人工智能中的机器学习第 6 页 共 9 页
Lenat(1979)提出一种独特的观点，他把记忆学习看作最低层次的数据处理。他划分的数据处理层次如下图所示。如果一个计算结果有普遍意义，就存储起来。这就把计算任务简化为存取任务。记忆是简化数据处理，以空间换取时间的手段。
图2
（2）指导式学习
指导式学习(Learning by Being Told或Learning by Instruction)。又称为指点学习。这时，环境提供的信息较抽象，水平较高，学习环节把这些信息变换成执行环节使用的较低水平的信息。期间重点是实用化，即为它把抽象的建议转成具体的知识。实用化过程类似于自动程序设计。前者由建议得到实用的规则，后者由程序说明得到程序。二者也存在差别。后者要求得到完全正确的程序，强调程序的正确性。前者往往使用弱方法，不保证完全正确。实用化过程有时作试探性的假设和近似，只能要求其合理性。得到的假设还要经过检验和修改。
（3）归纳学习。
归纳学习是通过从环境中取得若干与某概念有关的例子，经归纳得出一般性概念的一种学习方法。在这种学习方法中，外部环境(教师)提供的是一组例子(正例和反例)，这些例子实际上是一组特殊的知识，每一个例子表达了仅适用于该例子的知识，实例学习就是要从这些特殊知识中归纳出适用于更大范围的一般性知识，它将覆盖所有的正例并排除所有反例。例如，如果我们用一批动物作为实例，并且告诉学习系统哪一个动物是“马”，哪一个动物不是，当实例足够多时，学习系统就能一般出关于“马”的概念模型，使自己能识别马，并且能把马与其它动物区别开来，这一学习过程就是归纳学习。
图3
学号14082101445 罗诗雨 序号（40） 信息学院 08自动化班
人工智能中的机器学习第 7 页 共 9 页
（4）类比学习
类比学习(Learning by Analogy)。是获取新概念或新技巧的方法，它把类似这些新概念或新技巧的已知知识转换为适于新情况的形式。类比学习的第一步是从记忆中找到类似的概念或技巧，第二步是把它们转换为新形式以便用于新情况。例如人类的一种学习方式是先由老师教学生解例题(先例)，再给学生留习题。学生寻找在例题和习题间的对应关系，利用解决例题的知识去解决习题中的问题。学生经过一般化归纳推出原理，以便以后使用。这种类比学习方式是人类常用的。问题求解基本过程： 1.比较新状态与目标状态。
2.选择可以减小这个差异的操作。
3.如果前提满足就使用这个操作，否则保存新状态，并用中间结局分析解决子问题，以便实现未满足的前提。
4.在解决子问题后，再取出保存的状态，继续处理原问题。转换类比学习主要有两步：
（5）基于解释学习
解释学习（Explanation-Based Leaning,简称EBL）。起源于经验学习的研究。50年代未，对神经元的模拟中发明了用一种符号来标记另一些符号的存储结构模型，这是早期的存储块（chunks）概念。在象棋大师的头脑中就保存着在各种情况下对弈经验的存储块。80年代初，Newell和Rosenbloom认为，通过获取任务环境中关于模型问题的知识，可以改进系统的性能，chunks可以作为对人类行为进行模拟的模型基础。通过观察问题求解过程，获取经验chunks，用其代替各个子目标中的复杂过程，可以明显提高系统求解的速度。由此奠定了经验学习的基础。Mitchell等人把基于解释的学习过程定义为两个步骤： （1） 通过求解一个例子来产生解释结构；
（2） 对该解释结构进行一般化，获取一般的控制规则。 其具体过程如下：
（1）产生解释。用户输入实例后，系统首先进行问题求解。如由目标引导反向推理，从领域知识库中寻找有关规则，使其后件与目标匹配。找到这样的规则后，就把目标作为后件，该规则作为前件，并记录这一因果关系。然后以规则的前件作为子目标，进一步分解推理。如此反复，沿着因果链，直到求解结束。一旦得到解，便证明了该例的目标可满足，并获得了证明的因果解释结构。构造解释结构通常有两种方式：一是将问题求解的每一推理所用的算子汇集，构成动作序列作为解释结构；另一种是自顶向下的遍历证明树结构。前者比较一般，略去了关于实例的某些事实描述；后者比较细致，每个事实都出现在证明树中。解释的构造可以在问题求解的同时进行，也可在问题求解结束后，沿着解路径进行。这两种方式形成了边解边学（Learning while doing）和解完再学（Learning by solving）两种方法。
（2）对得到的解释结构以及事件进行一般。在这一步，通常采取的办法是将常量转换为变量，即把例子中的某些数据换成变量，并略去某些不重要的信息，只保留求解所必需的那些关键信息，经过某种方式的组合，形成产生式规则，从而获得一般性的控制知识。要学习目标概念Safe-to-stack(V1,V2)
解此问题依据下列两步进行 第一步：构造解释结构
事实知识： On(obj1,obj2)
学号14082101445 罗诗雨 序号（40） 信息学院 08自动化班
人工智能中的机器学习第 8 页 共 9 页
Isa(obj2,Endtable) Color(obj1,red) Color(obj2,blue) Volume(obj1,1) Density(obj1,0.1)领域规则：
Not(Fragile(y))→Safe-to-stack(x,y) Lighter(x,y)→Safe-to-stack(x,y)
Volume(p1,v1)∧Density(p1,d1)∧X(v1,d1,w1)→Weight(p1,w1) Isa(p1,Endtable)→Weight(p1,5)
Weight(p1,w1)∧Weight(p2,w2)∧<(w1,w2)→Lighter(p1,p2)
然后，为证明该例子满足目标概念，系统从目标开始反向推理，根据知识库中已有的上述事实和规则，分解目标，每当使用一条规则时，同时返回去把该规则应用到变量化的目标概念上。这样，在生成该例子求解的解释结构的同时，也生成了变量化的一般的解释结构分别如以下两图所示。 第二步：生成一般性知识
将一般化的解释结构的所有叶结点的合取作为前件，以顶点的目标概念为后件，略去解释结构的中间部件，就生成一般化的产生式规则：
Volume(V2,V48)∧Density(V2,V49)∧X(V48,V49,V42)∧Isa(V3,Endtable)∧<(V42,5)→Safe-to-stack(V2,V3)
注：使用生成的这个控制规则求解类似问题时，求解速度快且效率高。但是简单地把常量转为变量以实现一般化的方法可能过份一般化。在某些特例下可能使规则失败。
5．结论
人工智能一直处于计算机技术的前沿，其研究和发展在很大程度上决定着计算机技术乃至整个社会的发展。而机器学习作为人工智能中极其重要的一环，正在迅猛的发展着，它使得计算机能够模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。
信息化的飞速发展给人工智能提出了更高的要求。人工智能发展的曲折性还将继续，但其潜能却是无限的。也许不远的将来，人们的生活方式将由于人工智能的发展而经历一场“革命”。
学号14082101445 罗诗雨 序号（40） 信息学院 08自动化班
人工智能中的机器学习第 9 页 共 9 页
6．参考文献
[1]王万良.人工智能基础[M]. 北京：高等教育出版社，2008 : 56-59
[2]杨状元著.人工智能的现状及今后的发展趋势展望[M]. 北京:机械工业出版社，2006 : 78-89
[3]刘毅著.人工智能和机器学习[M]. 西安电子科技大学出版社.1999: 337-342 [4]孙珩著. 机器学习的研究现状[M]. 清华大学出版社.2003 : 222-242
[5]卢妙娜著.人工智能综述[M]. 机械工业出版社.2008: 134-136
[6] 吴玺宏著.从人工智能到智能机器人[M]. 北京：科学出版社，2007 : 156-167
学号14082101445 罗诗雨 序号（40） 信息学院 08自动化班
论人工智能中的机器学习
