Notion 博客 一个NotionNext搭建的博客
数据库系统概论
大数据原理与应用
javaWeb应用开发基础教程
python
毕业设计
大数据技术综合应用
实训-航空数据系统
java面向对象程序设计
数据结构
算法分析与设计
SPARK
Python爬虫大数据采集与挖掘
云计算
概率论与数理统计
数字逻辑
计算机网络
计算机组成原理
linux
操作系统
人工智能导论
数据仓库与数据挖掘
数据可视化
大数据安全与隐私保护
c语言
C++
[第七章]专家系统与机器学习
产生和发展
概念
人工智能的计算程序，运用知识和推理来解决只有专家才能解决的问题
特点
- 具有专家水平的知识
- 能进行有效的推理
- 启发性
- 灵活性
- 透明性
- 交互性
类型
- 解释型
- 诊断型
- 预测型
- 设计型
- 规划型
- 控制型
- 监督型
- 修理型
- 教学型
- 调试型
应用
工作原理
一般结构
人机接口、推理机、知识库、数据库、知识库获取机构、解释机构
知识库
存放领域专家提供的有关问题求解的专门知识
- 表示方法的选择
- 知识库的管理
推理机
模拟领域专家的思维过程，控制并执行对问题的求解
综合数据库
动态数据库、黑板。存放事实、问题描述及系统运行过程中得到的结果、最终结果等信息
知识获取结构
把知识转换为计算机可存储的内部形式，然后存入知识库
人机接口
专家系统与领域专家、知识工程师、一般用户的交互界面，由一组程序及相应的硬件组成，用于完成输入输出工作
解释机构
回答用户问题，解释推理过程
知识获取主要过程和模式
获取过程
- 抽取知识
把蕴含于知识源中的知识经识别、理解、筛选、归纳等收取出来，以便用于建立知识库
- 知识的转换
把获取的知识转换成计算机能识别运行的知识
- 知识的输入
编辑、编译送入知识库
- 知识的检测
纠正不一致、不完整问题
知识获取的模式
- 非自动知识获取（人工移植）
- 自动知识获取
- 半自动知识获取
机器学习
模拟人的学习行为，自动学习来获取知识、技能，自我完善
从计算机中获取数据，根据模型预测
- 学习机理：人类获取知识的天赋
- 学习方法：对生物学习机理的简化和计算机实现
- 学习系统
一个学习系统应该由环境、学习、知识库、执行与评价四部分组成
分类
按系统的学习能力分类
- 有监督学习
- 分类 discrete
- 回归 continuous
- 无监督学习
- 自监督学习
- 弱监督学习
按学习方法的分类
- 机械式学习
- 指导式学习
- 示例式学习
- 类比式学习
- 解释学习
按推理方式分类
- 基于演绎的学习
- 基于归纳的学习
按综合属性分类
- 归纳学习
- 分析学习
- 连接学习
- 遗传算法
- 分类器系统
其他类型
- k-NN
- 给定一个标签后看邻居是什么样的类别、数据是什么类别
- 简单有效
- 没有建模过程
- 属于非线性分类器
- 标记样本数量很大处理对象维度很高时，计算复杂度很大
- 决策树
- support vector machin
- 给定一个数据选择一个分裂界面
- non-linear svm
- 原型聚类
- 谱聚类
- 密度聚类
- 模糊积累
- 层次聚类
- 主成分分析
- 学习范式分类
- 集成学习
- 深度学习
- 半监督学习
- 代价敏感学习
- 类别不平衡学习
- 多标记学习
- 多实例学习
- 推理方式分类
- 综合属性分类
（弱）/（无）监督学习
监督学习
根据“教师”提供的正确响应调整学习系统的参数和结构
- 归纳学习
- 示例学习
- 支持向量机
- BP学习
- 数据标注需要很高的成本，很多任务重很难获取全部真值标签信息
无监督学习
按照提供的数据的某些统计规律调节自身的参数或者结构（自组织），以表示出外部输入的某种固有特性
- 聚类学习
- 自组织神经网络
- 自编码器
弱监督学习
允许标签不完全
- 半监督学习
- 最大化标签数据作用并找出无标签数据规律
- 迁移学习
- 侧重于将已经学习过的知识迁移运用到新的问题中（举一反三）
- 样本迁移：相似数据赋予更高权重
- 特征迁移：通过特征变换将源域和目标域的特征映射到一个特征空间中，适用性广，但难以求解
- 模型迁移
- 强化学习
- 对系统结果只给出评价信息（奖励或惩罚），而不是正确答案，系统会根据评价改善自身
机械式学习
指导式学习
示例学习
深度学习
Prev
[第六章]智能计算及其应用
Next
[第八章]人工神经网络与深度学习
Loading...