《人工智能及其应用》第9章机器学习.pptx

第9章 机器学习;9.1 概述;2. 机器学习的发展简史;9.2 机器学习的基本结构和主要策略;9.2.1 机器学习的基本结构; (1)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。 (2)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。 (3) 执行环节。学习环节的目的就是改善执行环节的行为。执行环节的复杂性、反馈和透明度习环节有影响。 ;9.2.2 机器学习的主要策略;2. 基于所获取知识的表示形式分类;9.3 实例学习;9.3.1 基本理论 ;9.3.2 实例学习的基本策略 ;实例学习对规则空间有三个方面的要求： (1)规则的表示与实例的表示一致。 (2) 规则的表示形式应适应归纳推理。 (3) 规则空间中应能够包含所有可能产生的规则。 ;9.3.3 实例学习方法的分类 ;9.4 类比学习;1. 类比推理;; 类比学习采用类比推理，其一般步骤如下： (1) 找出源域与目标域的相似性质P，找出源域中另一性质Q和性质P对元素a的关系： P(a) →Q(a) (2) 从源域中推广P和Q的关系为一般关系，即对于所有的变量x来说，存在P(x) →Q(x)。 (3) 从源域和目标域映射关系，得到目标域的新性质，即对目标域的所有变量x来说，存在P(x) →Q(x)。 (4) 利用假言推理：P(b)， P(x) →Q(x)?Q(b)，最后得出b具有性质Q。 从上述步骤可以看出，类比学习实际上演绎学习和归纳学习的组合。步骤(2)是一个归纳过程，即从个别现象推断出一般规律；而步骤(4)则是一个演绎过程，即从一般规律找出个别现象。;2. 手段-目的分析的问题求解模型;3. 类比学习的一般过程;4. 类比学习研究类型; 基于于解释的学习可简称为解释学习，是20世纪80年代中期开始兴起的一种机器学习方法。解释学习根据任务所在领域知识和正在学习的概念知识，对当前实例进行分析和求解，得出一个表征求解过程的因果解释树，以获取新的知识。在获取新知识的过程中，通过对属性、表征现象和内在关系等进行解释而学习到新的知识。;9.5.1 解释学习的空间描述; 假如我们简单地把对于概念描述的评价区分为可有效使用的（可操作的）和不可有效使用的（不可操作的），就可以把概念描述空间划分为不可操作的描述空间和可操作的描述空间，如图9-9。概念C1包含I2等实例，D1、D2是对同一概念C1的不同描述，D1为不可操作的描述，D2为可操作描述。;9.5.2 解释学习的一般步骤; 1986年米切尔（T. Mitchell）等人为基于解释的学习提出了一个统一的算法——解释的泛化（EBG，Explanation-Based Generalization），该算法建立了基于解释的概括过程，并运用知识的逻辑表示和演绎推理进行问题求解。 ; Mitchell等人提出把EBG算法分为以下二个阶段进行，即： 　 (1) 解释：使用领域知识建立一个证明训练例子满足目标概念定义的解释结构；该结构可表示为一颗证明推理树，又称解释树，其每个分枝的叶节点上的表达式都必须满足可操作准则。 　 (2) 泛化：通过将解释结构中的常量变换为变量（以实现对于训练例子的泛化），获得对于目标概念的一个特化描述，并使其满足可操作准则。这可通过在解释结构中对目标概念进行回归来完成。对回归所得的表达式（相应于解释结构中的叶节点）加以合取，就建立了目标概念的一个特化描述。目的是确定解释成立的最通用的条件。;9.5.3 解释与泛化交替进行的学习方法; 2. 泛化的解释 一个未经泛化的解释学习是很难有使用价值。泛化是把具体事例上升为经验的必由之路。在具体实施时，泛化可有许多不同的方向，下面概括了其中比较重要的几种。 下面每一种策略都可用于泛化的一个解释。 (1) 删去所有与学习目标无关的具体属性；(2) 把其中的常量换成变量；(3) 更换解释中包含的子结构；(4) 在解释结构中增加新的析取子结构；(5) 推广各子结构的顺序关系； (6) 推广各子结构出现的次数。 在各类基于解释的学习系统中，泛化并非都是自动进行的，大致有如下三种方法： (1) 按照事先确定的机制，由学习系统机械地执行。 (2) 按照某种启发式原则，由学习系统实行试探式的泛化，然后由专家给予证实。 (3) 直接由专家给出泛化。;9.5.4 基于解释的详细说明法 ;9.6 强化学习;