1、機器學習研究現狀與發展趨勢 摘要:機器學習是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演譯。 機器學習是關于理解與研究學習的內在機制、建立能夠通過學習自動提高自身水平的計算機程序的理論方法的學科。近年來機器學習理論在諸多應用領域得到成功的應用與發展，已成為計算機科學的基礎及熱點之一。采用機器學習方法的計算機程序被成功用于機器人下棋程序、語音識別、信用卡欺詐監測、自主車輛駕駛、智能機器人等應用領域，除此之外機器學習的理論方法還

2、被用于大數據集的數據挖掘這一領域。實際上，在任何有經驗可以積累的地方，機器學習方法均可發揮作用。機器學習的研究是根據生理學、認知科學等對人類學習機理的了解，建立人類學習過程的計算模型或認識模型，發展各種學習理論和學習方法，研究通用的學習算法并進行理論上的分析，建立面向任務的具有特定應用的學習系統。這些研究目標相互影響相互促進。本文主要敘述了1.機器學習的研究現狀,包括定義,應用領域,研究意義,發展史,系統結構,和對其進行各種角度的分類.2.機器學習的發展趨勢。引言:按照人工智能大師西蒙的觀點，學習就是系統在不斷重復的工作中對本身能力的增強或者改進，使得系統在下一次執行同樣任務或類似任務時，會比

3、現在做得更好或效率更高。西蒙對學習給出的定義本身，就說明了學習的重要作用。 機器能否象人類一樣能具有學習能力呢？1959年美國的塞繆爾(Samuel)設計了一個下棋程序，這個程序具有學習能力，它可以在不斷的對奕中改善自己的棋藝。4年后，這個程序戰勝了設計者本人。又過了3年，這個程序戰勝了美國一個保持8年之久的常勝不敗的冠軍。這個程序向人們展示了機器學習的能力，提出了許多令人深思的社會問題與哲學問題。 什么叫做機器學習？至今，還沒有統一的“機器學習”定義，而且也很難給出一個公認的和準確的定義。為了便于進行討論和估計學科的進展，有必要對機器學習給出定義，即使這種定義是不完全的和不充分的。顧名思義，

4、機器學習是研究如何使用機器來模擬人類學習活動的一門學科。稍為嚴格的提法是：機器學習是一門研究機器獲取新知識和新技能，并識別現有知識的學問。這里所說的“機器”，指的就是計算機；現在是電子計算機，以后還可能是中子計算機、光子計算機或神經計算機等等。機器學習的研究是根據生理學、認知科學等對人類學習機理的了解，建立人類學習過程的計算模型或認識模型，發展各種學習理論和學習方法，研究通用的學習算法并進行理論上的分析，建立面向任務的具有特定應用的學習系統。這些研究目標相互影響相互促進。機器學習是關于理解與研究學習的內在機制、建立能夠通過學習自動提高自身水平的計算機程序的理論方法的學科。近年來機器學習理論在諸

5、多應用領域得到成功的應用與發展，已成為計算機科學的基礎及熱點之一。機器學習已經有了十分廣泛的應用例如搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。與機器學習有關的學術活動空前活躍。國際上除每年一次的機器學習研討會外，還有計算機學習理論會議以及遺傳算法會議。 機器學習是繼專家系統之后人工智能應用的又一重要研究領域，也是人工智能和神經計算的核心研究課題之一。現有的計算機系統和人工智能系統沒有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術的進

6、一步發展 。正文1.機器學習的定義,研究意義,應用領域學習是人類具有的一種重要智能行為，但究竟什么是學習，長期以來卻眾說紛紜。社會學家、邏輯學家和心理學家都各有其不同的看法。至今，還沒有統一的“機器學習”定義，而且也很難給出一個公認的和準確的定義。比如，Langley（1996) 定義的機器學習是“機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能”。 盡管如此，為了便于進行討論和估計學科的進展，有必要對機器學習給出定義，即使這種定義是不完全的和不充分的。顧名思義， 機器學習是研究如何使用機器來模擬人類學習活動的一門學科。稍為嚴格的提法是：機

7、器學習是一門研究機器獲取新知識和新技能，并識別現有知識的學問。這里所說的“機器”，指的就是計算機；現在是電子計算機，以后還可能是中子計算機、光子計算機或神經計算機等等 機器能否象人類一樣能具有學習能力呢？1959年美國的塞繆爾(Samuel)設計了一個下棋程序，這個程序具有學習能力，它可以在不斷的對弈中改善自己的棋藝。4年后，這個程序戰勝了設計者本人。又過了3年，這個程序戰勝了美國一個保持8年之久的常勝不敗的冠軍。這個程序向人們展示了機器學習的能力，提出了許多令人深思的社會問題與哲學問題。 機器的能力是否能超過人的，很多持否定意見的人的一個主要論據是：機器是人造的，其性能和動作完全是由設計者規

8、定的，因此無論如何其能力也不會超過設計者本人。這種意見對不具備學習能力的機器來說的確是對的，可是對具備學習能力的機器就值得考慮了，因為這種機器的能力在應用中不斷地提高，過一段時間之后，設計者本人也不知它的能力到了何種水平。最主要的應用領域有：專家系統、認知模擬、規劃和問題求解、數據挖掘、網絡信息服務、圖象識別、故障診斷、自然語言理解、機器人和博弈等領域。2.機器學習的發展史機器學習是人工智能研究較為年輕的分支，它的發展過程大體上可分為4個時期。 第一階段是在50年代中葉到60年代中葉，屬于熱烈時期。> 第二階段是在60年代中葉至70年代中葉，被稱為機器學習的冷靜時期。 第三階段是從70年

9、代中葉至80年代中葉，稱為復興時期。 機器學習的最新階段始于1986年。 機器學習進入新階段的重要表現在下列諸方面： (1) 機器學習已成為新的邊緣學科并在高校形成一門課程。它綜合應用心理學、生物學和神經生理學以及數學、自動化和計算機科學形成機器學習理論基礎。 (2) 結合各種學習方法，取長補短的多種形式的集成學習系統研究正在興起。特別是連接學習符號學習的耦合可以更好地解決連續性信號處理中知識與技能的獲取與求精問題而受到重視。 (3) 機器學習與人工智能各種基礎問題的統一性觀點正在形成。例如學習與問題求解結合進行、知識表達便于學習的觀點產生了通用智能系統SOAR的組塊學習。類比學習與問題求解結

10、合的基于案例方法已成為經驗學習的重要方向。 (4) 各種學習方法的應用范圍不斷擴大，一部分已形成商品。歸納學習的知識獲取工具已在診斷分類型專家系統中廣泛使用。連接學習在聲圖文識別中占優勢。分析學習已用于設計綜合型專家系統。遺傳算法與強化學習在工程控制中有較好的應用前景。與符號系統耦合的神經網絡連接學習將在企業的智能管理與智能機器人運動規劃中發揮作用。 (5) 與機器學習有關的學術活動空前活躍。國際上除每年一次的機器學習研討會外，還有計算機學習理論會議以及遺傳算法會議。 3.機器學習分類 1、基于學習策略的分類學習策略是指學習過程中系統所采用的推理策略。一個學習系統總是由學習和環境兩部分組成。由

11、環境（如書本或教師）提供信息，學習部分則實現信息轉換，用能 夠理解的形式記憶下來，并從中獲取有用的信息。在學習過程中，學生（學習部分）使用的推理越少，他對教師（環境）的依賴就越大，教師的負擔也就越重。學習 策略的分類標準就是根據學生實現信息轉換所需的推理多少和難易程度來分類的，依從簡單到復雜，從少到多的次序分為以下五種基本類型：）機械學習(Rote learning)學習者無需任何推理或其它的知識轉換，直接吸取環境所提供的信息。如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統。這類學習系統主要考慮的是如何索引存貯的 知識并加以利用。系統的學習方法是直接通過事先編好、構造好的程序來學習，學習者不作任何

12、工作，或者是通過直接接收既定的事實和數據進行學習，對輸入信息 不作任何的推理。）示教學習(Learning from instruction或Learning by being told)。學生從環境（教師或其它信息源如教科書等）獲取信息，把知識轉換成內部可使用的表示形式，并將新的知識和原有知識有機地結合為一體。所以要求學生有一定程 度的推理能力，但環境仍要做大量的工作。教師以某種形式提出和組織知識，以使學生擁有的知識可以不斷地增加。這種學習方法和人類社會的學校教學方式相似， 學習的任務就是建立一個系統，使它能接受教導和建議，并有效地存貯和應用學到的知識。目前，不少專家系統在建立知識庫時使用這

13、種方法去實現知識獲取。示教 學習的一個典型應用例是FOO程序。3）演繹學習(Learning by deduction)。學生所用的推理形式為演譯推理。推理從公理出發，經過邏輯變換推導出結論。這種推理是"保真"變換和特化(specialization)的過程，使學生 在推理過程中可以獲取有用的知識。這種學習方法包含宏操作(macro-operation)學習、知識編輯和組塊(Chunking)技術。演繹推理的 逆過程是歸納推理。4）類比學習(Learning by analogy)。利用二個不同領域（源域、目標域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和

14、其它性質）推導出目標域的相應知識，從而實現學習。類比 學習系統可以使一個已有的計算機應用系統轉變為適應于新的領域，來完成原先沒有設計的相類似的功能。類比學習需要比上述三種學習方式更多的推理。它一般要 求先從知識源（源域）中檢索出可用的知識，再將其轉換成新的形式，用到新的狀況（目標域）中去。類比學習在人類科學技術發展史上起著重要作用，許多科學發 現就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結構（目標域）同太陽系（源域）作類比，揭示了原子結構的奧秘。）基于解釋的學習(Explanation-based learning, EBL)。學生根據教師提供的目標概念、該概念的一個例子、領域理論

15、及可操作準則，首先構造一個解釋來說明為什該例子滿足目標概念，然后將解釋推廣為目標概念的一個 滿足可操作準則的充分條件。EBL已被廣泛應用于知識庫求精和改善系統的性能。著名的EBL系統有迪喬恩（G.DeJong）的GENESIS, 米切爾（T.Mitchell）的LEXII和LEAP, 以及明頓（S.Minton）等的PRODIGY。）歸納學習(Learning from induction)。歸納學習是由教師或環境提供某概念的一些實例或反例，讓學生通過歸納推理得出該概念的一般描述。這種學習的推理工作量遠多于示教學習和演繹學習，因為環境 并不提供一般性概念描述（如公理）。從某種程度上說，歸納學習

16、的推理量也比類比學習大，因為沒有一個類似的概念可以作為"源概念"加以取用。歸納學習是最 基本的，發展也較為成熟的學習方法，在人工智能領域中已經得到廣泛的研究和應用。2.按應用領域分類目前最主要的應用領域有: 專家系統、認知模擬、規劃和問題求解、數據挖掘、網絡信息服務、圖象識別、故障診斷、自然語言理解、機器人和博弈等領域。從機器學習的執行部分所反映的任務類型上看，目前大部分的應用研究領域基本上集中于以下兩個范疇：分類和問題求解。（1）分類任務要求系統依據已知的分類知識對輸入的未知模式（該模式的描述）作分析，以確定輸入模式的類屬。相應的學習目標就是學習用于分類的準則（如分類規則

17、）。（2）問題求解任務要求對于給定的目標狀態,?尋找一個將當前狀態轉換為目標狀態的動作序列；機器學習在這一領域的研究工作大部分集中于通過學習來獲取能提高問題求解效率的知識（如搜索控制知識，啟發式知識等）。4.機器學習技術的發展趨勢從目前研究趨勢看，機器學習今后主要的研究方向如下：1)人類學習機 制的研究：2)發展和完善現有學習方法，同時開展新的學習方法的研究：3)建立實用的學習系統，特別是開展 多種學習方法協同工作的集成化系統的研究：4)機器學習有關理論及應用的研究機器學習是繼專家系統之后人工智能應用的又一重要研究領域，也是人工智能和神經計算的核心研究課題之一。現有的計算機系統和人工智能系統沒

18、有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術的進一步發展 。結論我發現,機器學習是繼專家系統之后人工智能應用的又一重要研究領域，也是人工智能和神經計算的核心研究課題之一。現有的計算機系統和人工智能系統沒有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術的進一步發展 。從目前研究趨勢看，機器學習今后主要的研究方向如下：1)人類學習機 制的研究：2)發展和完善現有學習方法，同時開展新的學習方法的研究：3)建立實用的學習系統，特別是開展 多種學習方法協同工作的集成化系統的研究：4)機器學習有關理論及應用的研究最主要的應用領域有：專家系統、認