人工智能課程論文--機(jī)器學(xué)習(xí)

1、人工智能課程論文機(jī)器學(xué)習(xí)姓名：趙文琪班級(jí)：軟件132學(xué)號(hào)：3130704233摘要機(jī)器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。關(guān)鍵字: 人工智能, 機(jī)器學(xué)習(xí)目錄1.概述2.機(jī)器學(xué)習(xí)的定義和研究3.機(jī)器學(xué)習(xí)的發(fā)展史4.機(jī)器學(xué)習(xí)的主要策略5.機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)6.機(jī)器學(xué)習(xí)分類1、基于

2、學(xué)習(xí)策略的分類2、基于所獲取知識(shí)的表示形式分類 3、按應(yīng)用領(lǐng)域分類_一.概述機(jī)器學(xué)習(xí)(Machine Learning)是研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演譯。 機(jī)器學(xué)習(xí)是關(guān)于理解與研究學(xué)習(xí)的內(nèi)在機(jī)制、建立能夠通過(guò)學(xué)習(xí)自動(dòng)提高自身水平的計(jì)算機(jī)程序的理論方法的學(xué)科。近年來(lái)機(jī)器學(xué)習(xí)理論在諸多應(yīng)用領(lǐng)域 得到成功的應(yīng)用與發(fā)展，已成為計(jì)算機(jī)科學(xué)的基礎(chǔ)及熱點(diǎn)之一。采用機(jī)器學(xué)習(xí)方法的計(jì)算機(jī)程序被成功用于機(jī)器人下棋程序、語(yǔ)音識(shí)別、

3、信用卡欺詐監(jiān)測(cè)、自主車輛 駕駛、智能機(jī)器人等應(yīng)用領(lǐng)域，除此之外機(jī)器學(xué)習(xí)的理論方法還被用于大數(shù)據(jù)集的數(shù)據(jù)挖掘這一領(lǐng)域。實(shí)際上，在任何有經(jīng)驗(yàn)可以積累的地方，機(jī)器學(xué)習(xí)方法均可發(fā) 揮作用。學(xué)習(xí)能力是智能行為的一個(gè)非常重要的特征，但至今對(duì)學(xué)習(xí)的機(jī)理尚不清楚。人們?cè)鴮?duì)機(jī)器學(xué)習(xí)給出各種定義。H.A.Simon認(rèn)為，學(xué)習(xí)是系統(tǒng)所作的適應(yīng)性變化，使得系統(tǒng)在下一次完成同樣或類似的任務(wù)時(shí)更為有效。R.s.Michalski認(rèn)為，學(xué)習(xí)是構(gòu)造或修改對(duì)于所經(jīng)歷事物的表示。從事專家系統(tǒng)研制的人們則認(rèn)為學(xué)習(xí)是知識(shí)的獲取。這些觀點(diǎn)各有側(cè)重，第一種觀點(diǎn)強(qiáng)調(diào)學(xué)習(xí)的外部行為效果，第二種則強(qiáng)調(diào)學(xué)習(xí)的內(nèi)部過(guò)程，而第三種主要是從知識(shí)工程的

4、實(shí) 用性角度出發(fā)的。機(jī)器學(xué)習(xí)在人工智能的研究中具有十分重要的地位。一個(gè)不具有學(xué)習(xí)能力的智能系統(tǒng)難以稱得上是一個(gè)真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少 學(xué)習(xí)的能力。例如，它們遇到錯(cuò)誤時(shí)不能自我校正；不會(huì)通過(guò)經(jīng)驗(yàn)改善自身的性能；不會(huì)自動(dòng)獲取和發(fā)現(xiàn)所需要的知識(shí)。它們的推理僅限于演繹而缺少歸納，因此至 多只能夠證明已存在事實(shí)、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機(jī)器學(xué)習(xí)逐漸成為人工智能研究的核心之一。它的應(yīng)用已遍及人工智能的各個(gè)分支，如專家系統(tǒng)、自動(dòng)推理、自然語(yǔ)言理解、模式識(shí)別、計(jì)算機(jī)視覺、智能機(jī)器人等領(lǐng)域。其中尤 其典型的

5、是專家系統(tǒng)中的知識(shí)獲取瓶頸問(wèn)題，人們一直在努力試圖采用機(jī)器學(xué)習(xí)的方法加以克服。 機(jī)器學(xué)習(xí)的研究是根據(jù)生理學(xué)、認(rèn)知科學(xué)等對(duì)人類學(xué)習(xí)機(jī)理的了解，建立人類學(xué)習(xí)過(guò)程的計(jì)算模型或認(rèn)識(shí)模型，發(fā)展各種學(xué)習(xí)理論和學(xué)習(xí)方法，研究通用的學(xué)習(xí)算法并進(jìn)行理論上的分析，建立面向任務(wù)的具有特定應(yīng)用的學(xué)習(xí)系統(tǒng)。這些研究目標(biāo)相互影響相互促進(jìn)。機(jī)器學(xué)習(xí)已經(jīng)有了十分廣泛的應(yīng)用例如搜索引擎、醫(yī)學(xué)診斷、檢測(cè)信用卡欺詐、證券市場(chǎng)分析、DNA序列測(cè)序、語(yǔ)音和手寫識(shí)別、戰(zhàn)略游戲和機(jī)器人運(yùn)用。自從1980年在卡內(nèi)基-梅隆大學(xué)召開第一屆機(jī)器學(xué)術(shù)研討會(huì)以來(lái)，機(jī)器學(xué)習(xí)的研究工作發(fā)展很快，已成為中心課題之一。目前，機(jī)器學(xué)習(xí)領(lǐng)域的研究工作主要圍繞以下

6、三個(gè)方面進(jìn)行：（1）面向任務(wù)的研究 研究和分析改進(jìn)一組預(yù)定任務(wù)的執(zhí)行性能的學(xué)習(xí)系統(tǒng)。 （2）認(rèn)知模型 研究人類學(xué)習(xí)過(guò)程并進(jìn)行計(jì)算機(jī)模擬。（3）理論分析 從理論上探索各種可能的學(xué)習(xí)方法和獨(dú)立于應(yīng)用領(lǐng)域的算法。機(jī)器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計(jì)算的核心研究課題之一?，F(xiàn)有的計(jì)算機(jī)系統(tǒng)和人工智能系統(tǒng)沒有什 么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。本章將首先介紹機(jī)器學(xué)習(xí)的定義、意義和簡(jiǎn)史，然后討論機(jī)器學(xué)習(xí)的主要策 略和基本結(jié)構(gòu)，最后逐一研究各種機(jī)器學(xué)習(xí)的方法與技術(shù)，包括機(jī)械學(xué)習(xí)、基于解釋的學(xué)習(xí)、基于事例的學(xué)習(xí)、基于概念的學(xué)習(xí)

7、、類比學(xué)習(xí)和基于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的學(xué) 習(xí)等。對(duì)機(jī)器學(xué)習(xí)的討論和機(jī)器學(xué)習(xí)研究的進(jìn)展，必將促使人工智能和整個(gè)科學(xué)技術(shù)的進(jìn)一步發(fā)展 。 _二.機(jī)器學(xué)習(xí)的定義和研究意義 學(xué)習(xí)是人類具有的一種重要智能行為，但究竟什么是學(xué)習(xí)，長(zhǎng)期以來(lái)卻眾說(shuō)紛紜。社會(huì)學(xué)家、邏輯學(xué)家和心理學(xué)家都各有其不同的看法。按照人工智能大 師西蒙的觀點(diǎn)，學(xué)習(xí)就是系統(tǒng)在不斷重復(fù)的工作中對(duì)本身能力的增強(qiáng)或者改進(jìn)，使得系統(tǒng)在下一次執(zhí)行同樣任務(wù)或類似任務(wù)時(shí)，會(huì)比現(xiàn)在做得更好或效率更高。西蒙 對(duì)學(xué)習(xí)給出的定義本身，就說(shuō)明了學(xué)習(xí)的重要作用。機(jī)器能否象人類一樣能具有學(xué)習(xí)能力呢？1959年美國(guó)的塞繆爾(Samuel)設(shè)計(jì)了一個(gè)下棋程序，這個(gè)程序具有學(xué)習(xí)能力

8、，它可以在不斷的對(duì)奕中改善自己的棋藝。4年后，這個(gè)程序戰(zhàn)勝了設(shè)計(jì)者本人。又過(guò)了3年，這個(gè)程序戰(zhàn)勝了美國(guó)一個(gè)保持8年之久的常勝不敗的冠軍。這個(gè)程序向人們展示了機(jī)器學(xué)習(xí) 的能力，提出了許多令人深思的社會(huì)問(wèn)題與哲學(xué)問(wèn)題。機(jī)器的能力是否能超過(guò)人的，很多持否定意見的人的一個(gè)主要論據(jù)是：機(jī)器是人造的，其性能和動(dòng)作完全是由設(shè)計(jì)者規(guī)定的，因此無(wú)論如何其能力也不會(huì) 超過(guò)設(shè)計(jì)者本人。這種意見對(duì)不具備學(xué)習(xí)能力的機(jī)器來(lái)說(shuō)的確是對(duì)的，可是對(duì)具備學(xué)習(xí)能力的機(jī)器就值得考慮了，因?yàn)檫@種機(jī)器的能力在應(yīng)用中不斷地提高，過(guò)一段 時(shí)間之后，設(shè)計(jì)者本人也不知它的能力到了何種水平。 什么叫做機(jī)器學(xué)習(xí)(machine learning)？

9、至今，還沒有統(tǒng)一的“機(jī)器學(xué)習(xí)”定義，而且也很難給出一個(gè)公認(rèn)的和準(zhǔn)確的定義。為了便于進(jìn)行討論和估計(jì)學(xué)科的進(jìn)展，有必要對(duì)機(jī)器學(xué)習(xí) 給出定義，即使這種定義是不完全的和不充分的。顧名思義， 機(jī)器學(xué)習(xí) 是研究如何使用機(jī)器來(lái)模擬人類學(xué)習(xí)活動(dòng)的一門學(xué)科。稍為嚴(yán)格的提法是：機(jī)器學(xué)習(xí)是一門研究機(jī)器獲取新知識(shí)和新技能，并識(shí)別現(xiàn)有知識(shí)的學(xué)問(wèn)。這里所說(shuō)的“機(jī)器”，指的就是計(jì)算機(jī)；現(xiàn)在是電子計(jì)算機(jī)，以后還可能是中子計(jì)算機(jī)、光子計(jì)算機(jī)或神經(jīng)計(jì)算機(jī)等等._三.機(jī)器學(xué)習(xí)的發(fā)展史機(jī)器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過(guò)程大體上可分為4個(gè)時(shí)期。第一階段是在50年代中葉到60年代中葉，屬于熱烈時(shí)期。> 第二階段是在6

10、0年代中葉至70年代中葉，被稱為機(jī)器學(xué)習(xí)的冷靜時(shí)期。第三階段是從70年代中葉至80年代中葉，稱為復(fù)興時(shí)期。 機(jī)器學(xué)習(xí)的最新階段始于1986年。 機(jī)器學(xué)習(xí)進(jìn)入新階段的重要表現(xiàn)在下列諸方面： (1) 機(jī)器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動(dòng)化和計(jì)算機(jī)科學(xué)形成機(jī)器學(xué)習(xí)理論基礎(chǔ)。 (2) 結(jié)合各種學(xué)習(xí)方法，取長(zhǎng)補(bǔ)短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。特別是連接學(xué)習(xí)符號(hào)學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號(hào)處理中知識(shí)與技能的獲取與求精問(wèn)題而受到重視。 (3) 機(jī)器學(xué)習(xí)與人工智能各種基礎(chǔ)問(wèn)題的統(tǒng)一性觀點(diǎn)正在形成。例如學(xué)習(xí)與問(wèn)題求解結(jié)合進(jìn)行、知識(shí)表達(dá)便

11、于學(xué)習(xí)的觀點(diǎn)產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問(wèn)題求解結(jié)合的基于案例方法已成為經(jīng)驗(yàn)學(xué)習(xí)的重要方向。 (4) 各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴(kuò)大，一部分已形成商品。歸納學(xué)習(xí)的知識(shí)獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學(xué)習(xí)在聲圖文識(shí)別中占優(yōu)勢(shì)。分析學(xué)習(xí) 已用于設(shè)計(jì)綜合型專家系統(tǒng)。遺傳算法與強(qiáng)化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。與符號(hào)系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機(jī)器人運(yùn)動(dòng)規(guī)劃 中發(fā)揮作用。 (5) 與機(jī)器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動(dòng)空前活躍。國(guó)際上除每年一次的機(jī)器學(xué)習(xí)研討會(huì)外，還有計(jì)算機(jī)學(xué)習(xí)理論會(huì)議以及遺傳算法會(huì)議。 _四.機(jī)器學(xué)習(xí)的主要策略學(xué)習(xí)是一項(xiàng)復(fù)雜的智能活動(dòng)，學(xué)

12、習(xí)過(guò)程與推理過(guò)程是緊密相連的，按照學(xué)習(xí)中使用推理的多少，機(jī)器學(xué)習(xí)所采用的策略大體上可分為4種機(jī)械學(xué)習(xí)、通過(guò)傳授學(xué)習(xí)、類比學(xué)習(xí)和通過(guò)事例學(xué)習(xí)。學(xué)習(xí)中所用的推理越多，系統(tǒng)的能力越強(qiáng)。_五.機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)環(huán)境向系統(tǒng)的學(xué)習(xí)部分提供某些信息，學(xué)習(xí)部分利用這些信息修改知識(shí)庫(kù)，以增進(jìn)系統(tǒng)執(zhí)行部分完成任務(wù)的效能，執(zhí)行部分根據(jù)知識(shí)庫(kù)完成任務(wù)，同時(shí)把獲得的信息反饋給學(xué)習(xí)部分。在具體的應(yīng)用中，環(huán)境，知識(shí)庫(kù)和執(zhí)行部分決定了具體的工作內(nèi)容，學(xué)習(xí)部分所需要解決的問(wèn)題完全由 上述3部分確定。下面我們分別敘述這3部分對(duì)設(shè)計(jì)學(xué)習(xí)系統(tǒng)的影響。 影響學(xué)習(xí)系統(tǒng)設(shè)計(jì)的最重要的因素是環(huán)境向系統(tǒng)提供的信息。或者更具體地說(shuō)是信息的質(zhì)

13、量。知識(shí)庫(kù)里存放的是指導(dǎo)執(zhí)行部分動(dòng)作的一般原則，但環(huán)境向 學(xué)習(xí)系統(tǒng)提供的信息卻是各種各樣的。如果信息的質(zhì)量比較高，與一般原則的差別比較小，則學(xué)習(xí)部分比較容易處理。如果向?qū)W習(xí)系統(tǒng)提供的是雜亂無(wú)章的指導(dǎo)執(zhí)行 具體動(dòng)作的具體信息，則學(xué)習(xí)系統(tǒng)需要在獲得足夠數(shù)據(jù)之后，刪除不必要的細(xì)節(jié)，進(jìn)行總結(jié)推廣，形成指導(dǎo)動(dòng)作的一般原則，放入知識(shí)庫(kù)，這樣學(xué)習(xí)部分的任務(wù)就比 較繁重，設(shè)計(jì)起來(lái)也較為困難。 因?yàn)閷W(xué)習(xí)系統(tǒng)獲得的信息往往是不完全的，所以學(xué)習(xí)系統(tǒng)所進(jìn)行的推理并不完全是可靠的，它總結(jié)出來(lái)的規(guī)則可能正確，也可能不正確。這要通過(guò)執(zhí)行效果加以檢驗(yàn)。正確的規(guī)則能使系統(tǒng)的效能提高，應(yīng)予保留；不正確的規(guī)則應(yīng)予修改或從數(shù)據(jù)庫(kù)中刪

14、除。 知識(shí)庫(kù)是影響學(xué)習(xí)系統(tǒng)設(shè)計(jì)的第二個(gè)因素。知識(shí)的表示有多種形式，比如特征向量、一階邏輯語(yǔ)句、產(chǎn)生式規(guī)則、語(yǔ)義網(wǎng)絡(luò)和框架等等。這些表示方式各有其特點(diǎn)，在選擇表示方式時(shí)要兼顧以下4個(gè)方面： (1)表達(dá)能力強(qiáng)。(2)易于推理。(3)容易修改知識(shí)庫(kù)。(4)知識(shí)表示易于擴(kuò)展。 對(duì)于知識(shí)庫(kù)最后需要說(shuō)明的一個(gè)問(wèn)題是學(xué)習(xí)系統(tǒng)不能在全然沒有任何知識(shí)的情況下憑空獲取知識(shí)，每一個(gè)學(xué)習(xí)系統(tǒng)都要求具有某些知識(shí)理解環(huán)境提供的信息，分析比較，做出假設(shè)，檢驗(yàn)并修改這些假設(shè)。因此，更確切地說(shuō)，學(xué)習(xí)系統(tǒng)是對(duì)現(xiàn)有知識(shí)的擴(kuò)展和改進(jìn)。 執(zhí)行部分是整個(gè)學(xué)習(xí)系統(tǒng)的核心，因?yàn)閳?zhí)行部分的動(dòng)作就是學(xué)習(xí)部分力求改進(jìn)的動(dòng)作。同執(zhí)行部分有關(guān)的問(wèn)題有

15、3個(gè)：復(fù)雜性、反饋和透明性。_六.機(jī)器學(xué)習(xí)分類1、基于學(xué)習(xí)策略的分類學(xué)習(xí)策略是指學(xué)習(xí)過(guò)程中系統(tǒng)所采用的推理策略。一個(gè)學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實(shí)現(xiàn)信息 轉(zhuǎn)換，用能夠理解的形式記憶下來(lái)，并從中獲取有用的信息。在學(xué)習(xí)過(guò)程中，學(xué)生（學(xué)習(xí)部分）使用的推理越少，他對(duì)教師（環(huán)境）的依賴就越大，教師的負(fù)擔(dān)也就 越重。學(xué)習(xí)策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實(shí)現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來(lái)分類的，依從簡(jiǎn)單到復(fù)雜，從少到多的次序分為以下五種基本類型：）機(jī)械學(xué)習(xí)(Rote learning)學(xué)習(xí)者無(wú)需任何推理或其它的知識(shí)轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。如塞繆爾的跳棋

16、程序，紐厄爾和西蒙的LT系統(tǒng)。這類學(xué)習(xí)系統(tǒng)主要考慮的是如何 索引存貯的知識(shí)并加以利用。系統(tǒng)的學(xué)習(xí)方法是直接通過(guò)事先編好、構(gòu)造好的程序來(lái)學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過(guò)直接接收既定的事實(shí)和數(shù)據(jù)進(jìn)行學(xué)習(xí)， 對(duì)輸入信息不作任何的推理。）示教學(xué)習(xí)(Learning from instruction或Learning by being told)。學(xué)生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識(shí)轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識(shí)和原有知識(shí)有機(jī)地結(jié)合為一體。所以要求學(xué) 生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識(shí)，以使學(xué)生擁有的知識(shí)可以不斷地增加。這種學(xué)習(xí)

17、方法和人類社會(huì)的學(xué)校教學(xué) 方式相似，學(xué)習(xí)的任務(wù)就是建立一個(gè)系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識(shí)。目前，不少專家系統(tǒng)在建立知識(shí)庫(kù)時(shí)使用這種方法去實(shí)現(xiàn)知識(shí) 獲取。示教學(xué)習(xí)的一個(gè)典型應(yīng)用例是FOO程序。3）演繹學(xué)習(xí)(Learning by deduction)。學(xué)生所用的推理形式為演譯推理。推理從公理出發(fā)，經(jīng)過(guò)邏輯變換推導(dǎo)出結(jié)論。這種推理是"保真"變換和特化(specialization)的過(guò) 程，使學(xué)生在推理過(guò)程中可以獲取有用的知識(shí)。這種學(xué)習(xí)方法包含宏操作(macro-operation)學(xué)習(xí)、知識(shí)編輯和組塊(Chunking)技術(shù)。 演繹推理的逆過(guò)程是歸納

18、推理。4）類比學(xué)習(xí)(Learning by analogy)。利用二個(gè)不同領(lǐng)域（源域、目標(biāo)域）中的知識(shí)相似性，可以通過(guò)類比，從源域的知識(shí)（包括相似的特征和其它性質(zhì)）推導(dǎo)出目標(biāo)域的相應(yīng)知識(shí)，從而實(shí)現(xiàn) 學(xué)習(xí)。類比學(xué)習(xí)系統(tǒng)可以使一個(gè)已有的計(jì)算機(jī)應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來(lái)完成原先沒有設(shè)計(jì)的相類似的功能。類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推 理。它一般要求先從知識(shí)源（源域）中檢索出可用的知識(shí)，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標(biāo)域）中去。類比學(xué)習(xí)在人類科學(xué)技術(shù)發(fā)展史上起著重要作 用，許多科學(xué)發(fā)現(xiàn)就是通過(guò)類比得到的。例如著名的盧瑟福類比就是通過(guò)將原子結(jié)構(gòu)（目標(biāo)域）同太陽(yáng)系（源域）作類比，揭示了

19、原子結(jié)構(gòu)的奧秘。）基于解釋的學(xué)習(xí)(Explanation-based learning, EBL)。學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個(gè)例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個(gè)解釋來(lái)說(shuō)明為什該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo) 概念的一個(gè)滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識(shí)庫(kù)求精和改善系統(tǒng)的性能。著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的 GENESIS, 米切爾（T.Mitchell）的LEXII和LEAP, 以及明頓（S.Minton）等的PRODIGY。）歸納學(xué)習(xí)(Learning from induction)。歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實(shí)例或反例

20、，讓學(xué)生通過(guò)歸納推理得出該概念的一般描述。這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué) 習(xí)，因?yàn)榄h(huán)境并不提供一般性概念描述（如公理）。從某種程度上說(shuō)，歸納學(xué)習(xí)的推理量也比類比學(xué)習(xí)大，因?yàn)闆]有一個(gè)類似的概念可以作為"源概念"加以取用。 歸納學(xué)習(xí)是最基本的，發(fā)展也較為成熟的學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。2、基于所獲取知識(shí)的表示形式分類學(xué)習(xí)系統(tǒng)獲取的知識(shí)可能有：行為規(guī)則、物理對(duì)象的描述、問(wèn)題求解策略、各種分類及其它用于任務(wù)實(shí)現(xiàn)的知識(shí)類型。對(duì)于學(xué)習(xí)中獲取的知識(shí)，主要有以下一些表示形式：1）代數(shù)表達(dá)式參數(shù)：學(xué)習(xí)的目標(biāo)是調(diào)節(jié)一個(gè)固定函數(shù)形式的代數(shù)表達(dá)式參數(shù)或系數(shù)來(lái)達(dá)到一個(gè)理想的性能。）決策樹：用決策樹來(lái)劃分物體的類屬，樹中每一內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)一個(gè)物體屬性，而每一邊對(duì)應(yīng)于這些屬性的可選值，樹的葉節(jié)點(diǎn)則對(duì)應(yīng)于物體的每個(gè)基本分類。）形式文法：在識(shí)別一個(gè)特定語(yǔ)言的學(xué)習(xí)中，通過(guò)對(duì)該語(yǔ)言的一系列表達(dá)式進(jìn)行歸納，形成該語(yǔ)言的形式文法。）產(chǎn)生式規(guī)則：產(chǎn)生式規(guī)則表示為條件動(dòng)作對(duì)，已被極為廣泛地使用。學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)行為主要是：生成、泛化、特化（Specialization）或合成產(chǎn)生式規(guī)則。）形式邏輯表達(dá)式：形式邏輯表達(dá)式的基本成分