7 相关机器学习.ppt

第7章相关机器学习
机器学习概述
机器学习可以根据许多不同的方式来分类,这里,我们选择了三种方式:
(l)基于所使用的基本学习策咯分类。根据在所给定的信息上执行所花费的推理步数量排出学习处理过程顺序;
(2)基于知识表示或学习者所获取的技能分类;
(3)基于获取知识的系统的应用领域分类。
由上述方法定义出的各种信息都对应一种特殊的学习策咯, 采用一定的知识识表示, 应用到某一领域。由于现有的学习系统采用多种表示和处理, 并且许多系统不止应用于一个领域, 因此这样的系统应该有研究价值。
上述每种分类方式所探明的价值,会使将来的研究工作可能更好地揭示出新的价值和分类方式。实际上, 我们对所有可能的机器学习技术组成的各种模块仅作了很少的探查, 只是对其部分的了解, 现存的机器学习模块由于只代表了少量可能的组合。
由于我们以学习者对所提供的信息做的推理量来划分学习策略, 所以首先考虑两种边界情况:即学习者不作任何推理与学习者进行大量的推理两种情况。如果一个计算机系统, 其知识的增加是直接靠编程实现的, 那么它增加知识, 不做任何推理,而认知工作完全靠程序员。这是一种边界情况;相反地, 如果一个系统独立地发现新的理论或发明新的概念,那么它必须做大量的推理,
它会从实验和观察中抽出有组织的知识来。介于这两种情况之间的是, 学生通过模拟书本上所给出的例子来决定怎详解一个数学问题——这样一种过程需要推理量,但是比起没有老师或书本的指导发现一个新的数学分支来说, 所耍的推理少得多。
随着学习者所能做的推理量的增多, 老师或外部环境的负担就会减少,指导某人完成一项复杂工作,对他讲解完成这项工作的每一个步骤, 比起给他做如何完成类似的一项工作的示范来指导他困难得多。编计算机程序来完成一项复杂的工作又比指示一个人完成这项工作困难得多。因为编程需要对所有必要的细节作精确的说明,可以利用己有的知识和常识弥补大部分的细节。
7 . 1 . 1 机械式学习和直接输入新知识
这种类型是学习者不需要进行任何推理或知识的转换,不是真正意义上的机器学习。这种知识获取方法又分成:
(1)由外界实体编好、构造好或修改好程序来进行学习, 学习者不做任何工作(例如通常意义下的计算机编程)。
(2)通过接收的事实和数据来学习, 对输入信息不作任何推理(例如,早期的数据库工作) , 机械式学习这个术语主要指此含义。
7 . 1 . 2 根据示教学习
这种类型或者称为被告知学习。即,从老师或其它有结构的事物中学习。例如从书本获取知识,要求学习者将输入语言表示的知识转换成它本身的内部表示形式, 并把新的信息和它原有的知识有机地结合为一体。
因此, 学习者耍做一些推理, 但大量的工作仍然由老师做。老师必须采取能够增加学生现有知识的方法来提供和组织知识,根据指示来学习类似于我们最正规的教育方法。因此, 机器学习的任务就是要建立这种系统,它能够接受指示和建议。
7 . 1 . 3 通过类推来学习
学习者找出现有知识中与所要产生的新概念或技能十分类似的部分,将它们转换或扩大成适合于新情况的形式,从而取得新的事实或技能。
例如,某人会开小轿车,但从未开过小型卡车, 他就可以将原有的技术(也许只是一部分)用来开小卡车。类似地,一个基于类推的学习系统能将一个现有的计算机程序转换成另一个程序,使它具有最初并未设计, 但与原程序类似的功能。
类推学习与机械式学习或者与根据指示来学习比起来,学习者要做更多的推理,要从原有的存储中检索有关参数相类似的事实或者技能, 然后将检索出的知识进行转换, 应用到新的情况中,再存储以备后用。