一、符号学习
- 符号学习是指学习单个符号或一组符号的意义,人必须通过反复的学习来建立符号与其代表的事物之间的等值关系。例如,儿童通过学习,可以用“苹果”或“apple” 来代表他所看到的具体的苹果。
- 如图所示,这个实验具有S1和S2两个起点,以及F1和F2两个放置食物点。实验时把白鼠分成A和B两组,A组为反应学习组,学习任务是向右转弯,到达食物点。若从S1出发,食物放在F1;若从S2出发,食物放在F2。B组为方位学习组,实验时只变化出发点,不变化食物点。实验结果表明,两组差异极大,A组经过72次练习后,从未达到连续10次正确转向的标准;而B组很快就学会了。这个实验有力地支持了托尔曼的符号学习理论。
二、迁移学习
- 迁移学习是指利用数据、任务、或者模型的相似性,将在旧领域学习到的模型,应用到新的领域的一种学习过程。
三、连接主义(神经网络)
-
认知即网络(涉及仿生学)。而网络中最关键的就是连接。学习的过程,就是某些连接的不断增强,某些连接的不断减弱的过程。输入的问题,经由网络中大量连接增强或者减弱的处理(并行),可以比较快的得到一个近似解。
四、
-
假设空间:机器学习中可能的函数构成的空间称为“假设空间”。监督学习的目的在于学习一个由输入到输出的映射,这一映射由模型来表示。换句话说,学习的目的就在于找到最好的这样的模型。模型属于由输入空间到输出空间的映射的集合,这个集合就是假设空间(hypothesis space)。假设空间的确定意味着学习的范围的确定。
-
-
版本空间(version space)是概念学习中与已知数据集一致的所有假设(hypothesis)的子集集合。对于二维空间中的“矩形”假设(下图),绿色加号代表正类样本,红色小圈代表负类样本。 GB 是最大泛化正假设边界(maximally General positive hypothesis Boundary), SB 是最大精确正假设边界(maximally Specific positive hypothesis Boundary). GB与SB所围成的区域中的矩形即为版本空间中的假设,也即GB与SB围成的区域就是版本空间
-
-
NFL定理:在脱离实际意义情况下,空泛地谈论哪种算法好毫无意义,要谈论算法优劣必须针对具体学习问题
五、
- 合取式( conJunction)用合取真值联结词“∧”将两个或两个以上的命题联结起来而形成的命题形式。只要其中有一个合取项是假的,合取式便是假的。一假则假。
- 析取是最常用的逻辑联结词之一,表示“或”的意思。一真则真。
参考:
- 车文博 主编.心理咨询大百科全书.杭州:浙江科学技术出版社,2001:第641页
- https://baike.baidu.com/item/%E7%AC%A6%E5%8F%B7%E5%AD%A6%E4%B9%A0/11013777?fr=aladdin#reference-[4]-6308026-wrap
- https://blog.csdn.net/qq_28266311/article/details/83057059
- https://baike.baidu.com/item/%E7%89%88%E6%9C%AC%E7%A9%BA%E9%97%B4/12980817?fr=aladdin