知識獲取與機器學習第1頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識獲取與機器學習歸納學習示例學習觀察與發現學習第2頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述第3頁，共82頁，2023年，2月20日，星期一什么是學習？2.3.1機器學習概述學習是系統改進其性能的過程學習是有特定目的的獲取知識的過程。學習是技能的獲取。學習是事物規律的發現過程。第4頁，共82頁，2023年，2月20日，星期一學習的表現形式2.3.1機器學習概述獲取知識學習的內在行為積累經驗、發現規律改進性能適應環境學習的外部表現實現系統的自我完善第5頁，共82頁，2023年，2月20日，星期一人類知識獲取（學習）基礎知識學習（固化記憶）生產實踐（總結經驗）知識的發展與完善（新、舊知識融合）循環2.3.1機器學習概述第6頁，共82頁，2023年，2月20日，星期一機器能否象人類一樣能具有學習能力呢？2.3.1機器學習概述1959年美國的塞繆爾(Samuel)設計了一個下棋程序，該程序具有學習能力，它可以在不斷的對奕中改善自己的棋藝。起先，程序下不過設計者；后來，設計者下不過程序；再后來，程序還戰勝了美國一個洲的冠軍。從而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。第7頁，共82頁，2023年，2月20日，星期一機器的能力是否能超過人呢？2.3.1機器學習概述很多人認為：機器是人造的，其性能和動作完全是由設計者規定的，因此無論如何其能力也不會超過設計者本人。但是，對具備學習能力的機器來說，其能力可在應用中不斷地提高，過一段時間之后，甚至設計者本人也不知它的能力達到了何種水平。第8頁，共82頁，2023年，2月20日，星期一機器知識獲取（機器學習）知識工程師從知識源抽取知識存入知識庫通過機器學習或數據挖掘工具從實踐數據中獲得新知識由知識工程師和領域專家配合更新知識庫循環2.3.1機器學習概述第9頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述機器知識獲取把知識從知識源中抽取出來，并轉為特定的計算機表示機器學習計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，不斷改善性能，實現自我完善

對知識源知識進行理解、選擇、分類和組織，形成知識庫從已有知識中產生新知識檢查知識的一致性、完整性和無冗余性第10頁，共82頁，2023年，2月20日，星期一機器學習的重要性：例子—網絡安全入侵檢測：是否是入侵？是何種入侵？如何檢測？歷史數據：以往的正常訪問模式及其表現、以往的入侵模式及其表現……對當前訪問模式分類這是一個典型的預測型機器學習問題常用技術：神經網絡決策樹支持向量機k近鄰序列分析聚類…………2.3.1機器學習概述第11頁，共82頁，2023年，2月20日，星期一現在語音識別器或翻譯器幾乎都是建立在某種具有學習能力的設備上----使用的越多，則它越聰明機器學習的重要性：例子—自然語言處理/語音識別2.3.1機器學習概述12第12頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述機器學習的重要性：例子—對象識別13第13頁，共82頁，2023年，2月20日，星期一汽車自動駕駛系統2.3.1機器學習概述機器學習的重要性：例子—機器人控制14第14頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述機器學習的重要性：例子—機器人控制15第15頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述機器學習的重要性：例子—文本挖掘16第16頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述機器學習的重要性：例子—生物信息學17第17頁，共82頁，2023年，2月20日，星期一美國航空航天局JPL實驗室的科學家在《Science》（2001年9月）上撰文指出：機器學習對科學研究的整個過程正起到越來越大的支持作用，……，該領域在今后的若干年內將取得穩定而快速的發展機器學習的重要性生物信息學計算金融學分子生物學行星地質學……工業過程控制機器人……遙感信息處理信息安全機器學習2.3.1機器學習概述第18頁，共82頁，2023年，2月20日，星期一

機器學習的研究基本上經歷了以下幾個發展時期：通用的學習系統研究基于符號表示的概念學習系統研究基于知識的各種學習系統研究聯接學習和符號學習的深入研究2.3.1機器學習概述機器學習發展歷史第19頁，共82頁，2023年，2月20日，星期一1通用的學習系統研究（５０年代中葉開始）主流方式——構造沒有或者只有很少初始知識的通用系統，主要技術——神經元模型以及基于該模型的決策論和控制論；

數值和統計方法的范疇。以感知機為代表的早期神經元模型的研究未取得實質性進展，并在60年代末走入低谷：

機械學習的成功激勵了研究者們繼續進行機器學習的研究：代表成果：塞繆爾（A.L.Samuel）于50年代末設計的跳棋程序；隨著使用次數的增加，積累性記憶有價值的信息，很快達到大師級水平。2.3.1機器學習概述第20頁，共82頁，2023年，2月20日，星期一2基于符號表示的概念學習系統研究（６０年代中葉開始）研究目標——是表示高級知識的符號描述及獲取概念的結構假設。主要技術——概念獲取和各種模式識別系統的應用；

綜合了邏輯和圖結構的表示。最有影響的開發工作——溫斯頓（Winston，1975）的基于示例歸納的結構化概念學習系統。

開始將領域知識編入學習系統：巴查納(B.G.Buchanan，1978)等的META-DENDRAL，里南（D.B.Lenat，1976）的AM等。2.3.1機器學習概述第21頁，共82頁，2023年，2月20日，星期一3基于知識的各種學習系統研究（７０年代中期）不再局限于構造概念學習系統和獲取上下文知識結合了問題求解中的學習、概念聚類、類比推理及機器發現的工作。工作特點：基于知識的方法——強調應用面向任務的知識和指導學習過程的約束。

開發各種各樣的學習方法——示例學習、示教學習、觀察和發現學習、類比學習、基于解釋的學習。

結合生成和選擇學習任務的能力——應用啟發式知識于學習任務的生成和選擇，包括提出收集數據的方式、選擇要獲取的概念、控制系統的注意力等。2.3.1機器學習概述第22頁，共82頁，2023年，2月20日，星期一4聯接學習和符號學習的深入研究（八十年代后期）聯接學習和符號學習的深入研究導致機器學習領域的極大繁榮

神經網絡的研究重新迅速崛起，并在聲音識別、圖象處理等諸多領域得到很大成功。符號學習應用技術蓬勃發展：基于計算機網絡的各種自適應、具有學習功能的軟件系統的研制和開發,將機器學習的研究推向新的高度2.3.1機器學習概述第23頁，共82頁，2023年，2月20日，星期一連接機器學習符號機器學習遺傳機器學習分析機器學習機器學習研究的變遷Carbonell(1989)展望Dietterich(1997)展望？統計機器學習集成機器學習符號機器學習增強機器學習流形機器學習半監督機器學習多實例機器學習Ranking機器學習數據流機器學習應用驅動的機器學習研究連接主義符號主義行為主義目前，以“主義”爭霸的時代已經過去，不同方法解決不同問題。第24頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述能夠從某個過程或環境的未知特征中學到有關信息，并且能把學到的信息用于未來的估計、分類、決策或控制，以便改進系統的性能在與環境相互作用時，能利用過去與環境作用時得到的信息，并提高其性能。能夠在一定程度上實現機器學習的系統薩利斯(Saris)的定義（1973年）施密斯等的定義（1977年）機器學習系統第25頁，共82頁，2023年，2月20日，星期一執行與評價環境學習知識庫

學習系統的基本結構環境向系統的學習部分提供信息學習部分利用信息修改知識庫，以增進系統執行部分完成任務的效能執行部分根據知識庫完成任務，同時把獲得的信息反饋給學習部分。2.3.1機器學習概述機器學習系統的基本模型第26頁，共82頁，2023年，2月20日，星期一（1）環境要求信息的質量高與一般原則的差別較小，易于學習學習系統需要刪除具體信息的不必要細節，形成一般原則信息往往是不完全的學習系統所進行的推理不完全是可靠的，需要通過執行效果加以檢驗。2.3.2機器學習的主要策略影響機器學習系統的主要因素第27頁，共82頁，2023年，2月20日，星期一知識庫知識表示的形式多樣化：狀態空間、一階謂詞邏輯、產生式規則、語義網絡和框架。表達方式選擇的原則表達能力強

例如：表示木塊<color,shape,volumn>，表示木塊之間的關系ExEy(RED(x)^GREEN(y)^ONTOP(x,y))易于推理

例如：推理過程中經常要遇到判別兩種表示方式是否等價容易修改數據庫

如新、舊知識可能會矛盾，等等。知識表示易于擴展2.3.2機器學習的主要策略影響機器學習系統的主要因素第28頁，共82頁，2023年，2月20日，星期一執行是整個學習系統的核心。復雜性復雜的任務比簡單的任務需要更多的知識。反饋所有的學習系統必須以某種方式評價學習部分提出的假設。透明性要求從系統執行部分的動作效果可以容易地對知識庫的規則進行評價。2.3.2機器學習的主要策略影響機器學習系統的主要因素第29頁，共82頁，2023年，2月20日，星期一1.按學習方法分類（溫斯頓，1977

）：機械式學習指導式學習示例學習類比學習等2.3.1機器學習概述機器學習系統分類第30頁，共82頁，2023年，2月20日，星期一2.按學習能力分類：監督學習（有教師學習）再勵學習、非監督學習2.3.1機器學習概述機器學習系統分類第31頁，共82頁，2023年，2月20日，星期一3.按推理方式分類：基于演繹的學習（解釋學習）基于歸納的學習（示例學習、發現學習等）2.3.1機器學習概述機器學習系統分類第32頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識的獲取歸納學習示例學習觀察與發現學習第33頁，共82頁，2023年，2月20日，星期一通過直接記憶或者存儲外部環境所提供的信息達到學習的目的，并在以后通過對知識庫的檢索得到相應的知識直接用來求解問題，也被稱記憶學習，或死記式學習2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）機械學習是最基本的學習過程，因為任何學習系統都必須記住它們獲取的知識第34頁，共82頁，2023年，2月20日，星期一2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）

機械式學習實質是用存儲空間來換取處理時間對任意復雜問題，如果已有解決的方法，可把解決方法抽象地看成某個函數，該函數在得到自變量輸入值(X1,X2,…,Xn)之后，計算并輸出函數值(Y1,Y2,…,Yp)。機械學習在存儲器中簡單地記憶存儲對((X1,X2,…,Xn),(Y1,Y2,…,Yp))。當需要f(X1,X2,…,Xn)時,從存儲器中把(Y1,Y2,…,Yp)簡單地檢索出來即可（并非重新計算）第35頁，共82頁，2023年，2月20日，星期一機械學習模式圖示2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）第36頁，共82頁，2023年，2月20日，星期一

機械式學習可用于推理過程的簡化：

2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）例如，第一次解一元二次方程時，人們必須使用很長的一段推導才能得出解方程的求根公式。而一旦有了求根公式，以后再解一元二次方程，就不必重復以前的推導過程，可以直接使用求根公式計算出根第37頁，共82頁，2023年，2月20日，星期一機械學習需要注意的重要問題：2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）

(a)存儲檢索速度/計算速度

顯然，只有當檢索一個項目的時間比重新計算一個項目的時間短時，機械學習才有意義，檢索的越快，其意義也就越大。因此，采用適當的存儲方式，使檢索速度盡可能地快，是機械學習中的重要問題。在數據結構與數據庫領域，為提高檢索速度，人們研究了許多卓有成效的數據存儲方式，如索引、排序、雜湊等等，在機械學習中我們可以充分利用這些成果來實現我們的要求。第38頁，共82頁，2023年，2月20日，星期一

(b)環境的穩定性與存儲信息的適用性問題：在急劇變化的環境下機械學習策略是不適用的。做為機械學習基礎的一個重要假定是在某一時刻存儲的信息必須適用于后來的情況。然而如果信息變換得特別頻繁，這個假定就被破壞了。2.3.2機器學習的主要策略---1.機械學習機械學習需要注意的重要問題：

機械式學習（rotelearning）第39頁，共82頁，2023年，2月20日，星期一1）估算一下存儲信息所要花費的存儲空間以及檢索信息時所花費的時間，然后將其代價與重新計算所花的代價比較，再決定存儲信息是否有利。2）把信息先存儲起來，但為了保證有足夠的檢索速度，要限制存儲信息的總量，系統只保留那些最常使用的信息，“忘記”那些不常使用的信息。該方法也叫“選擇忘卻”技術。2.3.2機器學習的主要策略---1.機械學習解決存儲與計算之間的權衡問題的方法有兩種：

機械式學習（rotelearning）第40頁，共82頁，2023年，2月20日，星期一

機械學習應用舉例：：

2.3.2機器學習的主要策略---1.機械學習

機械式學習（rotelearning）吉林大學開發的建筑工程預算軟件系統建筑工程中多采用符合國家或省市標準的標準件，有大量的標準圖集第41頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識的獲取第42頁，共82頁，2023年，2月20日，星期一

指導式學習（learningbybeingtold）又稱囑咐式學習或教授式學習：由外部環境向系統提供一般性的指示或建議，系統把它們具體地轉化為細節知識并送入知識庫中。在學習過程中要反復對形成的知識進行評價，使其不斷完善。指導式學習的學習過程：征詢指導者的指示或建議、把征詢意見轉換為可執行的內部形式、加入知識庫、評價。

2.3.2機器學習的主要策略---2.指導式學習43第43頁，共82頁，2023年，2月20日，星期一

簡單征詢：指導者給出一般性的意見，系統將其具體化。

復雜征詢：系統不僅要求指導者給出一般性的建議，而且還要具體地鑒別知識庫中可能存在的問題，并給出修改意見。

被動征詢：系統只是被動地等待指導者提供意見。

主動征詢：系統不只是被動地接受指示，而且還能主動地提出詢問，把指導者的注意力集中在特定的問題上。1.征詢指導者的指示或建議

2.3.2機器學習的主要策略---2.指導式學習44第44頁，共82頁，2023年，2月20日，星期一

學習系統應具有把用約定形式表示的征詢意見轉化為計算機內部可執行形式的能力，并且能在轉化過程中進行語法檢查及適當的語義分析。2.把征詢意見轉換為可執行的內部形式

在加入過程中要對知識進行一致性檢查，以防止出現矛盾、冗余、環路等問題。3.加入知識庫

評價方法：對新知識進行經驗測試，即執行一些標準例子，然后檢查執行情況是否與已知情況一致。

4.評價2.3.2機器學習的主要策略---2.指導式學習第45頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識的獲取歸納學習第46頁，共82頁，2023年，2月20日，星期一應用歸納方法所進行的推理，即從足夠多的事例中歸納出一般性的知識。它是一種從個別到一般、從部分到整體的推理。歸納出的結論不能絕對保證它的正確性，只能以某種程度相信它為真。

例如，由“麻雀會飛”、“鴿子會飛”、“燕子會飛”……歸納出“有翅膀的動物會飛”、“長羽毛的動物會飛”等結論。

2.3.2機器學習的主要策略---3.歸納學習歸納推理第47頁，共82頁，2023年，2月20日，星期一

從個別事例歸納出一般性知識的方法：設：某類事物A中的具體事物。已知都有屬性P，并且沒有發現反例。當n足夠大時，可得出：“A中所有事物都有屬性P”。

1.枚舉歸納

2.3.2機器學習的主要策略---3.歸納學習歸納推理第48頁，共82頁，2023年，2月20日，星期一

例如，設有如下已知事例：

張三是足球運動員，他的體格健壯。李四是足球運動員，他的體格健壯。

…………

劉六是足球運動員，他的體格健壯。

事例足夠多時，可歸納出一般性知識：

凡是足球運動員，他的體格一定健壯。1.枚舉歸納

(0.9)2.3.2機器學習的主要策略---3.歸納學習歸納推理第49頁，共82頁，2023年，2月20日，星期一

已知兩個事物a與b有n個屬性相似或相同，即：

a具有屬性P1，b也具有屬性P1。

a具有屬性P2，b也具有屬性P2。

…………

a具有屬性Pn，b也具有屬性Pn。且a具有屬性Pn+1

，則當n足夠大時，可歸納出

b也具有屬性Pn+1。

2.聯想歸納2.3.2機器學習的主要策略---3.歸納學習歸納推理第50頁，共82頁，2023年，2月20日，星期一

設：且則當A與B中有新元素出現時（設A中的及B中的），若已知有屬性，就可得出有屬性，即3.類比歸納2.3.2機器學習的主要策略---3.歸納學習歸納推理第51頁，共82頁，2023年，2月20日，星期一

一般模式：（1）若H

為真時，則H→E必為真或以置信度cf1成立。（2）觀察到E成立或以置信度cf2成立。（3）則H以某種置信度(cf)成立。4.逆推理歸納

用公式表示：2.3.2機器學習的主要策略---3.歸納學習歸納推理第52頁，共82頁，2023年，2月20日，星期一

cf的計算方法：4.逆推理歸納（續）2.3.2機器學習的主要策略---3.歸納學習歸納推理第53頁，共82頁，2023年，2月20日，星期一5.消除歸納

消除歸納：通過不斷否定原先的假設來得出結論。已知：結論：2.3.2機器學習的主要策略---3.歸納學習歸納推理第54頁，共82頁，2023年，2月20日，星期一演繹推理歸納推理

從一般到個別

從個別到一般

必然性推理

或然性推理

結論不會超出前提所斷定的范圍不能獲取新知識

結論適用于更大的范圍可獲取新知識2.3.2機器學習的主要策略---3.歸納學習歸納推理第55頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識的獲取歸納學習示例學習第56頁，共82頁，2023年，2月20日，星期一通過從環境中取得若干與某概念有關的例子，經歸納得出一般性概念的一種學習方法示例學習中，外部環境（教師）提供一組例子（正例和反例），然后從這些特殊知識中歸納出適用于更大范圍的一般性知識，它將覆蓋所有的正例并排除所有反例。。驗證形成知識解釋搜索知識庫示例空間2.3.2機器學習的主要策略---3.1示例學習1.示例學習的基本概念第57頁，共82頁，2023年，2月20日，星期一示例學習中有兩個重要的概念：例子空間和規則空間。例子空間就是向系統提供的訓練例子集合，如教系統識別狗時提供的狗、其它動物和物品。規則空間是事物所具有的某種規律，例如“狗有四條腿”、“狗有兩只眼睛”、“狗有一條尾巴”等2.3.2機器學習的主要策略---3.1示例學習1.示例學習的基本概念第58頁，共82頁，2023年，2月20日，星期一示例學習的兩個空間模型2.3.2機器學習的主要策略---3.1示例學習1.示例學習的基本概念第59頁，共82頁，2023年，2月20日，星期一2.形成知識的方法（1）變量代換常量

例如，假設有兩個關于撲克牌“同花”概念的示例。示例1：示例2：

可得到一條一般性的知識：規則1：2.3.2機器學習的主要策略---3.1示例學習第60頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（2）舍棄條件

例如示例：

可得到一條一般性的知識：規則1：2.3.2機器學習的主要策略---3.1示例學習第61頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（3）增加操作(a)

前件析取法例如關于“臉牌”示例：

得到知識：2.3.2機器學習的主要策略---3.1示例學習第62頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（3）增加操作(b)

內部析取法例如示例：

得到知識：2.3.2機器學習的主要策略---3.1示例學習第63頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（4）合取變析取

例如：“男同學與女同學可以組成一個班”。歸納：“男同學或女同學可以組成一個班”。

2.3.2機器學習的主要策略---3.1示例學習第64頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（5）歸結歸納

例如：得到：2.3.2機器學習的主要策略---3.1示例學習第65頁，共82頁，2023年，2月20日，星期一

2.形成知識的方法（6）曲線擬合

設在示例空間提供了一批如下形式的示例：(x,y,z)示例1：(1,0,10)示例2：(2,1,18)示例3：(-1,-2,-6)應用曲線擬合法得到：z=2x+6y+82.3.2機器學習的主要策略2.3.2機器學習的主要策略---3.1示例學習第66頁，共82頁，2023年，2月20日，星期一示例學習舉例：示例學習不僅可以學習概念,也可獲得規則。因此,示例學習又可以看作是實例空間和規則空間相互作用的過程。例如，給出肺炎與肺結核兩種病的一些病例,構成實例空間。每個病例都含有五種癥狀:發燒(無、低、高),咳嗽(輕度、中度、劇烈),X光所見陰影(點狀、索條狀、片狀、空洞),血沉(正常、快),聽診(正常、干鳴音、水泡音)。2.3.2機器學習的主要策略2.3.2機器學習的主要策略---3.1示例學習第67頁，共82頁，2023年，2月20日，星期一示例學習舉例：肺炎和肺結核的部分病例集見下表。

癥狀病例號

發燒咳嗽X光所見血沉聽診肺結核12345無高低無低輕微劇烈輕微輕微中度索條狀空洞索條狀點狀片狀正常快正常快快正常干鳴音正常干鳴音正常肺炎12345高中度低高中度劇烈劇烈輕微中度輕微片狀片狀點狀片狀片狀正常正常正常正常正常水泡音水泡音干鳴音水泡音水泡音2.3.2機器學習的主要策略---3.1示例學習第68頁，共82頁，2023年，2月20日，星期一示例歸納學習舉例：通過上述示例學習得到如下診斷規則：⑴血沉=正常∧(聽診=干鳴音∨水泡音)→診斷=肺炎⑵血沉=快→診斷=肺結核于是從病例中歸納，產生了診斷規則。即實現了實例空間到規則空間的作用過程。2.3.2機器學習的主要策略---3.1示例學習第69頁，共82頁，2023年，2月20日，星期一2.3.1機器學習概述2.3.2機器學習的主要策略機械學習指導式學習2.3知識的獲取歸納學習示例學習觀察與發現學習第70頁，共82頁，2023年，2月20日，星期一Learningfromobservationanddiscovery機器發現從觀察的事例或經驗數據中歸納出規律或規則。

正確結論

直覺

分析/綜合

類比

外界現象

聯想

歸納形成假設驗證/證明

差異反饋2.3.2機器學習的主要策略---3.2觀察與發現學習第71頁，共82頁，2023年，2月20日，星期一2.3.2機器學習的主要策略---3.2觀察與發現學習概念聚類的基本思想:把事例按一定的方式和準則進行分組，如劃分為不同的類，不同的層次等，使不同的組代表不同的概念，并且對每一個組進行特征概括，得到一個概念的語義符號描述。概念聚類概念聚類：1980年,米卡爾斯基（R.S.Michalski）第72頁，共82頁，2023年，2月20日，星期一

例如對如下事例：喜鵲、麻雀、布谷鳥、烏鴉、雞、鴨、鵝，…

分為兩類：鳥={喜鵲，麻雀，布谷鳥，烏鴉，…}

家禽={雞、鴨、鵝，…}

得知：“鳥有羽毛、有翅膀、會飛、會叫、野生”。“家禽有羽毛、有翅膀、會飛、會叫、家養”。2.3.2機器學習的主要策略---3.2觀察與發現學習概念聚類第73頁，共82頁，2023年，2月20日，星期一知識發現就是從大量數據中提取可信的、新穎的、有用的并能被人理解的信息，經過驗證、完善后形成知識。知識發現的一般過程下圖所示。數據目標數據預處理數據

變換數據模式知識選擇

預處理

變換

數據挖掘

解釋評價

2.3.2機器學習的主要策略---3.2觀察與發現學習知識發現第74頁，共82頁，2023年，2月20日，星期一知識發現的提出：1989年8月，在美國底特律召開的第11屆國際AI會議專題討論會上，知識發現概念被首次提出。而數據挖掘概念，又稱數據開采或數據采掘，于1995年在加拿大召開的第一屆KDD和DM國際學術會議上被提出。知識發現和數據挖掘是人工智能、機器學習與數據庫技術相結合的產物，它是在計算機科學技術的高速發展及其需求的驅動下發展起來的一門新的技術。目前，