传统的类比法：用来推断一个不完全确定的事 物可能还有的其他属性 因果关系型：已知因果关系S1Байду номын сангаасA->B，如果有 A'≌A，则可能有B'满足A'->B'
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
Voume(Obj1,1)
Density(Obj1,0.1)
*(1,0.1,0.1)
解释学习
EBG算法可概括为两步：
2.获取一般性的知识： 任务：对上一步得到的解释结构进行一般化的处理， 从而得到关于目标概念的一般性知识。 方法：将常量换成变量，并把某些不重要的信息去 掉，只保留求解问题必须的关键信息。
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。
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。 目前，关于人脑学习和记忆机制的研究有两大学 派：
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 - 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( 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
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。
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 。 类比学习是利用二个不同领域（源域、目标域）中的 知识相似性，可以通过类比，从源域的知识（包括相 似的特征和其它性质）推导出目标域的相应知识，从 而实现学习。 例如：
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)
Isa(Obj2,table)
Smaller(0.1,15)
Safe-To-Stack(O1,O2) Lighter(O1,O2) Weight(O1,w1) Weight(O2,15)
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。
Smaller(w1,15)
Isa(O2,table)
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
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。
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。 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。
1. 一个从未开过truck的司机，只要他有开car的知识就可完成 开truck的任务。 2. 若把某个人比喻为消防车，则可通过观察消防车的行为，推 断出这个人的性格。
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：
阿法狗走的是通用学习的道路。它的估值函数， 不是专家攻关捣哧出来的。它的作者只是搭了一个 基本的框架（一个多层的神经网络），除了围棋最 基本的规则外，没有任何先验知识。你可以把它想 象成一个新生儿的大脑，一张白纸。然后，直接用 人类高手对局的3000万个局面训练它，自动调节它 的神经网络参数，让它的行为和人类高手接近。这 样，阿法狗就具有了基本的棋感，看到一个局面大 致就能知道好还是不好。 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。
例如：
Volume (O1, v1) ∧Density (O1, d1)∧*(v1, d1, w1)∧Isa(O2,table)∧ Smaller(w1,15) → Safe-ToStack(Obj1,obj2)
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
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。
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。
知识、推理、学习
手段：统计，逻辑，代数„„ 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。 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。
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：
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： 给定： 领域知识DT 目标概念TC 训练实例TE 操作性准则OC
目标概念 操作准则 新规则
训练例子
知识库
找出：满足OC的关于TC的充分条件
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。 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。 类比学习：需要发现当前任务与已知知识的相似之处， 通过类比给出完成当前任务的方案。 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。
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”。