5.1 概述
机器学习是人工智能的一个重要研究领域，也是人工智能和神经计算的核心研究课题之一。到目前为止的大多数人工智能系统还完全没有或仅有很有限的学习能力。系统中的知识是由人工编程送入系统，知识中的错误也不能自动改正。换句话说，现有的大多数人工智能系统是演绎的，没有归纳推理，因而不能自动获取和生成知识。
什么叫机器学习，至今，还没有统一的定义，而且也很难给出一个被广泛认可的和准确的定义。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。
关于机器的能力是否能超过人的能力这个问题有很多争论。持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者来规定的，因此无论如何其能力也不会超过设计者本人。这种观点，对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间以后，设计者本人也不知他的能力到了何种水平。这就是机器学习的不可预测问题。 学习结果的不确定性带来新的问题就是学习系统产生的知识可能是系统设计者都无法预测，如果用这种系统解决重要问题，就可能产生意外的困难或危险。因此我们必须设计新的有自适应能力的系统，用于安排测试过程来审查学习系统产生的知识。而且这个系统必须具有与被监测的系统相当的学习（自适应）
能力，才能够跟随系统知识的变化，完成实时的检测。然而，这个监测系统本身的变化又如何了解、控制那？
本章讨论的内容不涉及机器学习的不可预测性。主要介绍机器学习的基本思想和基于实例的学习、基于解释学习等具体的机器学习方法，希望读者能对这一领域有一个初步的了解和认识。 学习是系统积累经验以改善其性能的过程。从1956年人工智能创立至今，研究人员就一直非常重视机器学习的研究。50年代末，塞缪尔编写了著名的跳棋程序，这一程序可以从经验中学习，不断调整棋盘局势评估函数，提高自己的棋艺。1970年，温斯顿（P. H. Winston）建立了一个从例子进行概念学习的系统，它可以学会积木世界中一系列概念的结构描述。70年代末至80年代，机器学习更是蓬勃发展起来，逐渐成为人工智能研究的主流之一。未来的计算机将有自动获取知识的能力。它们直接由书本学习，通过与人谈话学习，通过观察环境学习。它们通过实践自我完善，克服人的局限性，例如存储量少、效率低、注意力分散和难以传送所获取的知识等等弱点。而一台计算机获取的知识很容易复制给任何其它机器。人类的这些设想可望在不久变成现实。我们有必要对这一前景给以关注。 5.1.1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，长期以来却众说纷坛。社会学家、逻辑学家和心理学家都各有其不同的看法。按照人工智能大师西蒙（Simon，1983）的观点，
学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或相类似的任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。
另一位人工智能大师Minsky（1985），也给出了学习的定义：学习是在我们头脑中（心理内部）进行有用的变化。
学习是一种具有多侧面的现象。学习基本形式有：知识获取和技能求精。
知识获取：学习的本质就是获取新的知识，包括物理系统、行为的描述和模型的建立，构造客观现实的表示。将新知识组织成为通用化和有效的表达形式。例如科学知识的学习。 技能求精：通过教育或实践改进机制和认知能力。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行的。借助观察和实验发现新的事实和新的理论。例如学习骑自行车。
知识获取的本质是一个自觉的过程，其结果是产生新的符号知识结构和智力模型。而技能求精则是下意识地借助于反复地实践来实现的。本课程中涉及到的方法主要是针对知识获取型的机器学习。
学习的任务是
◇ 获得对于输入的数据进行分类能力：如医疗诊断，信用卡业
务或交易，投资，DNA序列，口语，手写字，天文图象等等。 ◇ 获得解决问题，行为计划和行为控制等的能力。如，解决微分问题，下跳棋，象棋，平衡杠杆，驾车等等。 我们可以从以下几个方面对系统学习性能进行评价：
◇ 分类精度：是否能够对输入的数据进行正确、精确的分类。此类系统性能由待分类模式的规模，大规模（成千上万种）、中规模（几千种）、小规模（几十、几百种）；待分类样本的性质、质量；系统结构；系统学习方法等多种因素决定。如，分类结果是精确的还是模糊的、含有多义性的；给出分类结果的同时是否还可以给出分类结果的可信度；分类精确度等等。 ◇ 解答的正确性和质量：无论是用于分类的，还是解决问题的系统都有解答正确性问题。同时，正确性不一定保证有好的质量，好的质量包括：可读性、稳定性等多方面的因素。 ◇ 学习的速度：虽然大多数系统的学习都是在后台进行的，但是，学习速度还是一个很重要的系统指标。它不仅仅影响系统的设计，同时，影响系统的实现。一个很费时的学习方法，某种意义上也是很难实现的。因为，通常花费大量时间所进行的操作表现在对学习样本量的要求、系统空间的要求、系统硬件性能的要求上。
5.1.2机器学习研究意义
为什么要研究机器学习？如前所述，一个真正的智能系统必
相关推荐：
loading