机器学习的理解

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”，指的就是各种类型的计算机。
机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

机器学习的三个部分：环境、知识库、执行部分。
1.影响学习系统设计的最重要的因素是环境向系统提供的信息质量，如果质量不高，则学习系统需要在获得足够数据之后，删除不必要的细节，进行总结推广，形成指导动作的一般原则，放入知识库。
学习系统获得的信息不全会导致推理并不完全是可靠，它总结出来的规则可能正确，也可能不正确。需要通过执行效果加以检验，保留正确的规则，删除不正确的规则。
2.知识库的知识表示有多种形式，比如特征向量、一阶逻辑语句、产生式规则、语义网络和框架等等，表达方式需要易推理，易扩展。
3.执行部分的动作就是学习部分力求改进的动作，需要注意复杂性、反馈和透明性。

学习过程与推理过程是紧密相连的，学习中所用的推理越多，系统的能力越强，按照学习中使用推理的多少，机器学习可以采用多种策略，由简单到复杂。
1.机械学习，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.传授学习，机器从外部环境获取信息，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。 
3.推理学习，推理从公理出发，经过逻辑变换推导出结论。
4.类比学习，它需要比上述三种学习方式更多的推理，先从知识源域中检索出可用的知识，再将其转换成新的形式，用到目标域中去。
5.基于解释的学习，根据外部环境提供的目标概念、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。
6.归纳学习，由外部环境提供某概念的一些实例或反例，通过归纳推理得出该概念的一般描述。它没有一个类似的概念可以作为"源概念"加以取用，所以推理量最大。它也是最基本的，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。