机器学习：多领域交叉学科，实现人类学习行为的关键

hua818

摘自MBA智库百科（）

机器学习 ( )

目录

[编辑]

什么是机器学习

机器学习是一门多领域的交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂性理论等学科。专门研究计算机如何模拟或实现人类的学习行为来获取新的知识或技能，并重组现有的知识结构以不断提高其性能。它是人工智能的核心，是计算机智能化的根本途径。其应用遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。一个特别典型的问题是专家系统知识获取的瓶颈问题，人们一直试图利用机器学习方法来克服这一瓶颈。

学习能力是智能行为的一个非常重要的特征，但学习的机制仍不清楚。人们给出了机器学习的各种定义。 认为，学习是系统做出的适应性变化，使系统在下次完成相同或相似任务时更加有效。 Rs认为学习是对所经历事物的表征的构建或修改。从事专家系统开发的人们认为，学习就是获取知识。这些观点各有其侧重点。第一种观点强调学习的外部行为效应，第二种观点强调学习的内部过程，第三种主要是从知识工程的实践角度出发。

机器学习在人工智能的研究中发挥着非常重要的作用。没有学习能力的智能系统不能称为真正的智能系统，而以往的智能系统普遍缺乏学习能力。例如，遇到错误时无法自我纠正；他们不会通过经验来提高绩效；他们不会自动获取和发现他们需要的知识。他们的推理仅限于演绎，缺乏归纳，因此最多只能证明已有的事实和定理，而无法发现新的定理、规律和规则。随着人工智能的进一步发展，这些局限性日益凸显。正是在这种情况下，机器学习逐渐成为人工智能研究的核心之一。其应用遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。一个特别典型的问题是专家系统知识获取的瓶颈问题，人们一直试图利用机器学习方法来克服这一瓶颈。

[编辑]

机器学习研究与开发

机器学习的研究基于生理学、认知科学等对人类学习机制的理解，建立人类学习过程的计算模型或认知模型，发展各种学习理论和学习方法，研究通用学习算法并进行理论研究。分析，建立具有具体应用的任务导向学习系统。这些研究目标相互影响、相互促进。

自1980年第一届机器学习研讨会在卡内基梅隆大学召开以来，机器学习研究迅速发展，已成为中心议题之一。随着机器学习的蓬勃发展，人们在工作中积累了大量的数据集或者非常大的数据集用于测试算法。在此基础上，机器学习工作者可以进行更精准的研究，比如每年的Malr奖：相对属性数据； AOL-用户-ct-数据集；  图像特征数据集（UCI）；植被类型数据集（UCI）等

学习是人类重要的智能行为，但学习到底是什么长期以来一直存在争议。社会学家、逻辑学家、心理学家都有不同的观点。

例如，(1996)将机器学习定义为“机器学习是人工智能的科学。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提高特定算法的性能”。 （是其中的一个。该领域的主要研究是，他们的与。'）

Tom's   (1997) 对信息论中的一些概念有详细的解释。在定义机器学习时，提到“机器学习是对能够通过经验自动改进的计算机算法的研究”。 （就是对此的研究。）

(2004)还提出了自己对机器学习的定义，“机器学习是利用数据或过去的经验来优化计算机程序的性能标准”。 （针对正在使用的数据或过去。）

尽管如此，为了便于讨论和评估学科进展，有必要给机器学习下一个定义，即使这个定义是不完整和不充分的。顾名思义，机器学习是一门研究如何利用机器来模拟人类学习活动的学科。稍微严格一点的表述是：机器学习是机器获取新知识和技能以及识别现有知识的研究。这里所说的“机器”是指计算机、电子计算机、中子计算机、光子计算机或神经计算机等。

机器能像人类一样学习吗？ 1959年，美国的塞缪尔（）设计了一个下棋程序。该程序具有学习能力，可以通过不断的对弈来提高自己的棋艺。四年后，该程序击败了设计师本人。又过了三年，这个程序击败了一位八年不败的美国冠军。该计划向人们展示了机器学习的力量，并提出了许多发人深省的社会和哲学问题。

机器的能力是否能够超越人类，许多持否定意见的人的主要论点之一是，机器是人造的，它们的性能和动作完全是由设计者指定的，所以无论如何，它们的能力不会超过设计师本人。 。这个观点对于不具备学习能力的机器来说确实是正确的，但对于具备学习能力的机器来说就值得考虑，因为这样的机器的能力在应用中不断提高。一段时间过去了，设计者自己也不知道它的能力是什么水平。

机器学习是人工智能研究的一个相对年轻的分支，其发展过程大致可分为四个时期。

第一阶段是20世纪50年代中期到60年代中期，这是一个热潮时期。

第二阶段是20世纪60年代中期到1970年代中期，称为机器学习的平静期。

第三阶段是20世纪70年代中期到80年代中期，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有以下几个方面：

（1）机器学习成为一门新的边缘学科，在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学，形成机器学习的理论基础。

(2)结合多种学习方法、取长补短的多种形式的集成学习系统的研究不断涌现。尤其是连接学习和符号学习的耦合受到关注，因为它可以更好地解决连续信号处理中知识和技能的获取和精炼。

(3)关于机器学习和人工智能的各种基本问题的统一观点正在形成。例如，学习与解决问题相结合、知识表达促进学习的观点催生了通用智能系统SOAR的分块学习。类比学习与问题解决相结合的基于案例的方法已成为体验式学习的重要方向。

(4)各种学习方法的应用范围不断扩大，有的已经成为商业产品。基于归纳学习的知识获取工具已广泛应用于诊断分类专家系统中。连接学习在音频、图像和文本识别方面具有优势。分析学习已被用来设计综合专家系统。遗传算法和强化学习在工程控制中具有良好的应用前景。神经网络连接学习与符号系统相结合，将在企业的智能管理和智能机器人的运动规划中发挥作用。

（五）机器学习相关学术活动空前活跃。国际上除了每年一度的机器学习研讨会外，还有计算机学习理论会议和遗传算法会议。

从 ””