基于解释的学习

8wenku.baidu.com7 学习方法的比较和展望
• 各种学习方法的比较 • 机械学习的展望
学习方法的比较
从下面四个方面进行比较：
• 1）以推理能力从低到高的顺序是： 机械式学习 指导式学习 解释学习 类比学习 示例学习 观察与发现学习 • 2）从对领域理论的要求来看： 示例学习及观察与发现学习：要求环境提供多个实例， 对领域理论要求较少 解释学习：要求一个实例，提供完善的领域知识。
领域知识的完善性
• 只有完善的领域知识才能产生正确的学习 描述，但是不完善难以避免，此时会出现 两种极端情况：
1、构造不出解释（原因：缺少相关领域知识或领 域知识中包含了矛盾） 2、构造出多种解释（原因：领域知识不健全）
另外，学习系统也应具有测试和修正不 完善知识的能力，是问题能尽早被发现， 尽快被修正。
• 从需要提供实例这点来看，基于解释学习似乎 与示例学习类似，但是不同，主要区别如下：
示例学习 输入实例 一组 基于解释学习 一个 演绎，需提供完善的领域 知识 技能提高，将非操作性转 为可操作的形式化知识
学习方法 归纳，不需提供领域知 识 侧重点 概念的获取，即知识的 增加
基于解释的学习过程
• 分两步： • 1、构造解释
• 3）从适用领域来看： 连接学习对模拟人类较低级的神经活动 （如连续发音的语音识别等）比较有效 符号学习对模拟人类的高级思维活动更见 长。 • 4）从知识获取角度看： 示例学习、观察与发现学习通过学习可产 生新概念描述，可用于专家系统的知识获取。 解释学习目标是改善系统的效率。 指道式学习多用作为专家系统的知识获取 工具。
8.6基于解释的学习
• 基于解释学习的概念 • 基于解释学习的学习过程 • 领域知识的完善性
基于解释学习的概念
• 基于解释的学习与前面讨论的归纳学习 及类比学习不同，它不是通过归纳或类 比学习的，而是通过运用相关的领域知 识及一个训练实例来对某一目标概念进 行学习，并最终生成这个目标概念的一 般描述的，该一般描述是一个可形式化 表示的一般性知识。
• 米切尔用如下的框架给出了它的一般性描述： 给定： 领域知识DT 目标概念TC 训练实例TE 操作性准则OC 找出: 满足OC的关于TC的充分条件 由此描述可看出，基于解释的学习中，为了对某 一目标概念进行学习，从而得到相应的知识，必须提 供完善的领域知识及能说明目标概念的一个训练实例。 系统进行学习时，首先利用领域知识DT找出训练实例 TE为什么是目标概念的证明（解释），然后根据操作 性准则OC对证明进行推广，从而得到目标概念TC的 一个一般性描述，即一个可供以后使用的形式化表示 的一般性知识。
证明提供系统的训练实例为什么是满足目标概念的 一个实例。证明过程是通过运用领域知识进行演绎实 现的，证明的结果是得到一个解释结构。
• 2、获取一般性的知识
对上一步得到的解释结构进行一般化处理，从而 得到关于目标概念的一般性知识。处理的方法通常是 把常量换为变量，并把某些不重要的信息去掉，只保 留那些对以后求解问题所必须的关键信息。
机器学习的展望
• 从目前研究趋势估计今后研究工作： 1、人类学习机制的研究。 2、发展和完善现有的学习方法，并开展 新的学习方法研究。 3、建立使用的学习系统，特别是多种学 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。
谢 谢