须具备真正的学习功能。基于这种学习功能，人们不仅可以根据数据和经验等构造一个具有一定智能的系统，而且该系统还可以在这个初始数据库的基础上，通过归纳、推理等方法进一步丰富自己，完善自己，使自己适应外界环境。
大的智能系统如医疗诊断、勘探等，不仅有大量的数据库，比较完全的规则库，丰富的专家经验。同时，由于其系统规模大，开发投资高，应用领域明确，使用环境变化较小，所以，研究开发的过程中比较重视静态知识的学习，而忽视动态知识的学习，或者说环境的自适应问题。而一些较小型的智能系统，如网络上使用的“蚂蚁”等，开发时比较困难或者无法手工创建，原因在于它们需要特定的细节知识或技能来完成特别复杂的任务（知识获取的瓶颈）。系统要能够根据经验来自动适应和定制自身，以满足具体用户的需求，例如个性化新闻或邮件过滤，个性化教程等等。在数据库中发现知识和模式，数据库挖掘，例如发现购买模式来指导市场经营，更好地理解人和其它生物的学习和教学过程等等。这样的系统更需要动态机器学习，系统自适应的方法。 当前机器学习研究时机比较成熟。主要原因是，一方面该领域的研究已经具备初步的算法和理论基础；另一方面，随着网络技术的发展在线数据量的不断增长，为机器学习提供了充足的数据；同时，计算机软硬件的发展使得机器本身已经具备了一定强度的计算能力，能够承受一定规模的计算量的算法。
人工智能主要是为了研究人的智能，模仿其机理，并将其应
用于工程的科学。在这个过程中必然会问道：“人类怎样做才能获取这种特殊技能（或知识）？”。当前人工智能研究的主要障碍和发展方向之一就是机器学习。包括学习的计算理论和构造学习系统。现在的人工智能系统还完全没有或仅有很有限的学习能力。不能自动获取和生成知识，未来的计算机将有自动获取知识的能力。 5-01_swf.htm
机器学习实现的困难 1.预测难 2.归纳推理 3.判断难
1.预测难：学习后知识库发生了什么变化，系统功能的变化的预测难；
目前的大多数专家系统都是脱离环境的学习，即将人类专家准备好的知识，以某种方式传授给机器。尽管如此，机器学习的不可预测性使得中国的主要专家系统：中医医疗诊断系统难以得到真正的实际应用。如果将机器学习的目的扩展到从环境中、从工作中、从人机交互中自动提取、更新知识，那么学习产生的效果就更加不可预测。
2.归纳推理：现有的归纳推理只保证假，不保证真（演绎推理保真）。而且，归纳的结论是无限多的，其中相当多是假的，给生成的知识带来不可靠性；
演绎推理是从多数现象中总结出结论，如：根据今天下雨了同时也阴天，昨天下雨了也是阴天，前天…..，可以演绎出规则：下雨 → 阴天。即从一般的现象推倒出总结性的结论。 归纳推理是从特殊的数个例子中总结出一般的规律。例如：燕子会飞 → 鸟会飞。比较容易产生错误，比如：鸵鸟不会飞。孔雀也不会飞。当然死鸟更不会飞。
演绎与归纳不是矛盾的，各有利弊，二者经常是在一起使用的。由于归纳的结论有可能是假的，因此，推理过程中要使用很多假设和约定，加上适当的回溯以避免中间过程中的错误。同时，这些也都是人为制定的，因此机器学习中依然存在着不可靠性。 3.判断难：机器目前很难判断什么重要、什么有意义、应该学习什么。
如果要使得机器能够从实践中提取知识，自动学习，就必须首先要求机器懂得什么是该学的、什么是值得学的。 5.1.3发展历史
机器学习是人工智能研究较为年轻的分支之一，大约有50年的历史，其发展过程大体上可分为两个时期。
早期（10年以前）机器学习的发展经历了下面三个发展阶段。
1.神经系统模型和决策理论
50年代开始。其特点是对开始于无初始结构和面向作业知
识的通用学习系统感兴趣。包括构造多种具有随机或部分随机的初始结构的基于神经模型的机器。这些系统一般称为神经网络或自组织系统。由于当时计算机技术状态，该方面的研究多停留在理论和硬件上。这些元件类似于神经元，他们实现简单的逻辑功能。
1965年左右，神经网络经验模式导致了模式识别这一新学科以及机器学习的决策理论方法。这种方法中学习就是从给定的一组经过选择的例子中获得判断函数，这些函数大多是线性的、多项式的、或相关的形式的。
当时，Samuel(1059-1963)的跳棋程序是最著名的成功的学习系统之一。达到了跳棋大师的水平。 2.符号概念获取
符号概念获取的学习方法是1975年左右提出的。这类学习过程通过分析一些概念的正例和反例构造出这些概念的符号表示。表示的形式一般是逻辑表达式、决策树、产生式规则或语义网络。
采用这类方法的代表性的系统有Winston的ARCH。 3.知识加强和论域专用学习
此方法是70年代中期开始，沿着符号主义路线进行的。在原有基础上逐步加强、重于专业的专用性。强调使用面向任务的知识和它对学习过程的引导作用。系统包括预先确定的概念、知识结构、论域约束、启发式规则和论域有关的变换。系统在开始
相关推荐：
loading