第7讲机器学习ppt课件.pptx
《第7讲机器学习ppt课件.pptx》由会员分享,可在线阅读,更多相关《第7讲机器学习ppt课件.pptx(71页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、中国农业大学信息与电气工程学院 机器学习v一、概述一、概述v二、机器学习二、机器学习系统的基本模型系统的基本模型v三、机械学习三、机械学习v四、实例四、实例学习学习v五、解释学习五、解释学习v六、决策树学习六、决策树学习v七、神经网络学习七、神经网络学习一、概述v到目前为止的大多数人工智能系统到目前为止的大多数人工智能系统还完全还完全没有或仅有有限没有或仅有有限的学习能力。的学习能力。v系统中的知识是由人工编程送入的,知识系统中的知识是由人工编程送入的,知识中的错误也不能自动改正。中的错误也不能自动改正。一、概述v否定意见:机器是人造的,其性能和动作否定意见:机器是人造的,其性能和动作是由设计
2、者规定的,因此无论如何其能力是由设计者规定的,因此无论如何其能力也不会超过设计者本人。也不会超过设计者本人。v对于不具备学习能力的机器来说是正确的对于不具备学习能力的机器来说是正确的,可是对于具备学习能力的机器就值得考,可是对于具备学习能力的机器就值得考虑了。虑了。v机器学习的不可预测问题。机器学习的不可预测问题。机器的能力是否能超过人的能力?一、概述v 2020世纪世纪5050年代末,阿瑟年代末,阿瑟. .塞缪尔(塞缪尔( samuelsamuel)编写了著名的)编写了著名的跳棋程序。跳棋程序。v 启发式搜索技术,跳棋程序可以向前看几步然后再走棋。启发式搜索技术,跳棋程序可以向前看几步然后再
3、走棋。v 可以从经验中学习,从棋谱中学习。不断调整棋盘评价函可以从经验中学习,从棋谱中学习。不断调整棋盘评价函数,提高自己的棋艺。数,提高自己的棋艺。v 经过三年的学习,打败了经过三年的学习,打败了SamuelSamuel,又三年,打败了州冠军,又三年,打败了州冠军。v 同时同时刺激了刺激了“搜索搜索”和和“机器学习机器学习”这两个人工智能的重这两个人工智能的重要领域的发展。要领域的发展。跳棋程序一、概述一、概述-塞缪尔的人生v 1901年生于美国堪萨斯州的恩波利亚,恩波利亚学院年生于美国堪萨斯州的恩波利亚,恩波利亚学院上学上学v 19231923年大学毕业以后,他进入年大学毕业以后,他进入M
4、ITMIT念研究生,念研究生,19261926年取得年取得硕士学位。硕士学位。 v 留校工作两年以后,他加盟贝尔实验室,从事电子器件的留校工作两年以后,他加盟贝尔实验室,从事电子器件的研究。二次世界大战爆发以后,他的研究工作集中于雷达研究。二次世界大战爆发以后,他的研究工作集中于雷达技术。技术。v 战争结束后,到伊利诺大学电气工程系任教,积极参与了战争结束后,到伊利诺大学电气工程系任教,积极参与了该校研制电子计算机的工作。该校研制电子计算机的工作。 v 19491949年即转至年即转至IBMIBM公司在普凯泼茜的研发实验室工作,参公司在普凯泼茜的研发实验室工作,参与其第一台大型科学计算机与其第
5、一台大型科学计算机701701的开发。的开发。一、概述-塞缪尔的人生v 塞缪尔在下棋程序方面的工作对塞缪尔在下棋程序方面的工作对IBMIBM公司早期计算机的指令系统产生公司早期计算机的指令系统产生了很大影响。由于下棋程序是计算机应用中最早的一种典型的非数值了很大影响。由于下棋程序是计算机应用中最早的一种典型的非数值计算,因此在计算,因此在701701中加入了许多逻辑指令,这类指令后来迅速被所有中加入了许多逻辑指令,这类指令后来迅速被所有计算机的设计者所采用和推广,成为计算机指令集中的基本成分。计算机的设计者所采用和推广,成为计算机指令集中的基本成分。v 19661966年塞缪尔从年塞缪尔从IB
6、MIBM公司退休以后,到斯坦福大学从事教学和研究工公司退休以后,到斯坦福大学从事教学和研究工作,指导博士生,直到作,指导博士生,直到19821982年。年。v 塞缪尔晚年得了帕金森综合症。病中他开始撰写自传,但只写到塞缪尔晚年得了帕金森综合症。病中他开始撰写自传,但只写到2020世世纪纪6060年代中期,即于年代中期,即于19901990年年7 7月月2929日在加利福尼亚州的家中撒手西去日在加利福尼亚州的家中撒手西去。v 塞缪尔生前除了获得塞缪尔生前除了获得IZEEIZEE的计算机先驱奖以外,没有别的荣誉和奖励的计算机先驱奖以外,没有别的荣誉和奖励。一、概述vSimonSimon认为认为“学
7、习就是系统中的变化,这种变化使学习就是系统中的变化,这种变化使系统比以前更有效地去做同样的工作系统比以前更有效地去做同样的工作”。 vMinskyMinsky认为认为“学习是在我们的头脑中进行有用的学习是在我们的头脑中进行有用的变化变化”。v有的观点认为有的观点认为“机器学习就是知识的获取机器学习就是知识的获取”,但,但获取的知识有时不会使系统有所改善。获取的知识有时不会使系统有所改善。什么是机器学习?一、概述v知识获取知识获取 学习的本质就是获取新的知识,包括物理系统、行为的描学习的本质就是获取新的知识,包括物理系统、行为的描述和模型的建立,构造客观现实的表示。述和模型的建立,构造客观现实的
8、表示。v技能求精技能求精 通过实践改造机制和认知技能。这些技能包括意识的或机通过实践改造机制和认知技能。这些技能包括意识的或机制的。这种改变是通过反复实践和从失败中纠正错误来进制的。这种改变是通过反复实践和从失败中纠正错误来进行的。行的。 学习骑自行车。学习骑自行车。学习的基本形式一、概述v人工智能主要是为了研究人的智能,模仿其机理人工智能主要是为了研究人的智能,模仿其机理将其应用于工程的科学,在这个过程中,必然会将其应用于工程的科学,在这个过程中,必然会问到问到“人类怎么做才能获得这种特殊技能人类怎么做才能获得这种特殊技能(或知(或知识)?识)?”v当前的人工智能研究的当前的人工智能研究的主
9、要障碍和发展方向主要障碍和发展方向之一之一就是机器学习。包括学习的计算理论和构造学习就是机器学习。包括学习的计算理论和构造学习系统。系统。为什么要研究机器学习?v未来的计算机将有未来的计算机将有自动获取知识自动获取知识的能力,的能力,直接从书本中学习,通过与人谈话学习,直接从书本中学习,通过与人谈话学习,通过观察学习。通过实践通过观察学习。通过实践自我完善自我完善。v克服人的克服人的存储少,效率低,注意力分散存储少,效率低,注意力分散,难以传送所获取知识等局限性。难以传送所获取知识等局限性。v一台计算机获取的知识很容易一台计算机获取的知识很容易复制复制给任何给任何其他机器。其他机器。一、概述为
10、什么要研究机器学习?机器学习实现的困难v预测难预测难:学习后知识库发生了什么变化,:学习后知识库发生了什么变化,系统功能的变化的预测。系统功能的变化的预测。v归纳推理归纳推理:现有的归纳推理保假,不保真:现有的归纳推理保假,不保真。演绎推理保真。而且,归纳的结论是无。演绎推理保真。而且,归纳的结论是无限多的,其中相当多的是假的,给生成知限多的,其中相当多的是假的,给生成知识带来不可靠性。识带来不可靠性。v机器目前很难观察什么重要,什么有意义机器目前很难观察什么重要,什么有意义。一、概述一、概述-机器学习的发展史 第一阶段是在第一阶段是在5050年代中叶到年代中叶到6060年代中叶,属于年代中叶
11、,属于热热烈时期烈时期。 在在这个时期,所研究的是这个时期,所研究的是“没有知识没有知识”的学的学习,即习,即“无知无知”学习;其研究目标是各类自组织学习;其研究目标是各类自组织系统和自适应系统;指导本阶段研究的理论基础系统和自适应系统;指导本阶段研究的理论基础是早在是早在4040年代就开始研究的神经网络模型。在这年代就开始研究的神经网络模型。在这个时期,我国研制了数字识别学习机。个时期,我国研制了数字识别学习机。一、概述-机器学习的发展史 第二阶段在第二阶段在6060年代中叶至年代中叶至7070年代中叶,被称为机年代中叶,被称为机器学习的器学习的冷静时期冷静时期。 本本阶段的研究目标是模拟人
12、类的概念学习过阶段的研究目标是模拟人类的概念学习过程,并采用逻辑结构或图结构作为机器内部描述程,并采用逻辑结构或图结构作为机器内部描述。这个时期正是我国。这个时期正是我国“史无前例史无前例”的十年,对机的十年,对机器学习的研究不可能取得实质进展。器学习的研究不可能取得实质进展。一、概述-机器学习的发展史 第三阶段从第三阶段从7070年代中叶至年代中叶至8080年代中叶,称为年代中叶,称为复兴复兴时期时期。 在在这个时期,人们从学习单个概念扩展到学这个时期,人们从学习单个概念扩展到学习多个概念,探索不同的学习策略和各种学习方习多个概念,探索不同的学习策略和各种学习方法。本阶段已开始把学习系统与各
13、种应用结合起法。本阶段已开始把学习系统与各种应用结合起来,中国科学院自动化研究所进行质谱分析和模来,中国科学院自动化研究所进行质谱分析和模式文法推断研究,表明我国的机器学习研究得到式文法推断研究,表明我国的机器学习研究得到恢复。恢复。v19801980年西蒙来华传播机器学习的火种后,我国的年西蒙来华传播机器学习的火种后,我国的机器学习研究出现了新局面。机器学习研究出现了新局面。一、概述-机器学习的发展史v机器学习的最新阶段始于机器学习的最新阶段始于19861986年年。 一方面一方面,由于神经网络研究的重新兴起,另一方,由于神经网络研究的重新兴起,另一方面,对实验研究和应用研究得到前所未有的重
14、视。面,对实验研究和应用研究得到前所未有的重视。我国的机器学习研究开始进入稳步发展和逐渐繁荣我国的机器学习研究开始进入稳步发展和逐渐繁荣的新时期。的新时期。一、概述一、概述-机器学习机器学习的的主要策略主要策略v学习过程与推理过程是紧密相连的,按照学习中学习过程与推理过程是紧密相连的,按照学习中使用推理的多少,机器学习所采用的策略大体上使用推理的多少,机器学习所采用的策略大体上可分为:可分为:机械学习、传授学习、演绎学习、类比机械学习、传授学习、演绎学习、类比学习和归纳学习学习和归纳学习。v学习中所用的学习中所用的推理越多推理越多,系统的,系统的能力越强能力越强。机械学习v机械学习又称为记忆学
15、习,是最简单的学习策略机械学习又称为记忆学习,是最简单的学习策略。v这种学习策略不需要任何推理过程。外面输入知这种学习策略不需要任何推理过程。外面输入知识的表示方式与系统内部表示方式完全一致,不识的表示方式与系统内部表示方式完全一致,不需要任何处理和变化。需要任何处理和变化。一、概述一、概述-机器学习的机器学习的主要策略主要策略传授学习v传授学习又称指导式学习或指点学习。传授学习又称指导式学习或指点学习。v在使用传授学习系统时,外界输入知识的表达方在使用传授学习系统时,外界输入知识的表达方式与系统内部表达方式不完全一致,系统在接受式与系统内部表达方式不完全一致,系统在接受外部知识时,需要一点推
16、理、翻译和转化工作。外部知识时,需要一点推理、翻译和转化工作。一、概述一、概述-机器学习的机器学习的主要策略主要策略演绎学习v在演绎学习中,学习系统由给定的知识进行演绎在演绎学习中,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。的保真推理,并存储有用的结论。一、概述一、概述-机器学习的机器学习的主要策略主要策略归纳学习v归纳学习是应用归纳推理进行学习的一类学习方归纳学习是应用归纳推理进行学习的一类学习方法。按其又无教师的指导,可以分为实例学习及法。按其又无教师的指导,可以分为实例学习及观察与发现学习。观察与发现学习。一、概述一、概述-机器学习的机器学习的主要策略主要策略实例学习v实
17、例学习又称为概念获取,它是通过向学习者提实例学习又称为概念获取,它是通过向学习者提供某一概念的一组正例和反例,使学习者从这些供某一概念的一组正例和反例,使学习者从这些正反例中归纳推理出概念的一般描述,这个描述正反例中归纳推理出概念的一般描述,这个描述应能解释所有给定的正例并排除所有给定的应能解释所有给定的正例并排除所有给定的反例反例v这些正反例是由信息源提供的,信息源可能是已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教师,也可以是学习者本身,还可经知道概念的教师,也可以是学习者本身,还可能是学习者以外的外部环境。能是学习者以外的外部环境。一、概述一、概述-机器学习的机器学习的主要策
18、略主要策略类比学习v类比学习就是在遇到新的问题时,可以学习以前类比学习就是在遇到新的问题时,可以学习以前解决过的类似问题的解决方法,来解决当前的问解决过的类似问题的解决方法,来解决当前的问题。题。v所以寻找与当前问题相似的已知问题就很重要,所以寻找与当前问题相似的已知问题就很重要,并且必须要能够发现当前任务与已知任务的相似并且必须要能够发现当前任务与已知任务的相似之点,由此制定出完成当前任务的方案。之点,由此制定出完成当前任务的方案。v类比学习可以由系统已有的某一领域知识得到另类比学习可以由系统已有的某一领域知识得到另一领域中类似的知识。一领域中类似的知识。一、概述一、概述-机器学习的机器学习
19、的主要策略主要策略观察与发现学习v观察与发现学习又称为描述的一般化。这类学习观察与发现学习又称为描述的一般化。这类学习没有教师的指导,它要产生对所有或大多数观察没有教师的指导,它要产生对所有或大多数观察到的规律和规则的解释。到的规律和规则的解释。v这类学习包括概念聚类、构造分类、曲线拟合(这类学习包括概念聚类、构造分类、曲线拟合(使方程符合数据)、发现并解释观察到的定律并使方程符合数据)、发现并解释观察到的定律并形成理论。形成理论。一、概述一、概述-机器学习的机器学习的主要策略主要策略二、机器学习系统的基本模型v以西蒙关于学习的定义作为出发点,建立机器学以西蒙关于学习的定义作为出发点,建立机器
20、学习系统的基本模型。习系统的基本模型。环境学习环节知识库执行环节二、机器学习系统的基本模型v 环境和知识库是环境和知识库是以某种知识表示形式表达的以某种知识表示形式表达的信息的集合信息的集合,分别代表外界分别代表外界信息来源信息来源和系统所具有的和系统所具有的知识知识;“学习环节学习环节”和和“执行环节执行环节”代表两个过程。代表两个过程。v “环境环境”向系统的向系统的“学习环节学习环节”提供某些信息,而提供某些信息,而“学习学习环节环节”则利用这些信息对系统的则利用这些信息对系统的“知识库知识库”进行进行改进改进,以,以增进增进系统系统“执行环节执行环节”完成任务的效能,完成任务的效能,“
21、执行环节执行环节”根根据知识库中的知识来完成某种任务,同时把获得的信息反据知识库中的知识来完成某种任务,同时把获得的信息反馈给馈给“学习环节学习环节”。二、机器学习系统的基本模型v环境环境可以是系统的工作对象,也可以包括工作对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,环境就是病象和外界条件。例如在医疗系统中,环境就是病人当前的症状、检验的数据和病历。在模式识别人当前的症状、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。中,环境就是待识别的图形或景物。v环境环境就是为学习系统提供获取知识所需的信息。就是为学习系统提供获取知识所需的信息。信息的水平和质量,
22、对学习系统获取知识的能力信息的水平和质量,对学习系统获取知识的能力有很大的影响。有很大的影响。二、机器学习系统的基本模型v学习环节学习环节通过获得外部信息,并将这些信息与执通过获得外部信息,并将这些信息与执行环节所反馈回的信息进行比较行环节所反馈回的信息进行比较。v一般一般情况下环境提供的信息水平与执行环节所需情况下环境提供的信息水平与执行环节所需的信息水平之间往往有差距,经的信息水平之间往往有差距,经分析、综合、类分析、综合、类比、归纳比、归纳等思维过程,学习环节就要从这些差距等思维过程,学习环节就要从这些差距中获取相关对象的知识,并将这些知识存入中获取相关对象的知识,并将这些知识存入知识知
23、识库库中。中。二、机器学习系统的基本模型v知识库知识库用于存放由学习环节所学到的知识。用于存放由学习环节所学到的知识。v影响学习系统设计的第二个因素是影响学习系统设计的第二个因素是知识库的形式知识库的形式和内容和内容。知识库的形式就是。知识库的形式就是知识表示知识表示的形式。的形式。v选择知识表示方法要考虑下列准则:选择知识表示方法要考虑下列准则:可表达性、可表达性、推理难度、可修改性和可扩充性推理难度、可修改性和可扩充性。二、机器学习系统的基本模型v执行环节执行环节是整个机器学习系统的核心。执行环节是整个机器学习系统的核心。执行环节用于处理系统面临的现实问题,即应用知识库中用于处理系统面临的
24、现实问题,即应用知识库中所学到的知识所学到的知识求解问题求解问题,如,如智能控制、自然语言智能控制、自然语言理解和定理证明理解和定理证明等,并对执行的等,并对执行的效果进行评价效果进行评价,将评价的结果反馈回学习环节,以便系统进一步将评价的结果反馈回学习环节,以便系统进一步的学习。的学习。v执行环节的问题复杂性、反馈信息和执行过程的执行环节的问题复杂性、反馈信息和执行过程的透明度都对学习环节有影响。透明度都对学习环节有影响。二、机器学习系统的基本模型v 执行部分执行部分是整个是整个学习系统的核心学习系统的核心,因为执行部分的动作就,因为执行部分的动作就是学习部分力求改进的动作。同执行部分有关的
25、问题有是学习部分力求改进的动作。同执行部分有关的问题有3个:个:复杂性、反馈和透明性复杂性、反馈和透明性。 v 复杂的任务比简单的任务需要更多的知识,对于这类简单复杂的任务比简单的任务需要更多的知识,对于这类简单任务,有一条分组规则就可以了。有的要使用几百条规则任务,有一条分组规则就可以了。有的要使用几百条规则。对于通过例子学习的计算机系统,最简单的执行任务是。对于通过例子学习的计算机系统,最简单的执行任务是按照单一的概念或规则进行分类或预测。比较复杂一点的按照单一的概念或规则进行分类或预测。比较复杂一点的任务涉及多个概念。学习系统最复杂的任务是小型计划任任务涉及多个概念。学习系统最复杂的任务
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 学习 ppt 课件
限制150内