人工智能导论（机器学习、决策树学习）

.简述机器学习的原理和分类。

答：原理：使计算机模拟人的学习行为，自动的通过学习来获取知识和技能，不断改善技能，实现自我完善。对于输入信息，系统根据目标和经验做出决策予以响应，即执行相应动作；对目标的实现或任务的完成情况进行评估；将本次的输入、响应和评价作为经验予以存储记录。

    分类：

   （1）基于学习途径的分类：符号学习

                            神经网络学习（或连接学习）

                            统计学习

                            交互学习

   （2）基于学习方法的分类：归纳学习（归纳学习又可分为：符号归纳学习、函数归纳学习、类别归纳学习）

                            演绎学习

                             类比学习

                             分析学习

   （3）基于样本数据特点的分类：有监督学习（亦称有导师学习）

                                无监督学习（亦称无导师学习）

   （4）基于数据形式的分类：结构化学习

                            非结构化学习

   （5）基于学习目标的分类：概念学习

                            规则学习

                            函数学习

                            类别学习

                             贝叶斯网络学习

4.什么是决策树学习？简述其基本步骤和过程。

答：决策树是一种知识表示形式，构造决策树可以由人来完成，也可以由机器从一些实例中总结、归纳出来，即由机器学习而得。机器学习决策树也就是所说的决策树学习。决策树学习是一种归纳学习。

    决策树学习的基本方法和步骤：

       （1）首先，选取一个属性，按这个属性的不同取值对实例进行分类；

       （2）并以该属性作为根节点，以这个属性的诸取值作为根节点的分支，进行画树

       （3）然后，考察所得的每一个子类，看其中的实例是否完全相同。如果完全相同，则以这个相同的结论作为相应分支路径末端的子叶节点；否则，选取一个非负节点的属性，按这个属性的不同取值对该自己进行分类，并以该属性作为节点，以这个属性的诸取值作为该节点的分支，继续进行画树。

       （4）如此继续，直到所分的子集全部满足：实例结论完全相同，而得到所有的叶子结点为止。