索信息进行学习以修改、完善知识库中的知识。

这是机器学习系统的一个重要特征。

机器学习系统是对现有知识的扩展和改进。

三、机器学习的类型1、机械式学习机械式学习又称记忆学习，或者死记式学习，是一种最简单、最原始的学习方法。

机械式学习通过直接记忆或者存储外部环境所提供的信息达到学习的目的，并在以后通过对知识库的检索得到相应的相应的知识直接用来求解问题。

机械是学习实质上是用存储空间来换取处理时间。

虽然节省了时间，但却多占用了存储空间。

当因学习而积累的知识逐渐增多时，占用的空间就会越来越大，检索的效率也将随着下降。

所以，在机械式学习中权衡时间与空间的关系，这样才能取得较好的效果。

2、归纳学习

归纳学习是应用归纳推理进行学习的一类学习方法。

按其有无教师指导可分为示例学习及观察与发现学习俩种方式。

1） 

归纳推理归纳推理是应用归纳方法所进行的推理，即从足够多的事例中归纳出一般性的知识。

是一种从个别到一般、从部分到整体的推理。

由于在进行归纳时，多数情况下不可能考察全部有关的事例，因而归纳出的结论不能绝对保证它的正确性，只能以某种程度相信它为真。

这是归纳推理的一个重要特征。

例如“麻雀会飞”、“鸽子会飞”、“燕子会飞”?

?

这样一些已知事实，有可能归纳出“长羽毛的动物会飞”等结论。

这些结论一般情况下都是正确的，但当发现鸵鸟有羽毛、有翅膀，但却不会飞时，就动摇了上面归纳出的结论。

这说明上面归纳出的结论不是绝对为真的，只能以某种程度相信为真。

它是一种主管不充分置信推理。

2） 

示例学习示例学习又称为实例学习或从例子中学习。

它是通过从环境中取得若干与某概念有关的例子，经归纳得出一般性概念的一种学习方法。

在这种学习方法中，外部环境（教师）提供一组例子（正例和反例），然后从这些特殊知识中归纳出适用于更大范围的一般性知识，它将覆盖所有的正例并排除所有反例。

例如，如果用一批动物作为示例，并且告诉学习系统哪一个动物是“马”，哪一个不是，当示例足够多时，，学习系统就能概括出关于“马”的概念模型，使自己能识别马，，并且能把马与其它动物区别开来，，这一学习过程就是示例学习。

示例学习的过程是：

首先从示例空间中选择合适的训练示例，然后经解释归纳出一般性的知识，最后再从示例空间中选择更多的示例对它进行验证，直到得到可实用的知识为止。

示例学习的学习模型如下：

3） 

观察与发现学习观察与发现学习分为观察学习与发现学习俩种。

前者用于对事例进行概念聚类，形成概念描述；

后者用于发现规律，产生定律或规则。

概念聚类是一种观察学习，是由米卡尔斯基在1980年首先提出来的。

概念聚类的基本思想是把事例按一定的方式和准则进行分组，如划分为不同类，不同层次等，使不同的组代表不同的概念，，并且对每一个组进行特征概括，得到一个概念的语义符号描述。

发现学习是从系统的初始知识、观察事例或经验数据中归纳出规律或规则。

这是最困难且最富创造性的一种学习。

它可分为经验发现与知识发现俩种，，前者指从经验数据中发现规律和定律；

后者是指从已观察的事例中发现新知识。

3、类比学习类比是人类认识世界的一种重要方法，亦是诱导人们学习新事物、进行创新性思维的重要手段。

类比学习就是通过类比，即通过对相似事物进行比较所进行的一种学习。

例如，当人们遇到一个新问题需要进行处理，但又不具备处理这个问题的知识时，通常采用的办法是回忆一下过去处理过的类似的问题，找出一个与目前情况最接近的处理方法来处理当前的问题。

4、解释学习解释学习是演绎学习方法，它是通过运用相关领域知识，对当前提供的单个问题求解实例进行分析，从而构造解释并产生相应知识的。

目前已经建立了一些解释学习系统，，如米切尔等人研制的LEX和LEAP系统以及明顿等人研制的PRODIGY系统。

解释学习与前面讨论的归纳学习及类比学习不同，，它不是通过归纳或类比进行学习，而是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，并最终生成这个目标概念的一般性描述。

该一般性描述是一个可形式化表示的一般性知识。

学习是人类智能的主要标志和获得智慧的基本手段机器学习的研究就是希望计算机能像人类那样具有从现实世界获取知识的能力同时进一步发现人类学习的机理和揭示人脑的奥秘。

机器学习涉及到连接理论、认知理论、行为科学、神经科学等多门科学。

因此对于机器学习的研究只有采用计算机科学、控制论、人工智能、认知科学、神经科学、心理学等多学科交叉的方法才可望取得机器学习研究的更大进展。

机器学习是一个十分活跃、充满生命力的研究领域同时也是一个比较困难、争议颇多的研究领域虽然取得了一些令人瞩目的成就但还存在许多尚未解决的问题。

目前人工智能研究的主要障碍和发展方向之一就是机器学习因此机器学习有着广阔的研究前景。

参考文献:

1张景绘动力学系统建模m.北京国防工业出版社2000.

2杨义勇等机械系统动力学m.北京清华大学出版社2009.

3闫友彪等机器学习的主要策略j.计算机应用研究20047.

山西农业大学课程论文

（2013-2014学年秋季学期）

论文题目：

浅谈机器学习课程名称：

人工智能及其应用任课教师：

王双喜学院：

工学院班级：

电气1101班学号：

6姓名：

张秀秀