1 2 第八章机器学习8.2 答：（1）学习是一项复杂的智能活动，学习过程与推理过程是紧密相连的学习中所用的推理越多，系统的能力越强（2）机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问“机器”计算机（电子，以后还可能是中子计算机、光子计算机或神经计算机等）8.3 答：机器学习系统的结构及基本功能当监督环节为示教人时，为示教式学习系统；当监督环节为监督器时，为自学式学习系统。 知识库存储（记忆） 、积累知识长期记忆（LTM ）先验知识背景如事物的基本概念和定义、定律和公理，博弈的基本规则等中期记忆（MTM ）环境事物的各种具体知识短期记忆（STM）环境变化的信息和数据事实库或“黑板 学习元学习系统的核心环节采集环境信息息选例环节或直接采集接受监督指导监督环节的示教、指导信息或评价准则进行学习推理获得有关问题的解答和结论修改知识库将推理结果输入知识库，对知识增删改 执行元识别、论证、决策、判定模式分类器、专家咨询解释系统、智能控制机构、机械手/人等如执行元行动结果直接引起环境的变化“在线”学习系统机器人规划、生产过程控制、机器博弈等 监督环节人 :示教者 ;监督器 :评价准则或检验标准工作执行效果评价接受来自执行元环节的反馈信息，对系统的工作执行效果进行评价和检验制定评价标准接受来自环境变化的信息，制定和修订评价标准和检验标准监督学习环节根据评价和检验的结果，对学习环节进行示教、训练或指导控制选例环节根据环境变化信息及工作执行效果的反馈，控制选例环节，选取其它事例或样本 选例环节作用是从环境中选取有典型意义的事例或样本，作为系统的训练集或学习对象。如挑选典型病历，以便提高学习效率，加速学习过程。选例环节可以由人或机器来实现 环境系统获取知识和信息的来源，执行的对象和人物等。如，医疗专家系统的病员、病历档案、医生、诊断书等；模式识别系统的文字、图象、物景；博弈系统的对手、棋局；智能控制系统的被控对象和生产过监督环境选例学习元知识库执行元2 程等。8.4 答：（1） 机械学习模型机械学习 一种最简单的机器学习方法机械学习是最基本的学习过程，任何学习系统都必须记住它们获取的知识机械学习系统：知识的获取是以较为稳定和直接的方式进行的，不需要系统进行过多的加工机械学习就是记忆，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归纳过程可以简化成推导过程直接使用求根公式计算一个一元二次方程的根自学（2） 机械学习的主要问题存储组织信息环境的稳定性与存储信息的适用性问题。密切监视外界环境的变化，不断地更换所保存的信息；核对。存储与计算之间的权衡。预估算；“选择忘却”技术8.5 答：（1）示例学习：病态细胞的分类识别例如图，? 正例 三个病细胞 (P1, P2, P3)，? 反例 二个正常细胞(N1, N2) ；? 每个细胞由二个细胞体组成* 细胞体表示为三元组： （核数、尾数、染色状），* P1：(2, 2, 深 ) (1, 1, 浅)。? 学习任务 从例子集中归纳出有病状的细胞A. 概念描述的搜索和获取概念描述? 假设不必给每个特性（属性）都指明应取值：* 没有给出值的特性（以？指示） 对于该概念的描述无关紧要；* 病细胞假设 ()： (2, ?, ?) (?, 1, 深) ，一个细胞体有二个胞核；另一个有一个尾巴，且染色是深的。? 病细胞假设空间的半序图（图6.5）3 ? 假设之间的关系弧指示泛化/特化关系，? 假设空间上的一个泛化/特化关系（图6.4） ，* 假设（）不考虑细胞体是否有尾巴，比假设（）复盖更多的例子；* 假设（）比假设（）泛化；* 假设（）比假设（）特化。? 底层假设 最特化（具体）的概念描述：* 所有特性都给定特别值，对应于例子空间中的一个例子。? 顶层假设 最泛化的概念描述：* 不指定任何具体的特性值，* 表示为 (? ? ?)，(? ? ?)。? 假设空间中的搜索方式? 特化搜索 从最泛化的假设（概念描述）出发，每次取用一个新的例子，就产生一些特化的描述，直到将初始最泛化的假设特化为解描述。?泛化搜索 从最特化的假设（相应于例子空间中的一个例子）开始，每次取用一个新的例子时，就产生一些泛化的描述，直到产生出足够泛化的解描述。? 大多数示例学习方法都采用这二种方法或这二个方法的结合。B.逐步泛化的学习策略? 采用宽度优先、自底向上的搜索方式：? 将第一个正例（P1）作为初始假设（H1 ）极端特化的假设；? 正例（ P2）用于指导系统生成泛化的假设（H2和H3）：* 多个泛化的假设不同的映射会导致不同的假设，- 假设 H1 中包含了二个对象（细胞体）；* 采用保守原则最低限度的泛化, ：- 新的假设刚好覆盖现有的假设/ 例子。? 反例（ N1 ）用来剪裁过于泛化的假设：H3是过于泛化的假设，因为其蕴涵了反例N1。基本策略：? 遇见正例就泛化某些假设以保证假设的完全描述性, ? 遇见反例则删去某些假设以保证假设的一致描述性, ? 直至得到一个既完全又一致的解描述( 假设 ) 为止。? 这个解描述作为满足给定例子集的概念定义学习系统获得的新知识。4 C.逐步特化的学习策略? 采用宽度优先、自顶向下的搜索方式（与泛化策略相反）：? 新例子的加入会导致新假设的增加和已存在假设的删除（与泛化策略类似）。? 正例和反例所起的作用与泛化策略相反：? 反例生成一些特化假设；* 采用保守的原则最低限度的特化：- 新的假设在覆盖已有正例的同时只是刚好能排斥反例；? 正例剪裁过于特化的假设。（2）类比学习：“ 肖锋象部消防车” 中，考虑肖锋与消防车之间的相似关于肖锋（目标框架）与消防车（源框架）的框架为：肖锋是一个（ ISA）人性别男活动级音量进取心中等消防车是一辆（ ISA）车辆颜色红活动级快音量极高燃料效率中等梯高异或（长，短）进取心是一种（ ISA）个人品德5 现在目的是用消防车的信息来扩充肖锋的内容启发式规则： 选择那些用极值填写的槽 选择那些已知为重要的槽 选择那些与源框架没有密切关系的槽 选择那些填充值与源框架没有密切关系的槽 使用源框架中的一切槽这组规则用来寻找一种好的传递。对上述例题，将有下面一些结果： 活动级槽和音量级槽填有极值，所以它们首先入选 如果它们不存在，那么根据第规则选择那些标记为特别重要的槽本例无此情况 下一规则将选择梯高槽，因为该槽不出现在其它类型的车辆中 下一规则将选颜色槽，因其它车辆都不是红色 最后一条规则，若用它，则消防车的所有槽均为可能的相似8.6-8.8 答：略