联系我们: 发送邮件站内短信
看小说百度搜索: 伤城文章网
伤城文章网> 都市言情> 超级兵王混都市> 第4044章 隐藏的杀意

原标题:机器学习案例 | 通过EBG学习概念cup

基于解释的学习(explanation-basedlearning)可简称为解释学习,是20世纪80年代中期开始兴起的一种机器学习方法。解释学习根据任务所在领域知识和正在学习的概念知识,对当前实例进行分析和求解,得出一个表征求解过程的因果解释树,以获取新的知识。在获取新知识的过程中,通过对属性、表征现象和内在关系等进行解释而学习到新的知识。

01

解释学习过程和算法

解释学习一般包括下列3个步骤。

(1) 利用基于解释的方法对训练实例进行分析与解释,以说明它是目标概念的一个实例。

(2) 对实例的结构进行概括性解释,建立该训练实例的一个解释结构,以满足所学概 念的定义;解释结构的各个叶子结点应符合可操作性准则,且使这种解释比最初的例子适用于更大的一类例子。

解释学习是把现有的不能用或不实用的知识转化为可用的形式,因此必须了解目标概念的初始描述。

1986年,Mitchell等人为基于解释的学习提出了基于解释的概括 (Explanation-BasedGeneralization,EBG)算法,该算法建立了基于解释的概括过程,并运用知识的逻辑表示和演绎推理进行问题求解。

EBG 过程如图7-10所示,其求解问题的形式可描述如下。

图7-10 EBG过程

给定:

(1) 目标概念(要学习的概念)(GoalConcept,TC)描述。

(2) 训练实例(目标概念的一个实)(TrainingExample,TE)。

(3) 领域知识(由一组规则和事实组成的用于解释训练实例的知识库)(Domain Theory,DT)。

(4) 可操作性准则 (说明概念描述应具有的形式化谓词公式)(Operationality Criterion,OC)

求解:

训练实例的一般化概括,使之满足:

(1) 目标概念的充分概括描述 TC。

(2) 可操作性准则 OC。

其中,领域知识(DT)是相关领域的事实和规则,在学习系统中作为背景知识,用于证明训练实例(TE)为什么可以作为目标概念的一个实例,从而形成相应的解释。

TE 是为学习系统提供的一个例子,在学习过程中起着重要的作用,它应能充分地说明 TC。

操作准则 (OC)用于指导学习系统对目标概念进行取舍,使得通过学习产生的关于 TC的一般性描述成为可用的一般性知识。

从上述描述中可以看出,在解释学习中,为了对某一目标概念进行学习,从而得到相 应的知识,必须为学习系统提供完善的领域知识以及能够说明目标概念的一个训练实例。

在系统进行学习时,首先运用 DT 找出 TE为什么是 TC之实例的证明(即解释),然后根据 OC对证明进行推广。从而得到关于 TC的一般性描述。即可供以后使用的形式化表示的一般性知识。

可把 EBG 算法分为解释和概括两步。

(1) 解释,即根据领域知识建立一个解释,以证明训练实例如何满足目标概念定义。目标概念的初始描述通常是不可操作的。

(2) 概括,即对第(1)步的证明树进行处理,对目标概念进行回归,包括用变量代替常量以及必要的新项合成等工作,从而得到所期望的概念描述。

由上可知,解释工作是将实例的相关属性与无关属性分离开;概括工作则是分析解释结果。

02

案例:通过EBG学习概念cup

下面以学习概念cup(杯子)为例说明 EBG(基于解释的概括方法)的学习过程。

(1) 目标概念:cup。

(2) 高级描述:cup(x)。

(3) 领域知识:

stable(x)∧liftable(x)∧drinkfrom(x)→cup(x)

has(x,y)∧concavity(y)∧upward-pointing(y)→drinkfrom(x)

bottom(x,y)∧flat(y)→stable(x) light-weight(x)∧graspable(x)→liftable(x)

small(x)∧madefrom(x,plastic)→light-weight(x) has(x,y)∧handle(y)→graspable(x)

(部分中文解释:stable稳定的;liftable 便于拿起;drinkfrom 可用来喝饮料;concavity凹空;upward-pointing 向上指示;bottom 底;flat平坦的;light-weight轻质;graspable可握住;plastic塑胶。)

(4) 训练例子:

small(obj),madefrom(obj,plastic),has(obj,part 1 ),handle(part 1 ),has(obj,part 2 ),concavity(part 2 ),upward-pointing(part 2 ),bottom(obj,b),flat(b)。

利用以上规则和事实,以cup(obj)为目标逆向推理,可以构造如图7-11(a)所示的解释结构,其叶子结点满足可操作性准则。

对解释进行概括,变常量为变量,便得到概括后的解释结构。

将此结构中的所有叶子结点作合取,就得到目标概念应满足的一般性的充分条件,以产生式规则形式表示为

IF small(V 3 )∧made-from(V 3 ,plastic)∧

has(V 3 ,V 10 )∧handle(V 10 )∧has(V 3 ,V 25 ) ∧

concavity(V 25 )∧upward-pointing(V 25 )∧

bottom(V 3 ,V 37 )∧flat(V 37 )

THEN cup(V 3 )……(图7-11(b))

学到这条规则就是 EBG 的目的。

(a)解释结构

(b)形成规则

图7-11 EBG的学习过程

03

参考书籍

人工智能(第3版)》

作者:贲可荣、张彦铎

定价:79.90元

“十二五”普通高等教育本科国家级规划教材

高等学校计算机教育规划教材

内容简介

人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论,进而设计可以展现某些近似于人类智能行为的计算系统。本书介绍人工智能的理论、方法和技术及其应用,除了讨论那些仍然有用的和有效的基本原理和方法之外,着重阐述一些新的和正在研究的人工智能方法与技术,特别是近期发展起来的方法和技术。此外,用比较多的篇幅论述人工智能的应用,包括互联网智能等新增内容。

本书包括下列内容:

简述人工智能的起源与发展,讨论人工智能的定义、人工智能与计算机的关系以及人工智能的研究和应用领域;

论述知识表示、推理和不确定推理的主要方法,包括谓词逻辑、产生式系统、语义网络、框架、脚本、知识图谱、归结推理、非单调推理、主观Bayes方法、确定性理论、证据理论、模糊逻辑和模糊推理等;

讨论常用搜索原理,如盲目搜索、启发式搜索、min-max搜索、-剪枝和约束满足等;并研究一些比较高级的搜索技术,如贪婪局部搜索、局部剪枝搜索、模拟退火算法、遗传算法等;

介绍了分布式人工智能与Agent、计算智能、反向传播神经网络、深度学习、竞争网络、支持向量机等已成为当前研究热点的人工智能技术和方法;

本书适用于计算机专业大学高年级和非计算机专业研究生人工智能的教材,也可作为希望深入学习人工智能的科技人员的参考书。

作者简介

贲可荣,海军工程大学教授、博士生导师,中国计算机学会理论计算机科学专委副主任、软件工程专委委员,担任军队人工智能专业组专家。硕士、博士先后师从南京大学莫绍揆先生、国防科技大学陈火旺先生,打下了扎实的理论基础。《计算机科学与探索》执行编委,《海军新军事变革丛书》编委会常务副主任、《人工智能应用丛书》编委会执行副主任。评为教育部骨干教师、首届湖北省优秀研究生导师、海军名师工作室领衔名师、第三届大学教学名师,获军队院校育才奖金奖。

张彦铎,教授,博士生导师,国务院政府特殊津贴获得者。现任武汉工程大学党委常委、副校长,智能机器人湖北省重点实验室主任,国家一流本科专业建设点“智能科学与技术”专业负责人,湖北优秀教学团队“新一代人工智能新工科教学团队”负责人。获全国优秀教育工作者、湖北省师德标兵/优秀共产党员/十大杰出青年等荣誉称号。

本书特色

根据作者近30年人工智能科研与教学经验,边教学边构思;分析国内外知名大学人工智能精品教材及课程教学安排,研究课程体系、教学方法和教材体系建设。

在教学研究的基础上,力求形成“以不变的基本理论与方法为主体,充分反映人工智能技术发展水平,以培养学生具备继续学习能力为目标”的编写思路;在写作上力求做到用作者自己对问题理解的语言进行描述,便于学生的学习和理解;教材定位注意适应国内多数普通高校的实际教学需要。

目录

向上滑动阅览

第1章 绪论

1.1 人工智能的定义与概况

1.2 人类智能与人工智能

1.2.1 智能信息处理系统的假设

1.2.2 人类智能的计算机模拟

1.2.3 弱人工智能和强人工智能

1.3 人工智能各学派的认知观

1.4 人工智能的研究与应用领域

1.4.1 智能感知

1.4.2 智能推理

1.4.3 智能学习

1.4.4 智能行动

1.5 人工智能发展展望

1.5.1 新一轮人工智能发展特征

1.5.2 未来40年的人工智能问题

1.5.3 人工智能鲁棒性和伦理

1.5.4 新一代人工智能发展规划

习题

第2章 知识表示和推理

2.1 概述

2.1.1 知识和知识表示

2.1.2 知识-策略-智能

2.1.3 人工智能对知识表示方法的要求

2.1.4 知识的分类

2.1.5 知识表示语言问题

2.1.6 现代逻辑学的基本研究方法

2.2 命题逻辑

2.2.1 语法

2.2.2 语义

2.2.3 命题演算形式系统PC

2.3 谓词逻辑

2.3.1 语法

2.3.2 语义

2.3.3 谓词逻辑形式系统FC

2.3.4 一阶谓词逻辑的应用

2.4 归结推理

2.4.1 命题演算中的归结推理

2.4.2 谓词演算中的归结推理

2.4.3 谓词演算归结反演的合理性和完备性

2.4.4 案例:一个基于逻辑的财务顾问

2.5 产生式系统

2.5.1 产生式系统的表示

2.5.2 案例:九宫图游戏

2.5.3 案例:传教士和野人问题

2.5.4 产生式系统的控制策略

2.6 语义网络

2.6.1 基本命题的语义网络表示

2.6.2 连接词在语义网络中的表示

2.6.3 语义网络的推理

2.6.4 语义网络表示的特点

2.7 框架

2.7.1 框架的构成

2.7.2 框架系统的推理

2.7.3 框架表示的特点

2.8 脚本 52

2.8.1 脚本概念

2.8.2 案例:饭店脚本

2.9 知识图谱

2.9.1 知识图谱及其表示

2.9.2 百度知识图谱技术方案

2.9.3 案例:知识图谱在互联网金融行业中的应用

2.10 基于知识的系统

2.10.1 知识获取

2.10.2 知识组织

2.10.3 知识应用

2.10.4 常识知识和大规模知识处理

2.10.5 常识推理

2.10.6 案例:知识图谱应用

2.11 小结

习题

第3章 搜索技术

3.1 概述

3.2 盲目搜索方法

3.3 启发式搜索

3.3.1 启发性信息和评估函数

3.3.2 最好优先搜索算法

3.3.3 贪婪最好优先搜索算法

3.3.4 A算法和A*算法

3.3.5 迭代加深A*算法

3.4 问题归约和AND-OR图启发式搜索

3.4.1 问题归约的描述

3.4.2 问题的AND-OR图表示

3.4.3 AO*算法

3.5 博弈

3.5.1 极大极小过程

3.5.2 -过程

3.5.3 效用值估计方法

3.6 案例分析

3.6.1 八皇后问题

3.6.2 洞穴探宝

3.6.3 五子棋

习题

第4章 高级搜索

4.1 爬山法搜索

4.2 模拟退火搜索

4.2.1 模拟退火搜索的基本思想

4.2.2 模拟退火算法

4.2.3 模拟退火算法关键参数和操作的设计

4.3 遗传算法

4.3.1 遗传算法的基本思想

4.3.2 遗传算法的基本操作

4.4 案例分析

4.4.1 爬山算法求解旅行商问题

4.4.2 模拟退火算法求解旅行商问题

4.4.3 遗传算法求解旅行商问题

习题

第5章 不确定知识表示和推理

5.1 概述

5.1.1 什么是不确定推理

5.1.2 不确定推理要解决的基本问题

5.1.3 不确定性推理方法分类

5.2 非单调逻辑

5.2.1 非单调逻辑的产生

5.2.2 缺省推理逻辑

5.2.3 非单调逻辑系统

5.2.4 非单调规则

5.2.5 案例:有经纪人的交易

5.3 主观 Bayes方法

5.3.1 全概率公式和 Bayes公式

5.3.2 主观 Bayes方法

5.4 确定性理论

5.4.1 建造医学专家系统时的问题

5.4.2 C-F模型

5.4.3 案例:帆船分类专家系统

5.5 证据理论

5.5.1 假设的不确定性

5.5.2 证据的不确定性和组合函数

5.5.3 规则的不确定性

5.5.4 不确定性的传递与组合

5.5.5 证据理论案例

5.6 模糊逻辑和模糊推理

5.6.1 模糊集合及其运算

5.6.2 模糊关系

5.6.3 语言变量

5.6.4 模糊逻辑和模糊推理

5.6.5 案例:抵押申请评估决策支持系统

5.7 小结

习题

第6章 Agent

6.1 概述

6.2 Agent及其结构

6.2.1 Agent定义

6.2.2 Agent要素及特性

6.2.3 Agent的结构特点

6.2.4 Agent的结构分类

6.3 Agent应用案例

6.4 Agent通信

6.4.1 通信方式

6.4.2 Agent通信语言ACL

6.5 协调与协作

6.5.1 引言

6.5.2 合同网

6.5.3 协作规划

6.6 移动Agent

6.6.1 移动Agent产生的背景

6.6.2 定义和系统组成

6.6.3 实现技术

6.6.4 移动Agent系统

6.6.5 移动Agent技术的应用场景

6.7 多agent系统开发框架JADE

6.7.1 程序模型

6.7.2 可重用开发包

6.7.3 开发和运行的支持工具

6.8 案例:火星探矿机器人

6.8.1 需求分析

6.8.2 设计与实现

6.9小结

习题

第7章 机器学习

7.1 机器学习概述

7.1.1 学习中的元素

7.1.2 目标函数的表示

7.1.3 学习任务的类型

7.1.4 机器学习的定义和发展史

7.1.5 机器学习的主要策略

7.1.6 机器学习系统的基本结构

7.2 基于符号的机器学习

7.2.1 归纳学习

7.2.2 决策树学习

7.2.3 基于范例的学习

7.2.4 解释学习

7.2.5 案例:通过EBG学习概念cup

7.2.6 强化学习

7.3 基于神经网络的机器学习

7.3.1 神经网络概述

7.3.2 基于反向传播网络的学习

7.3.3 案例:基于反向传播网络拟合曲线

7.3.5 深度学习

7.3.6 案例:深度学习在计算机视觉中的应用

7.3.7 竞争网络

7.3.8 案例:学习向量量化解决分类问题

7.4 基于统计的机器学习

7.4.1 支持向量机

7.4.2 案例:XOR问题

7.4.3 统计关系学习

7.5小结

习题

第8章 自然语言处理技术

8.1 自然语言理解的一般问题

8.1.1 自然语言理解的概念及意义

8.1.2 自然语言理解研究的发展

8.1.3 自然语言理解的层次

8.2 词法分析

8.2.1 案例:单词音节划分

8.3 句法分析

8.3.1 短语结构文法和 Chomsky文法体系

8.3.2 句法分析树

8.3.3 转移网络

8.4 语义分析

8.4.1 语义文法

8.4.2 格文法

8.5 大规模真实文本的处理

8.5.1 语料库语言学及其特点

8.5.2 统计学方法的应用及所面临的问题

8.5.3 汉语语料库加工的基本方法

8.5.4 语义资源建设

8.6 信息搜索

8.6.1 信息搜索概述

8.6.2 搜索引擎

8.6.3 智能搜索引擎

8.6.4 搜索引擎的发展趋势

8.7 机器翻译

8.7.1 机器翻译系统概述

8.7.2 机器翻译的基本模式和方法

8.7.3 统计机器翻译

8.7.4 利用深度学习改进统计机器翻译

8.7.5 端到端神经机器翻译

8.7.6 未来展望

8.8.1 智能语音技术概述

8.8.2 组成单词读音的基本单元

8.8.3 信号处理

8.8.5 隐马尔可夫模型

8.9 机器阅读理解

8.9.1 机器阅读理解评测数据集

8.9.2 机器阅读理解的一般方法

8.9.3 机器阅读理解研究展望

8.10 机器写作

8.10.1 机器原创稿件

8.10.2 机器二次创作

8.10.3 机器写作展望

8.11 聊天机器人

8.11.1 聊天机器人应用场景

8.11.2 聊天机器人系统的组成结构及关键技术

8.11.3 聊天机器人研究存在的挑战

8.12 小结

习题

第9章 智能规划

9.1 规划问题

9.2 状态空间搜索规划

9.3 偏序规划

9.4 命题逻辑规划

9.5 分层任务网络规划

9.6 非确定性规划

9.7 时态规划

9.8 多Agent规划

9.9 案例分析

9.9.1 规划问题的建模与规划系统的求解过程

9.9.2 Shakey世界

9.10小结

习题

第10章 机器人学

10.1 概述

10.1.1 机器人的分类

10.1.2 机器人的特性

10.1.3 机器人学的研究领域

10.2 机器人系统

10.2.1 机器人系统的组成

10.2.2 机器人的工作空间

10.2.3 机器人的性能指标

10.3 机器人的编程模式与语言

10.4 机器人的应用与展望

10.4.1 机器人应用

10.4.2 机器人发展展望

10.5 案例分析:仿真机器人运动控制算法

10.5.1 仿真平台使用介绍

10.5.2 仿真平台与策略程序的关系

10.5.3 策略程序的结构

10.5.4 动作函数及说明

10.5.5 策略

10.5.6 各种定位球状态的判断方法

10.5.7 比赛规则

www.tingduxu.cn

10.6小结

习题

第11章 互联网智能

11.1 概述

11.2 语义网与本体

11.2.1 语义网的层次模型

11.2.2 本体的基本概念

11.2.3 本体描述语言OWL

11.2.4 本体知识管理框架

11.2.5 本体知识管理系统Protg

11.2.6 本体知识管理系统KAON

11.3 Web技术的演化

11.3.1 Web1.0

11.3.2 Web2.0

11.3.3 Web3.0

11.3.4 互联的社会

11.4 Web挖掘

11.4.1 Web内容挖掘

11.4.2 Web结构挖掘

11.4.3 Web使用挖掘

11.4.4 互联网信息可信度问题

11.4.5 案例:反恐作战数据挖掘

11.4.6 案例:微博博主特征行为数据挖掘

11.5 集体智能

11.5.1 社群智能

11.5.2 集体智能系统

11.5.3 全球脑

11.5.4 互联网大脑(云脑)

11.5.5 智联网

11.5.6 案例:智能网联汽车

11.5.7 案例:城市计算

11.6 小结

习题

附录A 人工智能编程语言Python

A.1 人工智能编程语言概述

A.2 Python语言优势

A.3 Python人工智能相关库

A.4 Python语法简介

B.1 MNIST数据集

B.2 Softmax回归模型

B.3 Softmax回归的程序实现

B.4 模型的训练

B.5 模型的评价

B.6 完整代码及运行结果

04

精彩推荐

  • 鸿蒙原子化服务卡片开发完美体验

  • 鸿蒙开发实例|构建轻量级智能穿戴设备用户界面

  • CCF CSP-J/S第一轮认证必考知识点:回溯算法

  • CCF CSP-J/S第一轮认证必考知识点:二值图像的最大连通块

  • CCF CSP-J/S第一轮认证必考知识点:哥德巴赫猜想

  • CCF CSP-J/S第一轮认证考纲详解

  • Python 韩信点兵思政案例(含优惠码)

  • Python ︱爬取天气预报信息(附视频)

  • 《机器学习》实验指导书(附实验参考+代码)

  • Python爬虫综合实战 │ 创建云起书院爬虫(附代码)

  • Python爬虫实战 │ Email提醒(附代码)

  • Python深度学习 │一文掌握卷积神经网络

 推荐阅读:
 猜您喜欢: 玉京仙  为你闹翻全世界  都市之战神之王  都市全能仙帝  大佬一直爽  女总裁的霸道佣兵  浑天记  一品容华  道极无天  我是神话创世主  至尊重生  我是反派祖宗