欢迎您阅读并下载本文档，本文档来源于互联网整理，如有侵权请联系删除!我们将竭诚为您提供优质的文档！ 机器学习研究现状与发展趋势 摘要: 机器学习是研究计算机怎样模拟或实现人类的学习行为， 以获取新的知识或技能， 重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心， 是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。 机器学习是关于理解与研究学习的内在机制、 建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 采用机器学习方法的计算机程序被成功用于机器人下棋程序、语音识别、信用卡欺诈监测、自主车辆驾驶、智能机器人等应用领域，除此之外机器学习的理论方法还被用于大数据集的数据挖掘这一领域。 实际上， 在任何有经验可以积累的地方，机器学习方法均可发挥作用。 机器学习的研究是根据生理学、 认知科学等对人类学习机理的了解， 建立人类学习过程的计算模型或认识模型， 发展各种学习理论和学习方法， 研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 本文主要叙述了 1.机器学习的研究现状,包括定义,应用领域,研究意义,发展史,系统结构,和对其进行各种角度的分类. 2.机器学习的发展趋势。 引言: 按照人工智能大师西蒙的观点， 学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。 机器能否象人类一样能具有学习能力呢？1959 年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4 年后，这个程序战胜了设计者本人。 又过了 3 年， 这个程序战胜了美国一个保持 8 年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 什么叫做机器学习？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。 顾名思义， 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。稍为严格的提法是：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。这里所说的“机器” ，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。 机器学习的研究是根据生理学、 认知科学等对人类学习机理的了解， 建立人类学习过程的计算模型或认识模型， 发展各种学习理论和学习方法， 研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、 建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 欢迎您阅读并下载本文档，本文档来源于互联网整理，如有侵权请联系删除!我们将竭诚为您提供优质的文档！ 机器学习已经有了十分广泛的应用例如搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA 序列测序、语音和手写识别、战略游戏和机器人运用。 与机器学习有关的学术活动空前活跃。 国际上除每年一次的机器学习研讨会外， 还有计算机学习理论会议以及遗传算法会议。 机器学习是继专家系统之后人工智能应用的又一重要研究领域， 也是人工智能和神经计算的核心研究课题之一。 现有的计算机系统和人工智能系统没有什么学习能力， 至多也只有非常有限的学习能力， 因而不能满足科技和生产提出的新要求。 对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展 。 正文 1.机器学习的定义,研究意义,应用领域 学习是人类具有的一种重要智能行为， 但究竟什么是学习， 长期以来却众说纷纭。 社会学家、逻辑学家和心理学家都各有其不同的看法。至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。比如，Langley（1996) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能” 。 尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 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。稍为严格的提法是：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。这里所说的“机器” ，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等 机器能否象人类一样能具有学习能力呢？1959 年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。 4 年后，这个程序战胜了设计者本人。又过了 3 年，这个程序战胜了美国一个保持 8 年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的， 因此无论如何其能力也不会超过设计者本人。 这种意见对不具备学习能力的机器来说的确是对的， 可是对具备学习能力的机器就值得考虑了， 因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。 最主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。 2.机器学习的发展史 机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为 4 个时期。 第一阶段是在 50 年代中叶到 60 年代中叶，属于热烈时期。 第二阶段是在 60 年代中叶至 70 年代中叶，被称为机器学习的冷静时期。 第三阶段是从 70 年代中叶至 80 年代中叶，称为复兴时期。 机器学习的最新阶段始于 1986 年。 机器学习进入新阶段的重要表现在下列诸方面： (1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学欢迎您阅读并下载本文档，本文档来源于互联网整理，如有侵权请联系删除!我们将竭诚为您提供优质的文档！ 和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。 (2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。 (3) 机器学习与人工智能各种基础问题的统一性观点正在形成。 例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统 SOAR 的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。 (4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。 连接学习在声图文识别中占优势。 分析学习已用于设计综合型专家系统。 遗传算法与强化学习在工程控制中有较好的应用前景。 与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。 (5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。 3.机器学习分类 1、基于学习策略的分类 学习策略是指学习过程中系统所采用的推理策略。 一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能 够理解的形式记忆下来，并从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习 策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的， 依从简单到复杂， 从少到多的次序分为以下五种基本类型： ）机械学习(Rote learning) 学习者无需任何推理或其它的知识转换， 直接吸取环境所提供的信息。 如塞缪尔的跳棋程序， 纽厄尔和西蒙的 LT 系统。 这类学习系统主要考虑的是如何索引存贮的 知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息 不作任何的推理。 ）示教学习(Learning from instruction 或 Learning by being told)。 学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程 度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似， 学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。示教 学习的一个典型应用例是 FOO 程序。 3）演绎学习(Learning by deduction)。 学生所用的推理形式为演译推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是保真变换和特化(specialization)的过程，使学生 在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的 逆过程是归纳推理。 4）类比学习(Learning by analogy)。 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。类比 学习系统可以欢迎您阅读并下载本文档，本文档来源于互联网整理，如有侵权请联系删除!我们将竭诚为您提供优质的文档！ 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。类比学习需要比上述三种学习方式更多的推理。它一般要 求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发 现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。 ）基于解释的学习(Explanation-based learning, EBL)。 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。EBL 已被广泛应用于知识库求精和改善系统的性能。著名的 EBL 系统有迪乔恩 （G.DeJong） 的 GENESIS, 米切尔 （T.Mitchell） 的 LEXII 和 LEAP, 以及明顿 （S.Minton）等的 PRODIGY。 ）归纳学习(Learning from induction)。 归纳学习是由教师或环境提供某概念的一些实例或反例， 让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境 并不提供一般性概念描述（如公理） 。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为源概念加以取用。归纳学习是最 基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。 2.按应用领域分类 目前最主要的应用领域有: 专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。 从机器学习的执行部分所反映的任务类型上看， 目前大部分的应用研究领域基本上集中于以下两个范畴：分类和问题求解。 （1） 分类任务要求系统依据已知的分类知识对输入的未知模式 （该模式的描述） 作分析，以确定输入模式的类属。相应的学习目标就是学习用于分类的准则（如分类规则） 。 （2）问题求解任务要求对于给定的目标状态,?寻找一个将当前状态转换为目标状态的动作序列； 机器学习在这一领域的研究工作大部分集中于通过学习来获取能提高问题求解效率的知识（如搜索控制知识，启发式知识等） 。 4.机器学习技术的发展趋势 从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机 制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展 多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究 机器学习是继专家系统之后人工智能应用的又一重要研究领域， 也是人工智能和神经计算的核心研究课题之一。 现有的计算机系统和人工智能系统没有什么学习能力， 至多也只有非常有限的学习能力， 因而不能满足科技和生产提出的新要求。 对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展 。 欢迎您阅读并下载本文档，本文档来源于互联网整理，如有侵权请联系删除!我们将竭诚为您提供优质的文档！ 结论 我发现,机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。 现有的计算机系统和人工智能系统没有什么学习能力， 至多也只有非常有限的学习能力， 因而不能满足科技和生产提出的新要求。 对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展 。 从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机 制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展 多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究 最主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。 与机器学习有关的学术活动空前活跃。 国际上除每年一次的机器学习研讨会外， 还有计算机学习理论会议以及遗传算法会议。 机器学习是关于理解与研究学习的内在机制、 建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 参考文献 1. 王文 浅析机器学习的研究与应用 计算机与信息技术 2010 年 Z2 期 2. Tom Mitchell Machine Learning 机械工业出版社 2003 年 1 月