机器学习理论概观

机器学习的摸底就是将数据库和信息系统中的信息自动提炼并转换成只是，然后自动地加入知识库中。即机器学习的目的是自动获取知识。

机器学习的一般过程是建立理论、形成假设、归纳推理。

学习过程总是与两个因素相关：1.环境 2.知识库

在机器学习中，学习环节的任务就是解决环境提供的信息水平和实际应用中所需的信息水平之间的差距问题。

机器学习两种研究方法：1.辨识或参数估计或建模 2.以Rosenblatt的感知机为代表的研究。

以统计为基础的机器学习------>>>以符号运算为基础的机器学习

常用的机器学习方法：规则归纳、决策树、案例推理、贝叶斯信念网络、科学发现、遗传算法等。

神经网络是一种新的计算模型，它以模仿人脑神经网络系统的结构和某些工作几只而建立一种计算模型。其特点是：利用大量的简单计算单元连成网络，实现大规模并行计算。

神经网络的工作机理是：通过学习，改变神经元之间的联结强度。

神经网络（即人工神经网络）是由大量的简单处理单元（即神经元）所构成的非线性动力系统。

神经网络的学习算法可分为教师学习和无教师学习。

有教师学习可以让网络记忆若干特定的模式，一旦向网络输入有关模式的某些必要信息时，这些模式就会被回忆起来。如Hopfield网络。

无教师学习的典型例子是竞争学习，其基本思想是：给系统提供动态的输入信息流，使得各个单元成为具有不同输入特性的特征检测器，搓耳将时间空间分为多个有用的区域。