人工智能机器学习的四个阶段

第一阶段是在20世纪50年代中期到60年代中期,属于热烈时期。在这个时期,所研究的是“没有知识”的学习,即“无知”学习;其研究目标是各类自组织系统和自适应系统;其主要研究方法是不断修改系统的控制参数以改进系统的执行能力,不涉及与具体任务有关的知识。指导本阶段研究的理论基础是早在20世纪40年代就开始研究的神经网络模型。

随着电子计算机的产生和发展,机器学习的实现才成为可能。这个阶段的研究导致了模式识别这门新科学的诞生,同时形成了机器学习的两种重要方法,即判别函数法和进化学习。塞缪尔的下棋程序就是使用判别函数法的典型例子。不过,这种脱离知识的感知型学习系统具有很大的局限性。无论是神经模型、进化学习或是判别函数法,所取得的学习结果都很有限,远不能满足人们对机器学习系统的期望。

第二阶段在20世纪60年代中期至70年代中期,称为机器学习的冷静时期。本阶段的研究目标是模拟人类的概念学习过程,并采用逻辑结构或者图结构作为机器内部描述。机器能够采用符号来描述概念(符号概念获取),并提出关于学习概念的各种假设。

本阶段的代表性工作有温斯顿(Winston)的结构学习系统和海斯罗思(Hayes Roth)等的基于亚辑的归纳学习系统。虽然这类学习系统取得较大的成功,但只能学习单一概念,而且未能投人实际应用。此外,神经网络学习因为理论缺陷未能达到预期效果,机器学习的研究转入低潮。

第三阶段从20世纪70年代中期至80年代中期,称为复兴时期,在这个时期,人们从学习单个概念扩展到学习多个概念,探索不同的学习策略和各种学习方法。机器的学习过程一般都建立在大规模的知识库上,实现知识强化学习。龙其令人鼓舞的是,本阶段已开始把学习系统与各种应用结合起来,并取得很大的成功,促进了机器学习的发展。

在出现第一个专家学习系统之后,示例归约学习系统成为研究主流,自动知识获取成为机器学习的应用研究目标。1980年,在美国卡内基梅隆大学(CMU)召开了第一届机器学习国际研讨会,标志着机器学习研究已在全世界兴起。此后,机器归纳学习进人应用,1988年,国际杂志《机器学习》(Machine Learning)创刊,迎来了机器学习蓬勃发展的新时期。

机器学习的最新阶段始于1986年,一方面,由于神经网络研究的重新兴起,对连接机制(connectionism)学习方法的研究方兴未艾,机器学习的研究已在全世界范围内出现新的高潮,对机器学习的基本理论和综合系统的研究得到加强和发展。

另一方面,实验研究和应用研究得到前所未有的重视。人工智能技术和计算机技术快速发展,为机器学习提供了新的更强有力的研究手段和环境。具体地说,在这一时期符号学习由“无知”学习转向有专门领域知识的增长型学习,因面出现了有一定知识背景的分析学习,神经网络由于隐节点和反向传播算法桂林民商诉讼的进展,使连接机制学习东山再起,向传统的得号学习发起挑战,基于生物发有进化论的进化学习系统和遗传算法,因吸取了归纳学习与连接机制学习的长处面受到重视。

基于行为主义(actionism)的增强(reinforcement)学习系统因发展新算法和应用连接机制学习遗传算法的新成就而显示出新的生命力,1989年瓦特金(Watkins)提出Q-学习,促进了增强学习的深入研究。

(1)机器学习已成为新的边缘学科并在高校形成一门课程。它合应用心理学,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。

(3)机器学习与人工智能各种基础问题的统一性观点正在形成,例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。

(4)各种学习方法的应用范围不断扩大,一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。

(5)数据挖掘和知识发现的研究已形成热潮,并在生物医学、金融管理、商业销售等领域得到成功应用,给机器学习注入新的活力。

(6)与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外,还有计算机学习理论会议以及遗传算法会议。

Back to Top
风格切换
颜色选择