机器学习策略

机器学习- Machine Learning
今天下午,人工智能老师刚讲完机器学习,一想到3月份蓝杰那边上课的时候也通过机器学习的内容,像贝叶斯分类,贝叶斯选择器之类的,
而我自己也没有系统地总结机器学习的知识,趁着刚吃饱饭的舒服劲,来写一篇关于机器学习的博客。 
What is machine learning?
Machine Learning <T,P,E>:
Computer automatically improves
at task T(任务)
according to performance metric P(性能)
through experience E(经验)
—— Tom Mitchell,1997
这是汤姆·米切尔说的。意思就是,机器在执行任务时,通过执行任务的经验,提高机器执行任务的性能,这是一个动态的过程。
在生活中,有许多机器学习的例子,
例如,下棋
T: 下棋
P: 比赛中击败对手的百分比
E: 与自己对弈的训练
手写体识别
T: 识别手写文字
P: 识别的正确率
E: 已经做好的具有代表性分类的手写体数据库
自动驾驶
T: 通过视觉传感器在高速路上自动驾驶
P: 平均无差错行驶里程
E: 在观察人的驾驶过程中记录的一系列图像和驾驶指令数据库。
机器学习是一项复杂的智能活动,学习过程与推理过程是紧密相连的,按照学习中使用的推理的多少,机器学习所采用的策略有如下:
Rote Learning(死记硬背式学习、机械学习)
memory-based
Induction(归纳学习)
Learning from examples (Supervised)
Dicision Tree(决策树学习)
Learning from observation and discovery (Unsupervised)
Analogy (类比学习)
according to the similarity of knowledge in different domain
Explanation-based Learning(解释学习)
Deduction and Induction are combined 
Neural Learning
Clustering(聚类)
Discovering similar group
Reinforcement(增强学习)
机械学习:
 最简单的学习方法
机械学习就是记忆,即把新的知识存储起来,供需要时检索调用,也叫死记硬背学习,不需要计算和推理,
是一种最基本的学习过程。






机械学习的主要问题
存储组织信息:要采用适当的存储方式,使检索速度尽可能地快。
环境的稳定性与存储信息的适用性问题:机械学习系统必须保证所保存的信息适应于外界环境变化的需要。
存储与计算之间的权衡:对于机械学习来说很重要的一点是它不能降低系统的效率。


归纳学习:
是应用归纳推理进行学习的一种方法根据归纳学习有无教师指导,可把它分为示例学习和观察与发现学习。示例归纳学习的模式。
示例1:某天下雨,且自行车在路上出了毛病要修理,所以他上班迟到。
示例2:某天没下雨,但交通堵塞,所以他上班迟到。
通过归纳归结,得:
如果自行车在路上出了毛病要修理,或者交通堵塞,则他有可能上班迟到  
曲线拟合
示例形式: (x, y, z)
示例1:(1,0,10)
示例2:(2,1,18)
示例3:(-1,-2,-6) 
z=2x+6y+8 
 类比学习:
类比学习主要包括如下四个过程
输入一组已知条件和一组未完全确定的条件,对两组出入条件寻找其可类比的对应关系,根据相似转换的方法,进行映射,
对类推得到的知识进行校验。
类比学习的研究可分为两大类。
问题求解型的类比学习
预测推定型的类比学习(传统的类比法、因果关系型的类比 )


解释学习:
解释学习根据任务所在的只是领域和正在学习的概念知识,对当前实例进行分析和求解,得出一个表征求解的因果解释树,以获取新的知识。
在获取新的知识过程中,通过对属性、表征现象和内在关系等进行解释而学习到新的知识。
1、利用基于解释的方法对训练实例进行分析与解释,以说明它是目标概念的一个实例。
2、对实例的结构进行概括性的解释,建立该训练实例的一个解释结构以满足概念的定义,
3、从解释结构中识别出训练实例的特性,并且从中得到更大一类的例子的概括性描述,获取一般控制知识。
即:
给定:1、目标概念(要学习的概念)描述TC;
2、训练实例(目标概念的一个实例)TE.
3、领域知识(由一组规则和事实组成的用于解释训练实例的知识库DT.
4、操作准则。OC
求出:
1、目标概念的充分概括描述。
2、操作准则。


神经学习:
神经学习是对人脑神经系统学习机理的一种模拟。
分类:
有师学习:能够根据期望的和实际  的网络输出(对应于给定输入)间的差来调整神经元间连接的强度。
无师学习:不需要知道期望输出。
增强学习:采用一个“评论员”来评  价与给定输入对应的神经网络输出的优度(质量因数)。增强学习算法的一个例子是遗传算法(GA)。




感知器学习(Perceptron Learning Rule)
有师学习
权值调整公式
wij(t+1)=wij+r (di - Oi) Oj
wij :i到j的权值    Oi:i的实际输出
r >0:学习常数    di: i的期望输出
Equivalent to rules:
If output is correct do nothing.
If output is high, lower weights on active inputs
If output is low, increase weights on active inputs



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值