学术讲座学习感想

xx 大 学

学院:计算机与信息技术学院 专业:计算机科学与技术专业

姓名:sdfso

学号:12345678910

时间:20xx/6/20

一个学期学术讲座的学习中,老师们多方面多角度对我们计算机领域的学术内容以及计算机未来的就业前景的系统概述,使得我对计算机行业有了更深入的认识,同时对计算机的专业领域有了更具体、详尽的了解,开阔了我的视野。每一位老师讲述的内容都独具特色,也非常感谢每一位老师忙里抽闲的辛苦准备,其中,王文剑老师关于机器学习的讲述激起了我对机器学习的浓厚兴趣,课下也多方阅读了很多机器学习的相关知识,以下是我对机器学习的了解与认识。

1 机器学习的定义 学习是人类具有的一种重要智能行为,但究竟什么是学习,长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。至今,还没有统一的“机器学习”定义,而且也很难给出一个公认的和准确的定义。比如,Langley(1996) 定义的机器学习是“机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能.在其著作《Machine Learning》中定义机器学习是提到,“机器学习是对能通过经验自动改进的计算机算法的研究”。同时提出自己对机器学习的定义,“机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。”

尽管如此,为了便于进行讨论和估计学科的进展,有必要对机器学习给出定义,即使这种定义是不完全的和不充分的。顾名思义,机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是:机器学习是一门研究机器获取新知识和新技能,并识别现有知识的学问。这里所说的“机器”,指的就是计算机。

2 机器学习系统的基本模型

学习系统的基本结构

(1)“环境”可以是外部信息的来源。它将为系统的学习机构提供有关信息。系统通过环境的搜索取得外部信息,然后经分析,综合,类比,归纳等思维过程获得知识,并将这些知识存入知识库中。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” 知识库的形式就是知识表实的形式。常用的知识表实方法有:特征向量、谓词演算、产生式规则、过程、LISP函数、数字多项式、语义网络和框架。选择知识表实方法要考虑下列准则:可表达性、推理难度、可修改性和可扩充性。学习系统实质上是对旧知识库的扩充和完善。

(3)“学习环节与执行环节”的目的就是改善执行环节的行为。执行环节的复杂性、反馈和透明度都对学习环节有影响。复杂的任务需要更多的知识。学习系统都要用某种方法去评价学习环节推荐的假设。一种方法是用独立的知识库作这种评价。另一种方法是以环境作为客观的执行标准,系统判定执行环节是否按预期标准工作,由此反馈信息评价当时的假设。若执行环节有较好的透明度,学习环节就容易追踪执行环节的行为。

3 机器学习分类

1、基于学习策略的分类

学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境(如书本或教师)提供信息,学习部分则实现信息转换,用能够理解的形式记忆下来,并从中获取有用的信息。在学习过程中,学生(学习部分)使用的推理越少,他对教师(环境)的依赖就越大,教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的,依从简单到复杂,从少到多的次序分为以下五种基本类型:

(1)机械学习(Rote learning) 学习者无需任何推理或其它的知识转换,直接吸取环境所提供的信息。如塞缪尔的跳棋程序,纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的 知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习,学习者不作任何工作,或者是通过直接接收既定的事实和数据进行学习,对输入信息 不作任何的推理。

(2)示教学习(Learning from instruction或Learning by being told)。 学生从环境获取信息,把知识转换成内部可使用的表示形式,并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程 度的推理能力,但环境仍要做大量的工作。教师以某种形式提出和组织知识,以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似, 学习的任务就是建立一个系统,使它能接受教导和建议,并有效地存贮和应用学到的知识。目前,不少专家系统在建立知识库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。

(3)演绎学习(Learning by deduction)。 学生所用的推理形式为演译推理。推理从公理出发,经过逻辑变换推导出结论。这种推理是"保真"变换和特化(specialization)的过程,使学生 在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的 逆过程是归纳推理。

(4)类比学习(Learning by analogy)。 利用二个不同领域(源域、目标域)中的知识相似性,可以通过类比,从源域的知识推导出目标域的相应知识,从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域,来完成原先没有设计的相类似

的功能。

(5)基于解释的学习(Explanation-based learning, EBL)。 学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则,首先构造一个解释来说明为什该例子满足目标概念,然后将解释推广为目标概念的一个 满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪乔恩(G.DeJong)的GENESIS, 米切尔(T.Mitchell)的LEXII和LEAP, 以及明顿(S.Minton)等的PRODIGY。

(6)归纳学习(Learning from induction)。 归纳学习是由教师或环境提供某概念的一些实例或反例,让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习,因为环境 并不提供一般性概念描述(如公理)。从某种程度上说,归纳学习的推理量也比类比学习大,因为没有一个类似的概念可以作为"源概念"加以取用。归纳学习是最基本的,发展也较为成熟的学习方法,在人工智能领域中已经得到广泛的研究和应用。

2.按应用领域分类

最主要的应用领域有:专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。从机器学习的执行部分所反映的任务类型上看,目前大部分的应用研究领域基本上集中于以下两个范畴:分类和问题求解。

(1)分类任务要求系统依据已知的分类知识对输入的未知模式(该模式的描述)作分析,以确定输入模式的类属,相应的学习目标就是学习用于分类的准则(如分类规则)。

(2)问题求解任务要求对于给定的目标状态,寻找一个将当前状态转换为目标状态的动作序列;机器学习在这一领域的研究工作大部分集中于通过学习来获取能提高问题求解效率的知识。

机器学习作为人工智能中极其重要的一环,正在迅猛的发展着,它使得计算机能够模拟人的学习行为,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。 信息化的飞速发展给机器学习提出了更高的要求。机器学习发展的曲折性还将继续,但其潜能却是无限的。期望不远的将来,我能够参与机器学习的研究中,并为机器学习的发展而贡献自己的绵薄之力。

相关推荐