类比学习
类比学习研究类型 问题求解型的类比学习：求解一个新问题时， 先回忆以前是否求解过类似问题，若是，则以 此为依据求解新问题。 预测推理型的类比学习
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S1:A->B，如果有 A'≌A，则可能有B'满足A'->B'
给定：
操作准则
领域知识DT 目标概念TC 训练实例TE
目标概念 训练例子
新规则
操作性准则OC
知识库
找出：满足OC的关于TC的充分条件
解释学习
EBG算法可概括为两步：
1.构造解释：运用领域知识进行演绎，证明提供给系统 的训练实例为什么是满足目标概念的一个实例。
例如： 设要学习的目标概念是 “一个物体（Obj1）可以安 全地放置在另一个物体（Obj2）上”，即：
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 。
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。
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)
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。
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：
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。
- 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15ቤተ መጻሕፍቲ ባይዱ- Weight(p1,w1)∧Weight(p2,w2)∧Smaller(w1,w2)→Lighter(
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)
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
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。
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
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：
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……
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：
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。
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。
机器学习策略与基本结构
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。
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。 例如： Volume (O1, v1) ∧Density (O1, d1)∧*(v1, d1, w1)∧Isa(O2,table)∧ Smaller(w1,15) → Safe-ToStack(Obj1,obj2)
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。
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。
Safe-To-Stack(Obj1,obj2)