- Volume (p, v) ∧Density (p, d)∧ *(v, d, w)→ Weight (p, w): 如果p的体积是v、密度是d、v乘以d的积是w，则p的重量 是w
- Isa(p, table)→Weight (p, 15) :若p是桌子，则p的重量是15 - Weight(p1,w1)∧Weight(p2,w2)∧Smaller(w1,w2)→Lighter(
✓ 例如：学生根据教师提供的目标概念、该概念的一 个例子、领域理论及可操作准则，首先构造一个解 释来说明为什么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。
解释学习
❖ 解释学习过程和算法
✓ 米切尔提出了一个解释学习的统一算法EBG，建立了 基于解释的概括过程，并用知识的逻辑表示和演绎推 理进行问题求解。其一般性描述为：
Artificial Intelligence (AI)
人工智能
第七章：机器 学习
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
阿法狗通过神经网络学习所有高水平围棋 棋谱，大概是历史上有的20万个左右职业棋谱， 从而获得了在盘面上如何落子的直觉。
Smaller(w1,15)
Voume(O1,v1)
Density(O1,d1)
*(v1,d1,w1)
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
神经网络学习
❖ 神经生理学研究表明，人脑的神经元既是学习的 基本单位，同是也是记忆的基本单位。
✓ 示教学习：外界输入知识与内部知识的表达不完全一 致，系统在接受外部知识时需要推理、翻译和转化。
任务的方案。
✓ 示例学习：需要从一组正例和反例中分析和总结出一 般性的规律，在新的任务中推广、验证、修改规律。
机器学习策略与基本结构
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
机器学习策略与基本结构
❖ 机器学习的主要策略：按照学习中使用推理的多 少，机器学习所采用的策略大体上可分为4种
✓ 机械学习：记忆学习方法，即把新的知识存储起来， 供需要时检索调用，而不需要计算和推理。
❖ 目前，关于人脑学习和记忆机制的研究有两大学 派：
✓ 化学学派：认为人脑经学习所获得的信息是记录在某 些生物大分子之上的。例如，蛋白质、核糖核酸、神 经递质，就像遗传信息是记录在DNA（脱氧核糖核酸） 上一样。
✓ 突触修正学派：认为人脑学习所获得的信息是分布在 神经元之间的突触连接上的。
类似的深度学习是在近几年出现的，目
前，这项科技也有了一些应用，最简单的例 子就是通过深度学习识别猫。通过这项识别 验证，已经引申出了更多具有实际意义的应 用，比如识别某一个图片中是否有癌细胞， 某一个铁路沿线上的轨道是否存在磨损，甚 至军事作战中，对方的视线中是否有坦克， 都可以通过深度学习实现。谷歌的自动驾驶， 其中很重要的就是识别道路、交通信号灯、 路标等，这都是通过深度学习获得。
❖ 学习系统的基本结构
环境
学习
知识库
执行
❖ 影响学习系统设计的要素
✓ 环境：环境向系统提供信息的水平（一般化程度）和 质量（正确性）
✓ 知识库：表达能力，易于推理，容易修改，知识表示 易于扩展。
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
✓ 统计机器学习 从大量样本出发，运用统计方法，发现统计规律 有监督学习、无监督学习、半监督学习 问题：分类，聚类，回归
机器学习的基本概念
❖ 机器学习的定义
✓ 西蒙（Simon,1983）：学习就是系统中的适应性变化， 这种变化使系统在重复同样工作或类似工作时，能够 做得更好。
✓ 明斯基（Minsky,1985）：学习是在人们头脑里（心理 内部）有用的变化。
解释学习
❖ EBG算法可概括为两步：
Safe-To-Stack(O1,O2)一般化解释结构
Safe-To-Stack(O1,O2) Lighter(O1,O2)
以后求解类似问题时，就可以直接 利用这个知识进行求解，提到了系 统求解问题的效率。
Weight(O1,w1)
Weight(O2,15) Isa(O2,table)
归纳学习
❖归纳学习（Induction Learning）
✓ 归纳学习是应用归纳推理进行学习的一种方法。 ✓ 归纳学习的模式：
解释过程
实例空间
规划过程
规则空间
实验规划过程通过对实例空间的搜索完成实例选择，并将这些选中 拿到的活跃实例提交给解释过程。解释过程对实例加以适当转换，把活 跃实例变换为规则空间中的特定概念，以引导规则空间的搜索。
✓ 学习是一个有特定目的知识获取和能力增长过程，其 内在行为是获得知识、积累经验、发现规律等，其外 部表现是改进性能、适应环境、实现自我完善等。
✓ 机器学习是研究如何使用机器来模拟人类学习活动的 一门学科。
机器学习的基本概念
❖ 机器学习的任务 ✓根据有限样本集 Q ，推算这个世界 W 的模型， 使得其对这个世界为真。
p1,p2):如果p1的重量是w1、 p2的重量是w2、w1比w2小， 则p1比p2轻
解释学习
❖ EBG算法可概括为两步：
Safe-To-Stack(Obj1,obj2)解释结构：
Safe-To-Stack(Obj1,obj2) Lighter(Obj1,obj2)
Weight(Obj1,0.1) Weight(Obj2,15) Smaller(0.1,15) Isa(Obj2,table)
阿法狗的核心技术还包括策略网络的训练和蒙 特卡洛树搜索。
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
机器学习是人工智能的核心，通过使机器模
拟人类学习行为，智能化地从过去的经历中获 得经验，从而改善其整体性能，重组内在知识 结构，并对未知事件进行准确的推断。机器学 习在科学和工程诸多领域都有着非常广泛的应 用，例如金融分析、数据挖掘、生物信息学、 医学诊断等。生活中常见的一些智能系统也广 泛使用机器学习算法，例如电子商务、手写输 入、邮件过滤等。
机器学习的基本概念
❖ 机器学习的三要素
✓ 一致性假设：假设世界W与样本集Q具有某种相同 性质机器学习的条件。
✓ 样本空间划分：将样本集放到一个n维空间，寻找 一个决策面(等价关系)，使得问题决定的不同对象 被划分在不相交的区域。
✓ 泛化能力：从有限样本集合中获得的规律是否对学 习集以外的数据仍然有效。泛化能力 决定模型对 世界的有效性。
概念聚类：按照一定的方式和准则分组，归纳概念 机器发现：从数据和事例中发现新知识
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
类比学习
❖ 类比推理和类比学习方式
✓ 类比学习（learning by analogy）就是通过类比，即通 过对相似事物加以比较所进行的一种学习 。
类比学习
❖ 类比推理和类比学习方式 ✓类比学习系统可以使一个已有的计算机应用系 统转变为适应于新的领域，来完成原先没有设 计的相类似的功能。 ✓类比推理过程：
回忆与联想：找出当前情况的相似情况 选择：选择最相似的情况及相关知识 建立对应关系：建立相似元素之间的映射 转换：求解问题或产生新的知识
内容提要
第七章：机器学习系统 1.机器学习的基本概念 2.机器学习策略与基本结构 3.归纳学习 4.类比学习 5.解释学习 6.神经网络学习 7.知识发现 8.其他
解释学习
❖解释学习(Explanation-based learning, EBL)
✓ 解释学习兴起于20世纪80年代中期，根据任务所在 领域知识和正在学习的概念知识，对当前实例进行 分析和求解，得出一个表征求解过程的因果解释树， 以获取新的知识。
Safe-To-Stack(Obj1,obj2)
领域知识是把一个物体放置在另一个物体上面的安 全性准则：
解释学习
❖ EBG算法可概括为两步：
领域知识：
- ¬Fragile (y)→ Safe-To-Stack (x ,y):如果y不是易碎的，则x 可以安全地放到y的上面
- Lighter (x, y)→ Safe-To-Stack (x ,y):如果x 比y轻，则x可以 安全地放到y的上面
人类的未来生活和工作，还将有机器人参与。机器人的自主学 习，更离不开人脸识别技术。
2015年3月16日，马云在德国参加活动时，为嘉宾演示了一项 “Smile to Pay”的扫脸技术。在网购后的支付认证阶段，通过 扫脸取代传统的密码，实现“刷脸支付”。
机器学习的基本概念
❖ 机器学习的两大学派
✓ 机器学习：人工智能的重要分支 构造具有学习能力的智能系统 知识、推理、学习 手段：统计，逻辑，代数……
归纳学习
❖归纳学习（Induction Learning）
✓ 归纳学习是目前研究得最多的学习方法，其学习目的 是为了获得新概念、构造新规则或发现新理论。
✓ 根据归纳学习有无教师指导，可把它分为 示例学习：给学习者提供某一概念的一组正例和反 例，学习者归纳出一个总的概念描述（规则），并 使这个描述适合于所有的正例，排除所有的反例。 观察发现学习：