论人工智能中的机器学习34688.docx

《论人工智能中的机器学习34688.docx》由会员分享，可在线阅读，更多相关《论人工智能中的机器学习34688.docx（15页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工智能中的机器学习第 15 页 共 15 页学 号 14082101445 成绩： 评语： 信息学院人工智能及其其应用课程程设计题目： 人工工智能中机器学习与与应用 作作 者 罗诗诗雨 班 级 自动08-11BF 班系 别别 信息息学院 专 业 自动动化完成时间 2011-6-12 目录摘要：2关键字2引言：21. 机器学习习系统的定义义【1】32机器学习的的发展以及意意义【2】33机器学习系系统的基本模模型【3】【5】44机器学习的的分类与应用用【4】5（1）机械式学学习5（2）指导式学学习5（3）归纳学习习。5（4）类比学习习6（5）基于解释释学习65结论86参考文献8人工智能中机器器学

2、习与应用用摘要：人工智能能（Artifficiall Inteelligeence），是是研究、开发发用于模拟、延延伸和扩展人人的智能的理理论、方法、技技术及应用系系统的一门技技术科学。人人工智能的发发展，对现代代社会的进步步有着重要意意义，本文重点研究究的是人工智智能中机器学学习（macchine learnning）这这一部分，机机器学习是人人工智能中一一个重要的研研究领域，一一直受到人工工智能以及认认知心理学家家的的普遍关关注，促进机机器学习的研研究，对于人人工智能的发发展有着不可可估量的作用用。关键字：人工智智能、机器学习、计算机、信息化、未来引言：科学技术术日新月异，信信息化时代已已

3、经来临。而而信息化的进进一步发展，必必须有智能技技术的进一步步支持。自11956年Dartmmouth学学会正式提出出“人工智能”一词以来，人人工智能领域域吸引了无数数研究人员为为之奉献才智智。机器学习习(Machhine LLearniing)是研研究计算机怎怎样模拟或实实现人类的学学习行为，以以获取新的知知识或技能，重重新组织已有有的知识结构构使之不断改改善自身的性性能。它是人人工智能的核核心，是使计计算机具有智智能的根本途途径，其应用用遍及人工智智能的各个领领域。1. 机器学习习系统的定义义【1】学习是人类具有有的一种重要要智能行为，但但究竟什么是是学习，长期期以来却众说说纷纭。社会会学

4、家、逻辑辑学家和心理理学家都各有有其不同的看看法。至今，还还没有统一的的“机器学习习”定义，而而且也很难给给出一个公认认的和准确的的定义。比如，Langgley（11996) 定义的机器器学习是“机机器学习是一一门人工智能能的科学，该该领域的主要要研究对象是是人工智能，特特别是如何在在经验学习中中改善具体算算法的性能”。（MMachinne leaarningg is aa scieence oof thee artiificiaal. Thhe fieelds main objeccts off studdy aree artiifactss, speecificcally algorrit

5、hmss thatt imprrove ttheir perfoormancce witth expperiennce.）MMitcheell（19997 ）在在其著作MMachinne Leaarningg中定义机机器学习是提提到，“机器器学习是对能能通过经验自自动改进的计计算机算法的的研究”。（MMachinne Leaarningg is tthe sttudy oof commputerr algoorithmms thaat impprove autommaticaally tthrouggh expperiennce.）AAlpayddin（20004）同时时提出自己对对机器学习的

6、的定义，“机机器学习是用用数据或以往往的经验，以以此优化计算算机程序的性性能标准。”（MMachinne leaarningg is pprograammingg compputerss to ooptimiize a perfoormancce criiterioon usiing exxamplee dataa or ppast eexperiience.） 尽管如此，为为了便于进行行讨论和估计计学科的进展展，有必要对对机器学习给给出定义，即即使这种定义义是不完全的的和不充分的的。顾名思义义，机器学习习是研究如何何使用机器来来模拟人类学学习活动的一一门学科。稍稍为严格的提提法是：机器器学习

7、是一门门研究机器获获取新知识和和新技能，并并识别现有知知识的学问。这这里所说的“机机器”，指的的就是计算机机2机器学习的的发展以及意意义【2】 机器学习习是人工智能能研究较为年年轻的分支，它它的发展过程程大体上可分分为4个时期期第一阶段是是在50年代代中叶到600年代中叶，属属于热烈时期期。第二阶段段是在60年年代中叶至770年代中叶叶，被称为机机器学习的冷冷静时期。第第三阶段是从从70年代中中叶至80年年代中叶，称称为复兴时期期。 机器学习的的最新阶段始始于19866年。机器学学习进入新阶阶段的重要表表现在下列诸诸方面： (1) 机机器学习已成成为新的边缘缘学科并在高高校形成一门门课程。它综

8、综合应用心理理学、生物学学和神经生理理学以及数学学、自动化和和计算机科学学形成机器学学习理论基础础。 (2) 结结合各种学习习方法，取长长补短的多种种形式的集成成学习系统研研究正在兴起起。特别是连连接学习符号号学习的耦合合可以更好地地解决连续性性信号处理中知知识与技能的的获取与求精精问题而受到到重视。 (3) 机机器学习与人人工智能各种种基础问题的的统一性观点点正在形成。例例如学习与问问题求解结合合进行、知识识表达便于学学习的观点产产生了通用智智能系统SOOAR的组块块学习。类比比学习与问题题求解结合的的基于案例方方法已成为经经验学习的重重要方向。 (4) 各各种学习方法法的应用范围围不断扩大

9、，一一部分已形成成商品。归纳纳学习的知识识获取工具已已在诊断分类类型专家系统统中广泛使用用。连接学习习在声图文识识别中占优势势。分析学习习已用于设计计综合型专家家系统。遗传传算法与强化化学习在工程程控制中有较较好的应用前前景。与符号号系统耦合的的神经网络连接接学习将在企企业的智能管管理与智能机机器人运动规规划中发挥作作用。 (5) 与机器器学习有关的的学术活动空空前活跃。国国际上除每年年一次的机器器学习研讨会会外，还有计计算机学习理理论会议以及及遗传算法会会议。机器学习的意义义也是相当重重要的：首先，机器学习习速度惊人；其次，机器学学习可以把学学习不断地延延续下去，避避免大量的重重复学习，使使

10、知识积累达达到新的高度度；再次，机器学学习有利于知知识的传播。 3机器学习习系统的基本本模型【3】【5】一个学习系统一一般应该有环环境，学习，知知识库，执行行与评价等四四个基本部分分组成。各个个部分之间的的关系如下图图所示，其中中箭头表示信信息的流向。 图1（1）：“环境境”可以是外部部信息的来源源。它将为系系统的学习机机构提供有关关信息。系统统通过环境的的搜索取得外外部信息，然然后经分析，综综合，类比，归归纳等思维过过程获得知识识，并将这些些知识存入知知识库中。环环境可以是系系统的工作对对象，也可以以包括工作对对象和外界条条件。例如在在在控制系统统中，环境就就是受控的设设备或生产流流程。就环

11、境境提供给系统统的信息来说说，信息的水水平和质量对对学习系统有有很大影响。信信息的水平是是指信息的一一般性程度，也也就是适用范范围的广泛性性。学习环节节的任务就是是解决水平差差距问题。（2）：“知识识库” 知识库的的形式就是知知识表实的形形式。常用的的知识表实方方法有：特征征向量、谓词词演算、产生生式规则、过过程、LISSP函数、数数字多项式、语语义网络和框框架。选择知知识表实方法法要考虑下列列准则：可表表达性、推理理难度、可修修改性和可扩扩充性。学习习系统实质上上是对旧知识识库的扩充和和完善。（3）：“学习习环节与执行行环节”的目的就是是改善执行环环节的行为。执执行环节的复复杂性、反馈馈和透

12、明度都都对学习环节节有影响。复复杂的任务需需要更多的知知识。二分分分类是最简单单的任务，只只需一条规则则。某个玩朴朴克的程序有有约20条规规则。学习系系统都要用某某种方法去评评价学习环节节推荐的假设设。一种方法法是用独立的的知识库作这这种评价。另另一种方法是是以环境作为为客观的执行行标准，系统统判定执行环环节是否按预预期标准工作作，由此反馈馈信息评价当当时的假设。若若执行环节有有较好的透明明度，学习环环节就容易追追踪执行环节节的行为。4机器学习的的分类与应用用【4】正如人们有各种种各样的学习习方法一样，机机器学习也有有多种学习方方法。若按学学习时所用的的方法来进行行分类，则机机器学习可以以分为

13、机械式式学习、指导式学习习、示范例学习习、类比学习、解释学习等等。这是温斯斯顿在19777年提出的的一种分类方方法。（1）机械式学学习这种学习直接记记忆环境提供供的新知识，并并直接使用它它们，对它们们不作任何变变换。对于记记忆学习有两两种极端的观观点。一种观观点认为，存存储对任何智智能程序都是是必要的、基基本的，它不不是独立的学学习过程，不不必要专门研研究。另一种种观点认为，存存储是一个复复杂问题，对对任何认知系系统都是必要要的，因此要要详细研究并并模型化。一一种折衷的观观点认为，一一般学习系统统不会只是记记忆学习，但但记忆学习是是任何学习系系统的一部分分。Lenat(11979)提提出一种独

14、特特的观点，他他把记忆学习习看作最低层层次的数据处处理。他划分分的数据处理理层次如下图图所示。如果果一个计算结结果有普遍意意义，就存储储起来。这就就把计算任务务简化为存取取任务。记忆忆是简化数据据处理，以空空间换取时间间的手段。 图2（2）指导式学学习指导式学习(LLearniing byy Beinng Tolld或Leaarningg by IInstruuctionn)。又称为指点点学习。这时时，环境提供供的信息较抽抽象，水平较较高，学习环环节把这些信信息变换成执执行环节使用用的较低水平平的信息。期期间重点是实实用化，即为为它把抽象的的建议转成具具体的知识。实实用化过程类类似于自动程程序

15、设计。前前者由建议得得到实用的规规则，后者由由程序说明得得到程序。二二者也存在差差别。后者要要求得到完全全正确的程序序，强调程序序的正确性。前前者往往使用用弱方法，不不保证完全正正确。实用化化过程有时作作试探性的假假设和近似，只只能要求其合合理性。得到到的假设还要要经过检验和和修改。（3）归纳学习习。归纳学习是通过过从环境中取取得若干与某某概念有关的的例子，经归归纳得出一般般性概念的一一种学习方法法。在这种学学习方法中，外外部环境(教教师)提供的的是一组例子子(正例和反反例)，这些些例子实际上上是一组特殊殊的知识，每每一个例子表表达了仅适用用于该例子的的知识，实例例学习就是要要从这些特殊殊知识

16、中归纳纳出适用于更更大范围的一一般性知识，它它将覆盖所有有的正例并排排除所有反例例。例如，如如果我们用一一批动物作为为实例，并且且告诉学习系系统哪一个动动物是“马”，哪一个动动物不是，当当实例足够多多时，学习系系统就能一般般出关于“马”的概念模型型，使自己能能识别马，并并且能把马与与其它动物区区别开来，这这一学习过程程就是归纳学学习。 图图3（4）类比学习习类比学习(Leearninng by Analoogy)。是获取新概概念或新技巧巧的方法，它它把类似这些些新概念或新新技巧的已知知知识转换为为适于新情况况的形式。类类比学习的第第一步是从记记忆中找到类类似的概念或或技巧，第二二步是把它们们转

17、换为新形形式以便用于于新情况。例例如人类的一一种学习方式式是先由老师师教学生解例例题(先例)，再给学生生留习题。学学生寻找在例例题和习题间间的对应关系系，利用解决决例题的知识识去解决习题题中的问题。学学生经过一般般化归纳推出出原理，以便便以后使用。这这种类比学习习方式是人类类常用的。问问题求解基本本过程： 1.比较较新状态与目目标状态。 2.选选择可以减小小这个差异的的操作。 3.如果果前提满足就就使用这个操操作，否则保保存新状态，并并用中间结局局分析解决子子问题，以便便实现未满足足的前提。 4.在在解决子问题题后，再取出出保存的状态态，继续处理理原问题。转转换类比学习习主要有两步步：（5）基

18、于解释释学习解释学习（Exxplanaation-Basedd Leanning,简简称EBL）。起源于经验学习的研究。50年代未，对神经元的模拟中发明了用一种符号来标记另一些符号的存储结构模型，这是早期的存储块（chunks）概念。在象棋大师的头脑中就保存着在各种情况下对弈经验的存储块。80年代初，Newell和Rosenbloom认为，通过获取任务环境中关于模型问题的知识，可以改进系统的性能，chunks可以作为对人类行为进行模拟的模型基础。通过观察问题求解过程，获取经验chunks，用其代替各个子目标中的复杂过程，可以明显提高系统求解的速度。由此奠定了经验学习的基础。Mitchell等人

19、把基于解释的学习过程定义为两个步骤：（1） 通过求解一个例子来产生解释结构；（2） 对该解释结构进行一般化，获取一般的控制规则。 其具体过程如如下：（11）产生解释释。用户输入入实例后，系系统首先进行行问题求解。如如由目标引导导反向推理，从从领域知识库库中寻找有关关规则，使其其后件与目标标匹配。找到到这样的规则则后，就把目目标作为后件件，该规则作作为前件，并并记录这一因因果关系。然然后以规则的的前件作为子子目标，进一一步分解推理理。如此反复复，沿着因果果链，直到求求解结束。一一旦得到解，便便证明了该例例的目标可满满足，并获得得了证明的因因果解释结构构。构造解释释结构通常有有两种方式：一是将问题

20、题求解的每一一推理所用的的算子汇集，构构成动作序列列作为解释结结构；另一种种是自顶向下下的遍历证明明树结构。前前者比较一般般，略去了关关于实例的某某些事实描述述；后者比较较细致，每个个事实都出现现在证明树中中。解释的构构造可以在问问题求解的同同时进行，也也可在问题求求解结束后，沿沿着解路径进进行。这两种种方式形成了了边解边学（LLearniing whhile ddoing）和和解完再学（LLearniing byy solvving）两两种方法。（2）对得得到的解释结结构以及事件件进行一般。在在这一步，通通常采取的办办法是将常量量转换为变量量，即把例子子中的某些数数据换成变量量，并略去某某些

21、不重要的的信息，只保保留求解所必必需的那些关关键信息，经经过某种方式式的组合，形形成产生式规规则，从而获获得一般性的的控制知识。要学习目标概念Safe-to-stack(V1,V2) 解此问题依据下下列两步进行行第一步：构造解解释结构事实知识：On(obbj1,obbj2)Isa(oobj2,EEndtabble)Colorr(obj11,red)Collor(obbj2,bllue)Volumme(objj1,1)Denssity(oobj1,00.1) 领域规则：Not(FFragille(y)Safe-to-sttack(xx,y)Lightter(x,y)Safe-to-sttack(

22、xx,y)Volumme(p1,v1)Densiity(p11,d1)X(v1,d1,w11)Weighht(p1,w1)Isa(pp1,Enddtablee)Weighht(p1,5)WWeightt(p1,ww1)Weighht(p2,w2)(w1,w2)Lightter(p11,p2)然后，为证明该该例子满足目目标概念，系系统从目标开开始反向推理理，根据知识识库中已有的的上述事实和和规则，分解解目标，每当当使用一条规规则时，同时时返回去把该该规则应用到到变量化的目目标概念上。这这样，在生成成该例子求解解的解释结构构的同时，也也生成了变量量化的一般的的解释结构分分别如以下两两图所示。第第二

23、步：生成成一般性知识识将一般化的的解释结构的的所有叶结点点的合取作为为前件，以顶顶点的目标概概念为后件，略略去解释结构构的中间部件件，就生成一一般化的产生生式规则： Volumme(V2,V48)Densiity(V22,V49)X(V488,V49,V42)Isa(VV3,Enddtablee)(V422,5)Safe-to-sttack(VV2,V3)注：使用生成的的这个控制规规则求解类似似问题时，求求解速度快且且效率高。但但是简单地把把常量转为变变量以实现一一般化的方法法可能过份一一般化。在某某些特例下可可能使规则失失败。5结论人工智能一直处处于计算机技技术的前沿，其其研究和发展展在很大

24、程度度上决定着计计算机技术乃乃至整个社会会的发展。而而机器学习作作为人工智能能中极其重要要的一环，正正在迅猛的发发展着，它使使得计算机能能够模拟人的的学习行为，自自动地通过学学习获取知识识和技能，不不断改善性能能，实现自我我完善。信息化的飞速发发展给人工智智能提出了更更高的要求。人人工智能发展展的曲折性还还将继续，但但其潜能却是是无限的。也也许不远的将将来，人们的的生活方式将将由于人工智智能的发展而而经历一场“革命”。6参考文献1王万良.人工智能基基础M. 北京：高高等教育出版版社，20008 : 556-592杨状元著著.人工智能能的现状及今今后的发展趋趋势展望MM. 北京京:机械工业出出版社，20006 : 788-893刘毅著.人工智能和机机器学习MM. 西安安电子科技大大学出版社.1999: 337-3424孙珩著. 机器学学习的研究现现状M. 清华大大学出版社.2003 : 2222-2425卢妙娜著著.人工智能能综述M. 机械工工业出版社.2008: 1334-1366 吴玺宏宏著.从人工工智能到智能能机器人MM. 北京京：科学出版版社，20007 : 1566-167 学号14082101445 罗诗雨 序号（40） 信息学院 08自动化班