第7章-機器學習

第七章機器(jīqì)學習7.1機器學習(xuéxí)的定義、研究意義與發(fā)展歷史7.2機器學習(xuéxí)的主要策略與基本結(jié)構(gòu)7.3–7.7幾種常用的學習(xuéxí)方法7.8知識發(fā)現(xiàn)7.9小結(jié)精品文檔7.1機器學習的定義(dìngyì)和發(fā)展歷史7.1.1機器學習的定義機器學習的定義顧名思義,機器學習是研究如何使用機器來模擬人類學習活動的一門學科。稍為嚴格的提法是：機器學習是一門研究機器獲取新知識和新技能,并識別(shíbié)現(xiàn)有知識的學問。2精品文檔7.1.2 機器(jīqì)學習的發(fā)展史機器學習的發(fā)展分為4個時期第一階段是在50年代中葉到60年代中葉，屬于熱烈時期。第二階段在60年代中葉至70年代中葉，被稱為機器學習的冷靜(lěngjìng)時期。第三階段從70年代中葉至80年代中葉，稱為復興時期。機器學習的最新階段始于1986年。7.1機器學習的定義和發(fā)展歷史3精品文檔機器學習進入新階段的表現(xiàn)機器學習已成為新的邊緣學科并在高校形成課程。綜合各種學習方法機器學習與人工智能問題的統(tǒng)一性觀點正在形成。各種學習方法的應用范圍不斷擴大。數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的研究已形成熱潮(rècháo)。與機器學習有關的學術活動空前活躍。

7.1機器(jīqì)學習的定義和發(fā)展歷史4精品文檔7.2機器學習的主要策略和基本(jīběn)結(jié)構(gòu)7.2.1機器(jīqì)學習的主要策略按照學習中使用推理的多少，機器(jīqì)學習所采用的策略大體上可分為4種———機械學習、通過傳授學習、類比學習和通過事例學習。機械學習傳授學習策略類比學習系統(tǒng)通過事例學習策略5精品文檔7.2.2機器學習系統(tǒng)(xìtǒng)的基本結(jié)構(gòu)1.學習系統(tǒng)(xìtǒng)的基本結(jié)構(gòu)

環(huán)境學習知識庫執(zhí)行圖6.1學習系統(tǒng)的基本結(jié)構(gòu)7.2機器學習的主要(zhǔyào)策略和基本結(jié)構(gòu)6精品文檔2.影響學習系統(tǒng)設計的要素影響學習系統(tǒng)設計的最重要因素是環(huán)境向系統(tǒng)提供的信息，或者更具體地說是信息的質(zhì)量。知識庫是影響學習系統(tǒng)設計的第二個因素。知識的表示有特征向量、一階邏輯語句(yǔjù)、產(chǎn)生式規(guī)則、語義網(wǎng)絡和框架等多種形式。7.2機器學習的主要策略(cèlüè)和基本結(jié)構(gòu)7精品文檔7.3機械學習1.機械學習模式機器學習是最簡單的學習方法。機器學習就是記憶，即把新的知識存儲(cúnchǔ)起來，供需要時檢索調(diào)用，而不需要計算和推理。它是一種最基本的學習過程。7.3機械學習8精品文檔存儲計算推導歸納算法與理論機械記憶搜索規(guī)則圖7.2數(shù)據(jù)化簡級別圖Lenat，Hayes-Roth，和Klahr等人于1979年關于(guānyú)機械學習提出一種有趣的觀點，見圖6.2。7.3機械學習9精品文檔2.機械學習的主要問題存儲組織信息：要采用適當?shù)拇鎯Ψ绞?，使檢索速度盡可能地快。環(huán)境的穩(wěn)定性與存儲信息的適用性問題：機械學習系統(tǒng)必須保證所保存的信息適應于外界環(huán)境變化(biànhuà)的需要。存儲與計算之間的權(quán)衡：對于機械學習來說很重要的一點是它不能降低系統(tǒng)的效率。7.3機械學習10精品文檔7.4歸納(guīnà)學習歸納學習（inductionlearning）是應用歸納推理進行學習的一種方法。根據(jù)歸納學習有無教師指導，可把它分為示例學習和觀察(guānchá)與發(fā)現(xiàn)學習。7.4.1歸納學習的模式和規(guī)則歸納學習的模式解釋過程實例空間規(guī)則空間規(guī)劃過程11精品文檔7.5類比(lèibǐ)學習7.5.1類比推理和類比學習方式類比學習（learningbyanalogy）就是(jiùshì)通過類比，即通過對相似事物加以比較所進行的一種學習。其推理過程如下：回憶與聯(lián)想---選擇---建立對應關系---轉(zhuǎn)換12精品文檔7.5.2類比(lèibǐ)學習過程與研究類型類比學習主要包括如下四個過程：輸入一組已知條件和一組未完全確定的條件。對兩組出入條件尋找其可類比的對應關系。根據(jù)相似轉(zhuǎn)換的方法，進行映射。對類推(lèituī)得到的知識進行校驗。7.5類比學習13精品文檔類比學習的研究可分為兩大類：(1)問題求解型的類比學習(2)預測推定型(dìngxíng)的類比學習。它又分為兩種方式：一是傳統(tǒng)的類比法另一是因果關系型的類比7.5類比(lèibǐ)學習14精品文檔7.6解釋(jiěshì)學習7.6.1解釋學習過程和算法1986年米切爾（Mitchell）等人為基于解釋的學習提出(tíchū)了一個統(tǒng)一的算法EBG：訓練例子操作準則知識庫新規(guī)則目標概念15精品文檔EBG求解問題的形式(xíngshì)可描述于下:給定：(1)目標概念描述TC；(2)訓練實例TE；(3)領域(lǐnɡyù)知識DT；(4)操作準則OC。求解：訓練實例的一般化概括，使之滿足：(1)目標概念的充分概括描述TC；(2)操作準則OC。7.6解釋學習16精品文檔7.7神經(jīng)學習7.7.1基于反向傳播網(wǎng)絡的學習反向傳播（back-propagation,BP）算法是一種(yīzhǒnɡ)計算單個權(quán)值變化引起網(wǎng)絡性能變化值的較為簡單的方法。BP算法過程包含從輸出節(jié)點開始，反向地向第一隱含層傳播由總誤差引起的權(quán)值修正。17精品文檔7.7.2基于Hopfield網(wǎng)絡的學習反饋神經(jīng)網(wǎng)絡，它是一種(yīzhǒnɡ)動態(tài)反饋系統(tǒng)，比前饋網(wǎng)絡具有更強的計算能力。Hopfield網(wǎng)絡是一種(yīzhǒnɡ)具有正反相輸出的帶反饋人工神經(jīng)元。7.7神經(jīng)(shénjīng)學習18精品文檔7.8知識發(fā)現(xiàn)(fāxiàn)7.8.1知識發(fā)現(xiàn)(fāxiàn)的發(fā)展和定義知識發(fā)現(xiàn)(fāxiàn)的產(chǎn)生和發(fā)展知識發(fā)現(xiàn)(fāxiàn)最早是于1989年8月在第11屆國際人工智能聯(lián)合會議的專題討論會上提出。知識發(fā)現(xiàn)(fāxiàn)的定義數(shù)據(jù)庫中的知識發(fā)現(xiàn)(fāxiàn)是從大量數(shù)據(jù)中辨識出有效的、新穎的、潛在有用的、并可被理解的模式的高級處理過程。19精品文檔7.8.2知識(zhīshi)發(fā)現(xiàn)的處理過程1.數(shù)據(jù)(shùjù)選擇。根據(jù)用戶的需求從數(shù)據(jù)(shùjù)庫中提取與KDD相關的數(shù)據(jù)(shùjù)。2.數(shù)據(jù)預處理。主要是對上述數(shù)據(jù)進行再加工，檢查數(shù)據(jù)的完整性及數(shù)據(jù)的一致性，對丟失的數(shù)據(jù)利用統(tǒng)計方法進行填補，形成發(fā)掘數(shù)據(jù)庫。

7.8知識發(fā)現(xiàn)20精品文檔3.數(shù)據(jù)變換(biànhuàn)。即從發(fā)掘數(shù)據(jù)庫里選擇數(shù)據(jù)4.數(shù)據(jù)挖掘。根據(jù)用戶要求，確定KDD的目標是發(fā)現(xiàn)何種類型(lèixíng)的知識。5.知識評價。這一過程主要用于對所獲得的規(guī)則進行價值評定，以決定所得的規(guī)則是否存入基礎知識庫。

7.8知識發(fā)現(xiàn)21精品文檔7.8.3知識發(fā)現(xiàn)(fāxiàn)的方法1.統(tǒng)計方法：統(tǒng)計方法是從事物(shìwù)的外在數(shù)量上的表現(xiàn)去推斷該事物(shìwù)可能的規(guī)律性。2.機器學習方法

3.神經(jīng)計算方法4.可視化方法：可視化（visualization）就是把數(shù)據(jù)、信息和知識轉(zhuǎn)化為可視的表示形式的過程。

7.8知識發(fā)現(xiàn)22精品文檔7.8.4知識(zhīshi)發(fā)現(xiàn)的應用知識發(fā)現(xiàn)已在許多領域得到應用。現(xiàn)在，知識發(fā)現(xiàn)已在銀行業(yè)、保險業(yè)、零售業(yè)、醫(yī)療保健、工程和制造業(yè)、科學研究、衛(wèi)星(wèixīng)觀察和娛樂業(yè)等行業(yè)和部門得到成功應用，為人們的科學決策提供很大幫助。

7.8知識發(fā)