补充资料：机器学习

机器学习
machine learning

　　·328·习L一~~.~..~~~~侧~~~~机现学习等等。这一时期有影响的工作有学习质谱仪预测规则系统Meta~DENDRAL，利用AQll方法学习大豆疾病诊断规则系统，利用ID3方法学习象棋残局规则，数学概念发现系统AM，符号积分系统LEX，以及一系列物理定理重新发现系统BACON。在学习计算理论上，L.G.Valiant提出了概率近似正确PAC学习模型，这一成果推动了学习计算理论的发展。 第四阶段始于80年代中后期，主要源于神经网络的重新兴起。由于使用隐单元的多层神经网络及反传算法的提出，克服了早期线性感知机的局限性，从而使得非符号的神经网络的研究得以与符号学习并行发展。同时，机器学习在符号学习的各个方面也更加深人和广泛地展开，并形成了较为稳定的几种学习风范，如归纳学习，分析学习(特别是解释学习和类比学习)，遗传学习等。这一时期有影响的工作有多层神经网络反向传播学习算法，基于解释的学习，一系列决策树归纳学习方法，J.H.Hollalld的遗传学习和分类器系统，A.Newell等的岌〕AR学习系统，以及PRODIGY学习系统等。近期，由于复杂世界的实际应用的需要，出现了结合各种学习方法的集成学习系统、多策略学习技术，特别是关于连接学习与符号学习的结合。另外，有着很大应用价值的数据库知识发现学习技术也发展得很快。 机器学习经过三十多年的发展，到现在已形成 了很多学习方法，例如机械学习、传授学习、实例学 习、发现学习、解释学习、类比学习、事例学习、遗传学习、连接学习等。这些学习方法可以用一个学习模型来描述(参见图1)。环境)一叫学习单元卜叫知识库卜叫执行单元图1一个简单学习系统模型 在图1中，圆圈表示信息体(如观察的数据，以及事实、规则等知识)，方框表示过程。箭头指示数据在学习系统中的流向。环境为学习单元提供外界信息源(如经验实例)。学习单元利用该信息对知识库作出改进(增加新知识或重新组织已有知识)。执行单元利用知识库中的知识执行任务，任务执行后的信息又反馈给学习单元作为进一步学习的输人。 学习单元的输人有两种:一是外界环境，另一是执行任务后的反馈信息。不同的学习系统有不同的经验实例表示。最简单的一种是二元特征表示，仅仅描述对象某些属性的存在与否，例如病人有或没有某个特定症状。下文要讲的连接学习和遗传学习方法一般使用这种二元特征的输人。另一种是用属性值表示，每个属性有一组相互排斥的值，如颜色属性的值可为红色、蓝色和黄色等。二元特征可看作是此类的特例。这种属性值表示典型地用在归纳学习方法中。

说明：补充资料仅用于学习参考，请勿用于其它任何用途。