人工智能通识教程 课件全套 仲兆满 第01-11章-人工智能概述 -人工智能的发展

第一章人工智能概述主要内容1.1智能的本质1.2机器与智能1.3现代人工智能的诞生1.4人工智能的发展简史1.5人工智能研究的主要领域011.1智能的本质“智能”的本质内涵是什么？从传统认知来讲，智能被看作是智力与能力的结合。人先天拥有的认知本能是“知”，当这种本能与外界接触，再经过后天的学习积累，便产生了“智”。“能”也是人自身具备的能力，通过与外界的磨合应用得以体现。“智”和“能”都是人类在与周围环境互动过程中逐渐形成的。智能的本质就是从所处环境里接收、分析信息，总结经验知识，并运用到自身行为调整中的一种能力。1.1智能的本质智能并非仅仅依靠逻辑推理，还包含了很多难以用逻辑解释的部分，像模糊的感知、凭直觉的判断以及非传统公理的思维等。这些非逻辑的元素，不但充实了智能的概念，还让智能在复杂的现实情境里，能以更丰富多样的方式去应对和适应。1.1智能的本质021.2机器与智能法国当代著名科技哲学家贝尔纳・斯蒂格勒（BernardStiegler,1952—2020）认为“人在根基处是一种缺陷性存在”。人类在生存能力上存在不足，没有技术就难以生存。因此，人类只有通过代具——身体之外的工具，才能更好地生存。人类跑得不够快，就发明了马车、汽车、飞机等“代具”；人看得不够遥远，就发明了望远镜等“代具”。1.2机器与智能人类大脑存在诸如记不牢、算不快等“缺陷”，人脑也应该找个“代具”来弥补一下相应的不足。在人类发展长河里，人们总是在不断探索与思考，能不能让没有生命的事物变得有生命，并赋予其智能？在漫长的发展中，人类不断地寻求大脑的“代具”，将大脑逐渐“外包”出去。机器在承担人脑外包工作过程中体现出来的智能，就是人工智能。1.2机器与智能031.3现代人工智能的诞生图灵测试由英国数学家提出的，是一种用于评估人工智能系统智能程度的经典测试方法。核心原理是：将测试者（一个人）与被测试者（另一个人和一台机器）置于隔离状态，测试者通过键盘和屏幕与二者进行对话。如果在一系列的对话过程中，测试者无法准确分辨出被测试者中哪一个是机器，哪一个是人，那么就可以认为这台机器通过了图灵测试，即表现出了具有欺骗性的人类智能。1.3.1图灵测试图灵测试的目标是从行为表现的角度，判断机器是否具备智能。它的提出为人工智能的发展提供了一个重要的思考方向，引发了人们对于机器是否能够思考、是否具备智能的深入探讨。在当时，这一概念极具前瞻性，为后续人工智能的研究和发展奠定了基础。图灵的的思想和成就对后世产生了深远的影响，被誉为“人工智能之父”，全球计算机领域的最高荣誉“图灵奖”便是以他的名字命名。1.3.1图灵测试2014年6月7日，在英国皇家学会举行了一场备受瞩目的图灵测试。一款名为尤金・古斯特曼（EugeneGoostman）的聊天机器人参与测试，在与30位包括政治家、皇家学会会员、人工智能教授等在内的评委进行5分钟的人机对谈后，超过30%的评委误以为它是真人，从而宣称通过了图灵测试。这一事件引发了公众对人工智能发展的广泛关注和热烈讨论。尤金・古斯特曼在对话中运用了一些语言技巧，例如转移话题、顾左右而言他等，利用规则漏洞来骗过评委，并非真正在智力行为上与人类达到难以区分的程度。这一事件都推动了人们对人工智能发展的思考，促使科研人员在追求机器智能的道路上不断探索和创新。1.3.1图灵测试1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院，一场对人工智能发展具有里程碑意义的会议——达特茅斯会议悄然举行。此次会议的发起者包括约翰・麦卡锡（JohnMcCarthy）、马文・闵斯基（MarvinMinsky）、纳撒尼尔・罗切斯特（NathanielRochester）和克劳德・香农（ClaudeShannon）等。参会人员皆是当时计算机科学、信息论、心理学等领域的顶尖科学家，除了上述发起者，还包括艾伦・纽厄尔（AllenNewell）、赫伯特・西蒙（HerbertSimon）等。1.3.2达特茅斯会议会议的发起过程源于几位科学家对用机器模仿人类学习及其他智能方面的共同兴趣和深入思考。会议持续了长达两个月的时间，讨论的主题围绕着用机器来模仿人类学习以及其他方面的智能展开。科学家们就自动计算机、如何为计算机编程使其能够使用语言、神经网络、计算规模理论、自我改造、抽象、随机性与创造性等多个关键议题进行了深入交流和激烈辩论。尽管在会议期间，大家并未就所有问题达成普遍共识，但却为会议讨论的内容确定了一个具有划时代意义的名称——“人工智能”。从此，“人工智能”这一术语正式诞生，1956年也因此被公认为人工智能元年。1.3.2达特茅斯会议达特茅斯会议的重要意义：它是人工智能领域的首次正式聚会，为人工智能的发展搭建了一个重要的交流平台，将分散在各个领域、对人工智能有着共同兴趣的科学家们聚集在一起，促进了不同学科之间的交叉融合。会议中提出的许多观点和想法，为后续人工智能的研究和发展指明了方向，激发了科研人员的研究热情和创新思维。此后，人工智能作为一个独立的研究领域，吸引了越来越多的研究者投身其中，不断推动着这一领域向前发展，对计算机科学、心理学、认知科学等众多学科产生了深远的影响，成为现代科技发展中不可或缺的重要组成部分。1.3.2达特茅斯会议由于审视的角度不同，导致人们对人工智能（artificialintelligence，AI）学术化定义也不尽相同。定义1：人工智能是制造智能机器的科学与工程约翰・麦卡锡（JohnMcCarthy，1955）定义2：人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。贝尔曼(RichardE.Bellman，1978)1.3.3人工智能的定义定义3:人工智能是研究智能行为的学科。它的最终目的是建立自然智能实体行为的理论和指导创造具有智能行为的人工制品。这样一来，人工智能可为两个分支:科学人工智能和工程人工智能。尼尔森(NilsNilsson，1987)定义4：人工智能就是一种创造机器的技艺。雷・库兹韦尔(RayKurzweil,1990)定义5：人工智能就是这样一个系统，它能够正确解释外部数据，从这些数据中学习，并通过灵活的适应，利用这些学习得来的知识，实现特定的目标和任务。安德列亚斯・卡普兰(AndreasKaplan,2019)1.3.3人工智能的定义041.4人工智能的发展简史人工智能的发展历史可归结为三个阶段：1.4人工智能的发展简史孕育形成发展20世纪40年代，是人工智能发展历程中至关重要的孕育阶段。在这个时期，随着科技的不断进步和人们对智能探索的深入，人工神经元和计算模型应运而生。1943年，沃伦・麦卡洛克（WarrenMcCulloch）和沃尔特・皮茨（WalterPitts）提出了首个人工神经元模型，这一模型的诞生，为后续神经网络的发展奠定了坚实的理论基础。它就像一颗种子，在人工智能的土壤中生根发芽，开启了人们对智能系统模拟的新篇章。1.4.1孕育图灵设想的“图灵测试”，为判断机器是否具备智能提供了一个开创性的思路，引发了人们对机器智能的深入思考。维纳的控制论，强调了反馈在系统中的重要性，指出动物和机器都可以通过反馈、纠错来实现学习和改进，这一理论为智能系统的设计和研究提供了重要的指导。香农的信息论，致力于研究信息的度量、传输和处理，解决了如何从外部世界学习有用信息，并对其进行组织管理和衡量度量的问题，为人工智能中的信息处理提供了关键的理论支持。冯·诺依曼的博弈论，则从决策和策略的角度，研究了在与外部环境或对手博弈时，如何不断提高决策的质量，这一理论在人工智能的决策系统中有着广泛的应用。1.4.1孕育这些理论为人工智能的发展指明了方向，激发了科学家们的研究热情。它们相互交织、相互影响，共同推动着人工智能从孕育走向形成，为后续的发展奠定了不可或缺的基础。1.4.1孕育1956年的达特茅斯会议，成为了人工智能发展历程中的一个重要转折点，标志着人工智能正式形成。在这次会议上，“人工智能”这一术语被首次正式提出，约翰・麦卡洛克、马文・闵斯基等科学家围绕着用机器来模仿人类学习以及其他智能方面展开了深入的讨论。这次会议的意义非凡，为人工智能的研究搭建了一个重要的交流平台，使人工智能从分散的研究走向了一个统一的、有明确目标的研究领域。1.4.2形成会议之后，符号主义学派迅速崛起，成为人工智能领域的主流学派之一。符号主义认为人类思维的基本单元是符号，人类认知的过程就是符号运算，主要通过逻辑进路来研究人工智能。1955年末，艾伦・纽厄尔（AllenNewell）和赫伯特・西蒙（HerbertSimon）开发的“逻辑理论家”（LogicTheorist）程序，堪称符号主义的早期代表成果。该程序能够证明《自然哲学的数学原理》中的38条数学定理，为人工智能的问题解决提供了重要的思路。1.4.2形成1957年，艾伦・纽厄尔、赫伯特・西蒙和J.C.肖（J.C.Shaw）又推出了“通用问题解决器”（generalproblemsolver，GPS）推理架构以及启发式搜索思路。GPS旨在解决所有能够使用基本算法描述的问题，为此，研究者们专门为它创造了一门编程语言信息处理语言（informationprocessinglanguage，IPL）。它所提出的启发式搜索思路，对后来的人工智能研究产生了深远的影响，许多人工智能系统在解决问题时都借鉴了这一思路。1.4.2形成符号主义学派的这些成果，不仅在理论上为人工智能的发展提供了重要的支撑，而且在实际应用中也取得了一定的成效，推动了人工智能在早期阶段的快速发展。它们为后续的人工智能研究奠定了坚实的基础，使得人工智能逐渐从理论走向实践，从概念走向应用。1.4.2形成20世纪80-90年代，人工智能迎来了重要的发展阶段，专家系统和知识工程成为这一时期的研究热点。专家系统是一种基于领域专家知识和经验构建的智能系统，能够在特定领域内解决复杂问题，提供专业的建议和决策支持。它通过将领域专家的知识以规则、框架等形式表示出来，存储在知识库中，然后利用推理引擎根据用户输入的问题和知识库中的知识进行推理，得出解决方案。1.4.3发展在医疗领域，如MYCIN系统，能够根据患者的症状、体征和实验室检查结果，诊断出多种细菌感染性疾病，并推荐相应的治疗方案，为医生的诊断和治疗提供了有力的辅助工具；在化学领域，DENDRAL系统可以通过分析质谱数据，帮助确定分子的结构，大大提高了化学研究的效率；在地质勘探领域，PROSPECTOR系统能够根据地质数据和专家知识，预测矿产资源的分布，为矿产勘探提供了重要的参考依据。1.4.3发展知识工程作为人工智能的一个重要分支，专注于研究如何获取、表示和利用知识，以构建智能系统。它涉及知识获取、知识表示、知识推理、知识维护等多个方面，旨在解决人工智能系统中的知识瓶颈问题。在知识获取方面，研究人员探索了多种方法，包括专家访谈、数据挖掘、机器学习等，以从不同来源获取知识；在知识表示方面，除了传统的规则表示法外，还发展了语义网络、框架、本体等多种表示方法，以更有效地表示知识的结构和语义；在知识推理方面，除了演绎推理外，还引入了归纳推理、类比推理等多种推理方法，以提高推理的效率和灵活性。1.4.3发展这一时期的人工智能也逐渐暴露出一些问题。知识获取困难是一个主要问题，获取领域专家的知识往往需要耗费大量的时间和精力，而且知识的准确性和完整性也难以保证；知识表示的局限性也日益凸显，传统的知识表示方法难以表示复杂的、不确定的知识，限制了人工智能系统的应用范围；推理效率低下也是一个挑战，在处理大规模知识和复杂问题时，推理过程往往需要消耗大量的时间和计算资源，导致系统的响应速度较慢。尽管面临这些问题，但这一时期的人工智能发展为后续的研究和应用积累了宝贵的经验，推动了人工智能技术在更多领域的探索和实践，为人工智能的进一步发展奠定了基础。1.4.3发展2011年以后，随着互联网技术的飞速发展和数据量的爆炸式增长，人工智能迎来了大数据驱动的发展新时期。在这个时期，神经网络在数据和算力的双重加持下，焕发出蓬勃的生机与活力，深度学习技术应运而生，并迅速成为人工智能领域的核心技术。1.4.4大数据驱动人工智能发展期深度学习是机器学习的一个分支领域，它通过构建具有多个隐藏层的神经网络模型，能够自动从大量数据中学习到数据的高级特征和模式，从而实现对复杂数据的准确理解和处理。与传统的机器学习方法相比，深度学习具有更强的特征学习能力和表达能力，能够处理图像、语音、文本等多种类型的数据，在图像识别、语音识别、自然语言处理等领域取得了一系列令人瞩目的成果。1.4.4大数据驱动人工智能发展期在图像识别领域，卷积神经网络（convolutionalneuralnetwork，CNN）的出现极大地推动了图像识别技术的发展。CNN通过卷积层、池化层和全连接层等结构，能够自动提取图像的特征，对图像中的物体进行分类、检测和分割。例如，在著名的ImageNet图像识别大赛中，基于深度学习的模型不断刷新准确率记录，使得图像识别的准确率大幅提高，达到了甚至超越人类的水平。这一技术在安防监控、自动驾驶、医学影像分析等领域得到了广泛应用，为这些领域的智能化发展提供了重要的技术支持。1.4.4大数据驱动人工智能发展期在语音识别领域，深度学习技术同样取得了显著的突破。递归神经网络（recurrentneuralnetwork，RNN）及其变体长短期记忆网络（longshort-termmemory，LSTM）、门控循环单元（gatedrecurrentunit，GRU）等，能够有效地处理语音信号的时序信息，实现对语音内容的准确识别和理解。如今，语音助手如Siri、小爱同学等已经广泛应用于智能手机、智能音箱等设备，为人们的生活带来了极大的便利。在智能客服、语音转文字、有声读物生成等领域，语音识别技术也发挥着重要的作用。1.4.4大数据驱动人工智能发展期在自然语言处理领域，Transformer架构的提出引发了自然语言处理技术的重大变革。基于Transformer架构的预训练语言模型，如GPT系列、BERT等，能够对大规模的文本数据进行学习，理解文本的语义和语境，实现文本生成、问答系统、机器翻译、情感分析等多种自然语言处理任务。这些模型在实际应用中展现出了强大的能力，为智能写作、智能客服、智能翻译等领域带来了新的发展机遇。1.4.4大数据驱动人工智能发展期大数据驱动的人工智能发展期，不仅推动了人工智能技术在各个领域的广泛应用，而且深刻改变了人们的生活方式和社会的运行模式。随着技术的不断进步和创新，人工智能在未来有望取得更加辉煌的成就，为人类社会的发展做出更大的贡献。1.4.4大数据驱动人工智能发展期051.5人工智能研究的主要领域认知建模致力于通过计算机程序来模拟人类的认知过程，包括学习、记忆、注意力、语言理解与生成以及问题解决等方面。它的核心原理是借鉴心理学、神经科学等领域的研究成果，将人类的认知机制抽象为数学模型和计算算法。在实际应用中，认知建模可用于教育领域，开发个性化学习系统，根据学生的认知特点和学习进度提供定制化的教学内容和指导；在人机交互领域，使计算机能够更好地理解用户意图，提供更自然、智能的交互体验。1．认知建模知识表示主要探究如何把人类知识转化为计算机能够理解和处理的形式。常见的知识表示方法包括产生式规则，即以“如果-那么”的形式表达知识；语义网络，通过节点和边来表示概念及其之间的关系；框架表示法，将知识组织成框架结构，每个框架包含若干槽和值。知识表示在专家系统中应用广泛，例如医疗诊断专家系统，通过将医学知识以合适的方式表示，计算机可以根据患者的症状和检查结果进行推理诊断；在智能问答系统中，准确的知识表示能帮助系统快速定位和理解问题，给出准确回答。2．知识表示机器感知聚焦于让机器具备像人类一样感知外部世界的能力。计算机视觉是机器感知的重要分支，通过摄像头等设备获取图像或视频信息，利用图像处理和模式识别技术，实现目标检测、图像分类、图像分割等功能，广泛应用于安防监控、自动驾驶、工业检测等领域。语音识别则致力于将人类语音转换为文本，通过对语音信号的特征提取和模式匹配，使机器能够理解人类的语音指令，在智能语音助手、语音转写等场景发挥关键作用。3．机器感知自动推理旨在让计算机依据给定的知识和规则，自动推导出新的结论。它基于数理逻辑，如命题逻辑、谓词逻辑等，运用推理算法进行演绎推理、归纳推理和溯因推理。在数学领域，自动推理可用于定理证明，帮助数学家验证复杂的数学定理；在法律领域，通过将法律条文和案例转化为知识和规则，计算机可以进行法律推理，辅助法官判案；在智能规划系统中，根据任务目标和环境约束，自动推理出执行任务的最佳步骤和策略。4．自动推理机器学习使机器能够从数据中自动学习模式和规律，并利用这些知识进行预测和决策。监督学习是最常见的机器学习类型，通过已标注的数据进行训练，建立输入特征与输出标签之间的映射关系，用于分类和回归任务，如垃圾邮件分类、房价预测等。无监督学习则处理未标注的数据，发现数据中的潜在结构和模式，如聚类分析、主成分分析等，在市场细分、图像压缩等方面有广泛应用。强化学习通过智能体与环境的交互，根据奖励反馈不断优化策略，在游戏、机器人控制、自动驾驶等领域展现出强大的应用潜力。5．机器学习博弈研究计算机在竞争对抗环境中的策略选择。在博弈过程中，智能体需要考虑对手的可能行动，并根据当前局势和目标制定最优策略。以棋类游戏为例，计算机通过搜索算法和评估函数，在众多可能的走法中寻找最优解，如AlphaGo通过深度学习和强化学习技术，战胜了人类围棋冠军，展现了人工智能在博弈领域的巨大突破。博弈理论在经济领域也有重要应用，用于分析市场竞争、拍卖策略等；在军事领域，可用于模拟作战场景，制定战略战术。6．博弈自然语言处理旨在实现人类自然语言与计算机之间的有效交互。它涵盖了多个方面，包括文本分类，将文本按照主题或类别进行划分，如新闻分类、情感分析等；机器翻译，将一种自然语言翻译成另一种自然语言，促进跨语言交流；问答系统，理解用户的问题并给出准确回答，在智能客服、智能助手等场景中发挥重要作用。自然语言处理涉及语言学、计算机科学等多学科知识，通过深度学习技术，如循环神经网络、Transformer架构等，不断提升自然语言处理的性能和效果。7．自然语言处理深度神经网络是一种基于人工神经网络的机器学习模型，具有多个隐藏层，能够自动学习数据的复杂特征表示。它的基本组成单元是神经元，通过神经元之间的连接权重传递和处理信息。在图像识别领域，深度神经网络可以学习到图像中不同层次的特征，从边缘、纹理到物体的整体结构，从而实现高精度的图像分类和目标检测；在语音识别中，能够对语音信号进行逐层特征提取和模式识别，提高语音识别的准确率；在自然语言处理中，Transformer架构的深度神经网络推动了语言模型的发展，如GPT系列，展现出强大的语言理解和生成能力。8．深度神经网络智能信息检索旨在改进传统信息检索系统，使其能够更准确地理解用户的信息需求，提供更加相关和精准的检索结果。它结合了自然语言处理、机器学习等技术，对用户查询进行语义理解和分析，挖掘用户的潜在需求。例如，通过词向量模型将用户查询和文档内容映射到同一语义空间，计算它们之间的语义相似度，从而提高检索的准确性；利用机器学习算法对检索结果进行排序优化，根据用户的点击行为和反馈信息，不断调整排序模型，提供更符合用户需求的结果。智能信息检索在搜索引擎、企业知识管理、数字图书馆等领域有着广泛的应用。9．智能信息检索机器人领域融合了机械工程、电子技术、计算机科学和人工智能等多学科知识，研发具有感知、决策和执行能力的机器人。机器人通过传感器感知周围环境信息，如摄像头获取视觉信息、激光雷达获取距离信息等；利用人工智能算法进行决策，根据任务目标和环境信息规划行动路径；通过执行器实现动作，如电机驱动机械臂完成抓取任务。在工业领域，机器人广泛应用于汽车制造、电子生产等生产线，提高生产效率和质量；在服务领域，如物流配送、餐饮服务、医疗护理等，机器人可以协助人类完成重复性、危险性的工作；在探索领域，机器人可用于太空探索、深海探测等人类难以到达的环境。10．机器人本章深入探讨了人工智能这一前沿领域。从智能的本质出发，剖析了其在心理学、神经科学、数学、计算和哲学等多学科视角下的内涵，展现了智能的复杂性与多面性。接着阐述了机器与智能的关系，介绍了机器智能的类型、关键技术以及应用和挑战，让我们认识到机器智能在现代社会中的重要作用和发展现状。本章小结Q&AEND第二章知识表示与知识推理知识表示与知识推理01知识表示的定义知识表示是将现实世界的知识形式化为计算机可理解的形式，通过符号、模型或逻辑等手段，将复杂的现实信息转化为计算机能够处理的结构化数据。02知识推理的作用知识推理是利用已有的知识和规则，通过逻辑推理、规则匹配等方法生成新的知识，它能够从已知信息中推导出未知结论。03应用场景在专家系统中，用于模拟专家的决策过程；在自然语言处理中，帮助理解语言的语义；在机器人规划中，指导机器人根据环境信息制定行动策略。知识表示与知识推理知识表示的核心问题表达能力表达能力决定了知识表示能否准确描述复杂知识。易操作性易操作性影响知识的推理与检索效率。一个好的知识表示方法应该便于推理引擎进行操作。可扩展性可扩展性决定了知识库的动态更新能力。直观性直观性影响知识的可理解性和可解释性。本章主要内容基于一阶谓词逻辑的表示与推理基于产生式规则的表示与推理结构化知识表示与推理不确定性与模糊性经典知识表示与推理方法实例应用与前沿场景基于一阶谓词逻辑的表示与推理01一阶谓词逻辑基本概念量词量词用于表达普遍性和存在性，例如全称量词∀表示所有对象都满足某个条件，存在量词∃表示存在某个对象满足某个条件。量词使得知识表示能够更精确地描述范围和存在性。个体常量个体常量表示具体的对象或实体，例如‘Wang’表示一个人名。在知识表示中，个体常量是描述具体事物的基础，为后续的属性和关系表示提供对象。谓词符号谓词符号用于表示属性或关系，例如‘Student(Wang)’表示Wang是一名学生。谓词符号能够描述个体的特征或个体之间的关系，是表达知识的核心工具。函数符号函数符号表示对象之间的映射关系，例如‘fatherOf(Wang,Li)’表示Wang是Li的父亲。函数符号可以用于描述更复杂的对象关系，丰富知识表示的表达能力。01词汇表词汇表包括常量、变量、谓词和函数，这些是构成一阶谓词逻辑的基本元素。常量表示具体对象，变量表示任意对象，谓词和函数用于描述对象的属性和关系。02项的构造项分为基本项和复合项，基本项是常量或变量，复合项是由函数符号和项组成的表达式。项的构造规则确保了表达式的合法性和层次性，为后续的公式构造提供基础。03公式构造规则公式通过原子公式、否定、合取、析取和量词扩展构造而成。这些规则确保了公式的逻辑完整性和表达能力，使得一阶谓词逻辑能够精确地描述复杂的知识结构。一阶谓词逻辑语法结构命题与谓词示例自然语言与谓词逻辑的对应自然语言句子可以通过谓词逻辑进行精确表示。例如‘小王是一名学生’表示为Student(Wang)，这种表示方法能够清晰地描述个体的属性，便于计算机处理。关系表示对于涉及关系的句子，如‘4大于2’表示为Greater(4,2)，通过谓词和参数的形式，能够准确地表达两个对象之间的关系，避免自然语言的歧义。多参数谓词复杂的句子可以通过多参数谓词表示，如‘Smith是IBM的工程师’表示为Works(Smith,IBM,Engineer)，这种表示方法能够描述多个对象之间的复杂关系，增强知识表示的表达能力。量词作用示例全称量词与存在量词全称量词∀表示所有对象都满足某个条件，例如(∀x)(Robot(x)→Black(x))表示所有机器人都有黑色。存在量词∃表示存在某个对象满足某个条件，例如(∃x)(Engineer(x)∧Operates(x,Lathe))表示存在一名工程师操作车床。量词顺序的影响量词的顺序对逻辑表达式的含义有重要影响。例如∀x∃yF(x,y)表示每人都有朋友，而∃y∀xF(x,y)表示存在一个人是所有人的朋友。这种差异展示了量词在逻辑表达中的关键作用。演绎推理示例演绎推理过程演绎推理是从已知规则和事实推导出新结论的过程。例如，规则∀x(Cat(x)→Mammal(x))和事实Cat(Tom)，通过演绎推理可以得出Mammal(Tom)。这种推理过程逻辑严密，确保结论的正确性。推理图的展示通过树形推理图可以直观地展示演绎推理的过程。从已知事实出发，逐步应用规则，最终得到结论。这种图示方法有助于理解推理的逻辑路径，强调演绎推理在知识推理中的确定性。归纳推理示例归纳推理的定义归纳推理是从具体实例中总结一般规律的过程。例如，观察到多个具体实例Tom、Jerry和Luna都是猫且都是哺乳动物，通过归纳可以得出结论：所有猫都是哺乳动物。归纳推理的重要性归纳推理在知识发现中具有重要意义，它能够从有限的实例中提取出普遍规律，帮助我们更好地理解和扩展知识。例如，在科学研究中，通过实验数据归纳出自然规律。归纳推理的局限性归纳推理存在不确定性和局限性。由于它是基于有限实例的总结，可能受到样本偏差的影响，导致归纳出的结论不完全准确。例如，观察到的天鹅都是白色的，可能错误地归纳出所有天鹅都是白色的。一阶谓词逻辑优势与局限优势：逻辑严密一阶谓词逻辑具有严格的逻辑结构，能够进行精确的推理和验证。通过演绎推理和归纳推理，可以确保推理过程的逻辑严密性，从而生成可靠的结论。优势：表达自然一阶谓词逻辑能够自然地表达现实世界的知识，例如通过个体常量、谓词符号和量词，可以清晰地描述对象的属性和关系，使得知识表示更加直观和易于理解。局限：无法处理不确定性一阶谓词逻辑无法直接处理不确定性信息。在现实世界中，许多知识是不确定的，例如天气预测或医学诊断中的不确定性，一阶谓词逻辑无法有效表达和推理这类信息。局限：推理效率低一阶谓词逻辑的推理过程容易产生组合爆炸，导致推理效率较低。在处理大规模知识库时，推理时间可能过长，限制了其在实际应用中的适用性。产生式规则02产生式规则IF-THEN形式IF-THEN规则的定义产生式规则是一种简单的知识表示形式，通常以IF-THEN的形式表示。例如‘IF动物会飞AND会下蛋→动物是鸟’，这种形式直观地表达了条件和结论之间的关系。规则库的作用规则库是产生式系统的核心组成部分，存储了大量的IF-THEN规则。这些规则描述了知识的逻辑关系，为推理机提供了推理的基础。推理机的功能推理机根据规则库中的规则和事实库中的事实进行推理，通过匹配规则的条件部分，生成新的结论并更新事实库。推理机的高效运行是产生式系统的关键。推理机制前向链推理前向链推理是一种数据驱动的推理机制，从已知事实出发，通过匹配规则的条件部分，逐步推出新的结论。例如，已知事实‘动物会飞’和‘动物会下蛋’，通过匹配规则‘IF动物会飞AND会下蛋→动物是鸟’，可以推出结论‘动物是鸟’。01后向链推理后向链推理是一种目标驱动的推理机制，从目标结论出发，反向查找能够支持该结论的规则和子目标。例如，目标是‘动物是鸟’，推理机会查找支持该结论的规则‘IF动物会飞AND会下蛋→动物是鸟’，并进一步查找‘动物会飞’和‘动物会下蛋’这两个子目标。02两种推理机制的对比前向链推理适用于数据驱动的场景，能够从大量已知事实中发现潜在的结论；后向链推理适用于目标驱动的场景，能够高效地查找支持目标的证据。两者在不同应用中各有优势。03前向链与后向链对比推理方向前向链推理是自底向上的，从具体事实逐步推导出更一般的结论；后向链推理是自顶向下的，从目标结论逐步分解为具体的子目标。驱动方式前向链推理是数据驱动的，从已知事实出发逐步推导；后向链推理是目标驱动的，从目标结论出发反向查找支持证据。透明性前向链推理的过程较难解释，因为它是基于大量已知事实的逐步推导；后向链推理的过程更易于解释，因为它直接围绕目标展开。应用系统前向链推理适用于CLIPS和OPS等系统，适合处理数据驱动的推理任务；后向链推理适用于PROLOG系统，适合处理目标驱动的推理任务。产生式规则优缺点优点产生式规则的缺点是推理效率较低，尤其是当规则库较大时，容易出现组合爆炸问题。此外，它难以表示复杂的结构化知识，对于复杂的关系和层次结构表示能力有限。缺点产生式规则的优点是自然直观，容易理解和实现。它能够模块化地表示知识，便于知识的组织和更新。此外，产生式规则还能处理不确定性，通过规则的置信度等方式表示知识的不确定性。结构化知识表示与推理03三种主要方式语义网络语义网络是一种图形化的知识表示方法，通过节点和边表示实体和关系。节点代表实体，边代表实体之间的关系。例如，‘猫’和‘动物’之间可以通过‘属于’关系连接，直观地表示知识的结构。框架表示框架表示是一种基于槽和值的知识表示方法。每个框架包含多个槽，每个槽对应一个属性及其值。例如，一个教师框架可以包含姓名、年龄、职称和部门等槽及其对应的值，便于组织结构化知识。面向对象表示面向对象表示是一种基于类和对象的知识表示方法。通过定义类、属性和关系，可以表示复杂的实体和继承关系。例如，学生类可以包含姓名、学号和年龄等属性，硕士生类可以继承学生类的属性。01框架的基本结构框架由多个槽和值组成，每个槽代表一个属性，每个值代表该属性的具体内容。例如，教师框架可以包含姓名、年龄、职称和部门等槽及其对应的值，形成一个结构化的知识单元。02槽的作用槽是框架表示的核心，用于描述实体的属性。例如，教师框架中的‘姓名’槽用于存储教师的名字，‘职称’槽用于存储教师的职称。槽的设置使得知识的组织更加清晰和有条理。03框架的优势框架表示的优势在于其易于理解和扩展。通过槽和值的形式，可以直观地展示知识的结构，便于用户理解和维护。同时，框架可以通过添加新的槽或修改槽的值来扩展知识。框架表示示例面向对象表示面向对象的基本概念面向对象表示通过类、属性和关系来组织知识。类是具有相同属性和行为的对象集合，属性描述对象的特征，关系描述对象之间的联系。例如，学生类的属性包括姓名、学号和年龄。01继承关系面向对象表示支持继承关系，子类可以继承父类的属性和方法。例如，硕士生类可以继承学生类的属性，同时还可以添加自己的特有属性，如研究方向。继承关系使得知识表示更加灵活和高效。02面向对象的优势面向对象表示的优势在于其能够处理复杂的结构和动态关系。通过类和对象的组织方式，可以清晰地表示实体之间的层次关系和动态行为，适用于复杂系统的知识表示。03不确定性与模糊性04不确定性推理01不确定性推理的定义不确定性推理是符号推演与信度计算的结合，用于处理知识的不确定性和不完整性。例如，在医学诊断中，根据症状和经验规则，计算疾病的可能性，从而得出不确定的结论。02概率图模型概率图模型是一种常用的不确定性推理工具，通过节点和边表示随机变量和条件依赖关系。例如，Bayesian网络可以表示变量之间的概率关系，通过条件概率推理得出结论。03不确定性推理的重要性不确定性推理在处理现实世界中的不确定知识时具有重要意义。它能够根据有限的信息和概率模型，推导出合理的结论，广泛应用于决策支持、故障诊断等领域。模糊逻辑模糊逻辑的定义模糊逻辑是一种处理模糊性和不确定性的逻辑方法，通过隶属函数表示元素对模糊集合的隶属度。例如，温度可以分为‘偏凉’‘偏热’和‘很热’等模糊集合，隶属函数描述温度与隶属度的关系。隶属函数的作用隶属函数是模糊逻辑的核心，用于量化模糊概念。例如，20℃的隶属度为0.3（偏凉），30℃的隶属度为0.7（偏热），35℃的隶属度为0.9（很热）。隶属函数使得模糊概念能够进行数学处理。模糊逻辑的应用模糊逻辑广泛应用于控制系统和决策支持等领域。例如，在空调控制系统中，根据温度的模糊隶属度调整空调的运行状态，实现更灵活的控制策略。模糊推理系统结构01模糊化模块模糊化模块将精确值转化为模糊集合。例如，将温度25℃模糊化为‘偏热’的隶属度0.6和‘偏凉’的隶属度0.4，为后续的模糊推理提供输入。03推理机推理机根据知识库中的规则和模糊化后的输入进行推理，生成模糊输出。例如，根据规则和输入的模糊隶属度，推理出空调的模糊控制信号。02知识库知识库包括规则库和隶属函数库。规则库存储模糊推理规则，例如‘IF温度偏热THEN打开空调’；隶属函数库定义模糊集合的隶属函数，为模糊推理提供基础。04解模糊化模块解模糊化模块将模糊输出转化为精确值。例如，将模糊控制信号转化为具体的空调温度设置值，完成模糊推理的全过程。经典知识表示与推理方法实例05医疗诊断专家系统症状与疾病的关系医疗诊断专家系统通过知识表示和推理实现疾病诊断。例如，发热+咳嗽对应流感，发热+咳嗽+呼吸急促对应肺炎。系统根据输入的症状组合，匹配规则库中的知识，推断出可能的疾病。知识库的作用知识库存储了疾病诊断的规则和知识，包括症状与疾病的对应关系。这些知识是专家系统的核心，使得系统能够模拟专家的诊断过程，提供准确的诊断建议。专家系统的优势医疗诊断专家系统能够提高诊断效率和准确性，尤其在处理复杂症状和罕见疾病时。它可以帮助医生快速做出初步诊断，减少误诊率，为患者提供更好的医疗服务。自然语言理解示例自然语言的逻辑形式自然语言理解需要将自然语言句子转化为逻辑形式。例如，‘EveryonelovesMary’可以表示为∀x(Person(x)→Likes(x,Mary))，这种逻辑形式便于计算机进行推理和处理。语义信息的生成通过逻辑形式的转化，可以生成句子的语义信息。例如，从逻辑形式中可以推导出‘每个人喜欢Mary’的语义，为后续的自然语言处理任务提供基础。推荐系统中的不确定性用户行为的模糊性用户行为具有模糊性和不确定性，例如用户的偏好可能介于‘较喜欢’和‘一般’之间。推荐系统需要处理这种不确定性，以提供更准确的推荐。0应用与前沿场景06人机对话与问答系统定义人机对话与问答系统可以概括为一种利用自然语言实现人与计算机交互的智能系统。它的核心目标是模仿人类的对话方式，使用户能够通过口语或文字的形式，自然地向计算机提出问题、获取信息、接受建议，甚至完成具体的任务（如订票、查询、控制设备）。组成部分自然语言理解对话管理自然语言生成外部接口简言之，人机对话与问答系统的本质是：通过自然语言桥接人与机器，使计算机能够理解人类意图、管理对话流程、生成自然回应，并调用外部资源来满足用户需求。自动驾驶与机器人决策定义自动驾驶（AutonomousDriving）是指通过人工智能、传感器技术和控制系统，使车辆能够在没有或较少人为干预的情况下，感知环境、规划路径、做出决策并控制行驶的智能驾驶方式。核心要素环境感知路径规划行为决策运动规划与控制用一句话总结：自动驾驶就是让汽车像人一样“看得懂路、想得出路、走得好路”，并通过智能算法在动态环境中实现自主驾驶。小节主要内容基于一阶谓词逻辑的表示与推理基于产生式规则的表示与推理结构化知识表示与推理不确定性与模糊性经典知识表示与推理方法实例应用与前沿场景Q&AEND第3章

机器学习《人工智能通识》信息技术教研室2025年8月主要内容3.1机器学习的概念3.2

机器学习与人工智能等概念的区别3.3

机器学习的起源和发展现状3.4机器学习的分类3.5机器学习的目标3.6机器学习的典型应用领域3.7机器学习常见算法原理3.8典型机器学习实验案例：海水质量SVM分类013.1机器学习的概念3.1机器学习的概念0201对机器学习的本质特征进行说明。机器学习和人类学习的区别体现：学习方式、学习速度和规模、知识表示和泛化能力、学习的自主性和目的性不同。03

什么是机器学习机器学习的常见术语了解机器学习是如何开发的，你也可以照着开发自己的机器学习程序。04机器学习的开发流程能够帮助你更高效地在机器学习的世界里遨游。01

什么是机器学习机器：计算机，现在是电子计算机，以后还可能是量子计算机、光计算机或神经计算机等。学习：机器学习中所说的“学习”，指的是从数据中学得模型的过程，这个过程通过执行某个学习算法来完成。机器学习：从数据集中学习得到知识和规律（学习模型），然后用于实际的推断和决策。就像人类通过经验学习新技能一样，机器学习使计算机系统能够通过数据和算法“学习”新任务，比如识别图片中的猫或预测股票价格。机器学习是一门交叉学科，融合了数学、统计学、计算机科学、心理学和神经科学等学科知识。02机器学习和人类学习的区别学习方式不同：机器学习主要基于算法和数学模型、通过大量的数据来进行学习；人类学习的学习方式更为多样化，依赖于大脑的复杂认知过程。学习速度和规模不同：机器学习在处理大规模数据时具有速度优势，能够学习的数据规模巨大；人类学习的学习速度相对较慢，能学习的知识规模有限。知识表示和泛化能力不同：机器学习的知识表示是通过模型的参数和结构来体现的，泛化能力取决于模型的设计和训练数据；人类学习的知识表示在大脑中以复杂的神经活动和认知结构来体现，人类具有很强的泛化能力和迁移学习能力。学习的自主性和目的性不同：机器学习的自主性是由程序和算法控制的，机器学习的目的通常是由人类定义的；人类学习具有高度的自主性，人类学习的目的丰富多样。03机器学习的常见术语数据集（DataSet）：用于训练、验证和测试机器学习模型，类型可以是表格数据、图像、文本、音频等。样本（Sample）/实例（Instance）：数据集的基本单位，是一条单独的数据记录。特征（Feature）：特征是样本的一个属性或变量，用于描述样本的某个方面。标签（Label）：在监督学习中，标签是与样本的输入特征相对应的输出结果，是模型学习的目标。标签可以是离散的（用于分类任务），也可以是连续（用于回归任务）。训练集（TrainingSet）：训练集是数据集的一部分，用于训练机器学习模型。验证集（ValidationSet）：验证集用于评估训练模型的性能，以调整模型的超参数。测试集（TestSet）：测试集用于在模型训练完成后，对模型的最终性能进行评估。03机器学习的常见术语模型（Model）：是一种数学结构或算法，用于从数据中学习模式和规律，并根据学习到的内容进行预测或分类。模型由参数和超参数组成，参数是在训练过程中学习得到的，超参数是在训练之前需要手动设置的。超参数（Hyperparameter）：超参数是在模型训练之前需要人工设定的参数，它决定了模型的结构、复杂度和学习过程。学习率（LearningRate）：在模型训练过程中，学习率是一个用于控制参数更新步长的超参数。它决定了每次迭代中模型参数朝着损失函数梯度下降方向更新的幅度。损失函数（LossFunction）/目标函数（ObjectiveFunction）：损失函数/目标函数用于衡量模型预测结果与真实标签之间的差异程度。模型训练的目标是最小化损失函数的值。03机器学习的常见术语梯度下降（GradientDescent）：是一种优化算法，用于在模型训练过程中通过计算损失函数的梯度来更新模型的参数，使得损失函数的值逐渐减小。梯度的方向表示损失函数增长最快的方向，因此沿着梯度的反方向更新参数可以使损失函数下降。过拟合（Overfitting）：是指模型在训练数据上表现很好，但在新数据（测试数据）上表现不佳。这是因为模型过度学习了训练数据中的噪声和细节，没能很好捕捉到数据的一般规律。欠拟合（Underfitting）：与过拟合相反，欠拟合是指模型没有很好地学习到训练数据中的模式和规律，在训练数据和测试数据上的表现都不好。这通常是因为模型过于简单，无法拟合数据的复杂性。泛化能力（GeneralizationAbility）：是指模型对新的、未见过的数据进行正确预测的能力。一个具有良好泛化能力的模型能够在不同的数据集和场景中都能稳定地发挥作用。03机器学习的常见术语分类（Classification）：目标是将输入样本划分到预定义的类别标签中。分类任务可以是二分类（只有两个类别）或多分类（有多个类别）。回归（Regression）：主要用于预测一个连续的数值型输出。模型试图找到输入特征与连续输出变量之间的关系，从而对新的输入数据预测出相应的数值。聚类（Clustering）：是一种无监督学习任务，目的是将数据集中的样本划分成不同的组（簇），使得同一簇内的样本具有较高的相似性，而不同簇之间的样本具有较低的相似性。降维（DimensionalityReduction）：是指通过一定的数学变换将高维数据转换为低维数据，同时尽量保留数据中的重要信息。降维可减少数据存储和计算成本，去除数据冗余信息。预测（Prediction）：是指机器学习模型根据输入的特征数据，利用学习到的模式和规律，对未知的标签（在监督学习中）或数据结构（在无监督学习中）进行估计或推断的过程。04机器学习的开发流程（七步）问题定义与场景解析：明确业务目标和确定问题类型，搞清楚需要做什么。数据收集：确定数据源和收集数据，为机器学习找到合适的原始数据。数据预处理：关键在于数据清洗和数据标准化/归一化，以便将收集的数据预处理为可以直接使用的规范化的标准数据。特征工程：核心在于特征提取和特征选择，以便从数据中提取有用的特征、选择最重要的特征进行训练。模型训练：重点在于算法选择和参数调优，实现最优的目标。模型评估：选择评估指标和评估模型性能，更好地评价机器学习所学到模型的好坏。模型部署与应用：部署模型、监控与优化迭代更新。问题定义——数据收集——据预处理——特征工程——模型训练——模型评估——模型部署应用023.2机器学习与人工智能等概念的区别3.2机器学习与人工智能等概念的区别0201机器学习是人工智能的核心子集。人工智能为机器学习提供更广阔的应用场景和目标导向。机器学习与数据挖掘的关系机器学习是数据挖掘的重要工具。数据挖掘为机器学习提供数据和应用场景。03

机器学习与人工智能的关系机器学习与深度学习的关系深度学习是机器学习的一个核心分支。深度学习的兴起极大地推动了机器学习的发展。033.3机器学习的起源和发展现状3.3机器学习的起源和发展现状0201介绍机器学习发展的经历的主要六个阶段。机器学习的主要学派主要介绍：符号主义、连接主义、进化主义、贝叶斯和行为主义‌这五大学派。

机器学习的起源与发展阶段01

机器学习的起源与发展阶段观点1（更宽广的视角出发）：机器学习起源于17

世纪，已经存在了好几个世纪。理由：认为17

世纪贝叶斯、拉普拉斯关于最小二乘法的推导和马尔可夫链，这些构成了机器学习广泛使用的工具和基础。观点2（相对合理的视角）：机器学习起源于上世纪五十年代中叶，至今存在了近七十年。理由：虽然当时这些技术并未冠以机器学习之名，但至今仍是机器学习的理论基石）。本书将基于第二种观点来介绍机器学习所经历的主要发展阶段。机器学习的起源主要有两种观点：01

机器学习的起源与发展阶段诞生与初步发展阶段（20世纪50年代中叶-60年代中叶）：本阶段的主要贡献奠定了机器学习的理论基础。最初的设想：1950年，艾伦・图灵提议建立一个学习机器。模拟人脑神经网络进行学习的早期尝试：1957年，罗森布拉特提出了感知器模型符号主义学习阶段（20世纪60年代中叶-70年代中叶）：本阶段的主要贡献是引入知识表示。本阶段有明显的局限性：无法学到更加深入的知识。复兴与发展阶段（20世纪70年代中叶-80年代中叶）：本阶段的主要贡献是拓展了学习策略，也拓展了应用领域。机器学习的发展，主要经历了如下六个阶段：01

机器学习的起源与发展阶段成为独立学科阶段（20世纪80年代中叶-90年代中叶）：本阶段的主要贡献是形成了学科体系，机器学习综合应用了心理学、生物学、神经生理学、数学、自动化和计算机科学，已成为新的学科。统计学习阶段（20世纪90年代中期-21世纪初）：本阶段的主要贡献是统计学习兴起。同期，以神经网络代表的连接主义学习研究则陷入了低谷。原因：连接主义学习产生的是“黑箱”模型，其学习过程涉及大量参数，而参数的设置缺乏理论指导，主要靠人工“调参”。。深度学习崛起阶段（21世纪初至今）：本阶段的主要贡献是掀起了深度学习的热潮（连接主义又卷土重来）。深度学习显著降低了机器学习应用者的门槛，广泛拓展了机器学习的应用领域，如计算机视觉、自然语言处理、语音识别等领域。02机器学习的主要学派人工智能学派：其划分更侧重研究范式和哲学思想的对立，属于上层建筑，其不仅涵盖机器学习学派，同时包含非机器学习的研究路径（如纯逻辑推理的专家系统）；机器学习学派：更聚焦于算法的学习机制和数学原理，是人工智能学派在技术层面的细化和在“数据驱动学习”领域的技术落地，是连接主义、行为主义等人工智能学派的核心实现方式。下面从核心思想、代表人物、主要算法、应用领域和局限性方面，介绍机器学习的五大学派：符号主义、连接主义、进化主义、贝叶斯和行为主义‌学派。机器学习的主要学派和人工智能的主要学派的区别（两者并不完全一样）：02机器学习的主要学派：五大学派介绍符号主义学派：

核心思想：强调利用符号进行逻辑推理和表达知识；

代表人物：赫伯特・西蒙、艾伦・纽厄尔、约翰・麦卡锡、马文・李・闵斯基等。

主要算法：归纳逻辑编程等逆向推理方法；

典型应用：知识图谱、专家系统（医疗、金融风控）等；

局限性：依赖人工定义规则，难以处理海量数据和不确定性问题。

连接主义学派：

核心思想：认为智能是通过大量简单神经元之间的连接和相互作用产生的（模拟大脑）。

代表人物：扬・勒坤、杰弗里・辛顿、约书亚・本吉奥、大卫・鲁梅尔哈特等。

主要算法：反向传播算法、深度学习模型等。

应用领域：图像识别、语音识别、自然语言处理。

局限性：需大量标注数据，模型可解释性差（“黑箱”问题）。02机器学习的主要学派：五大学派介绍进化主义学派：

核心思想：受遗传学和进化生物学启发，通过模拟生物进化过程来进行学习和优化，利用选择、交叉和变异等遗传操作，在计算机上模拟生物进化过程，以寻找问题的最优解；

代表人物：约翰・霍兰德、肯尼斯・德、大卫・戈德伯格等。

主要算法：遗传算法、进化策略、粒子群优化、遗传编程等；

典型应用：机器人控制、优化问题求解等领域；

局限性：计算耗时较长，参数设置对结果影响大。02机器学习的主要学派：五大学派介绍贝叶斯学派：

核心思想：以统计学为基础，认为学习是一种概率推理的过程，利用贝叶斯定理，通过更新先验概率分布来进行学习和推断；

代表人物：托马斯・贝叶斯、朱迪亚・珀尔等。

主要算法：朴素贝叶斯分类器、贝叶斯网络、马尔可夫链蒙特卡洛等；

典型应用：医疗和自然语言处理等领域；

局限性：先验分布选择影响结果，高维数据计算复杂度高。

行为主义学派：

核心思想：通过“刺激-反应”机制与环境交互学习，强调从试错中优化行为策略，智能源于适应性行为而非内在表征。

代表人物：马文・明斯基、理查德・萨顿。。

主要算法：强化学习（RL）算法、PID自适应控制算法等。

应用领域：机器人、游戏、自动驾驶等领域。

局限性：依赖环境反馈，学习效率低，复杂场景中易陷入局部最优。043.4机器学习的分类3.4机器学习的分类0201按学习方法分类03

按学习能力分类按推理方式分类04按综合属性分类05其他分类方法01

按学习能力分类监督学习（SupervisedLearning）：是指模型通过带有标记（label）的训练数据来学习输入和输出之间的映射关系。无监督学习（UnsupervisedLearning）：是指模型的训练数据没有预先给定的标记，模型需要自己发现数据中的结构和规律。半监督学习（Semi-supervisedLearning）：半监督学习结合了监督学习和无监督学习的特点，通常其训练数据少部分有标记、大部分没有标记。强化学习（ReinforcementLearning）：用于描述和解决智能体在环境中采取一系列行动，根据环境反馈的奖励信号来学习最优的行为策略，以达成回报最大化或实现特定目标的问题。其中的奖励信号用于评估智能体的行为是好是坏。按学习能力分类，机器学习可分为监督学习、无监督学习、半监督学习和强化学习。02按学习方法分类基于实例的学习（Instance-basedLearning）：

含义：是指通过存储训练数据中的实例，并根据新实例与存储实例的相似性来进行预测。

常用算法：k-近邻算法、局部加权回归等。

基于模型的学习（Model-basedLearning）：

含义：是指先构建一个数据的模型，然后使用这个模型进行预测。模型可以是概率模型（如贝叶斯模型）、线性模型（如线性回归模型）或非线性模型（如神经网络模型）等。

常用算法：线性回归、逻辑回归、决策树、神经网络等（许多监督学习算法都可以看作是基于模型的学习）。按学习方法分类，机器学习可分为基于实例的学习和基于模型的学习。03按推理方式分类演绎学习（DeductiveLearning）：是指从一般性的原理或规则出发，推导出具体情况下的结论。这是一种自上而下的推理方式，前提是已知的规则和原理。

例子：在基于规则的专家系统中，如果已知“所有哺乳动物都有肺”（一般性规则），并且知道“猫是哺乳动物”，就可以演绎出“猫有肺”的结论。归纳学习（InductiveLearning）：是指从具体的实例或观察中总结出一般性的规律和规则。这是一种自下而上的推理方式，通过观察大量的个别情况来归纳出普遍适用的结论。

例子：观察多个不同的动物都有毛发，并且这些动物都是哺乳动物，从而归纳出“有毛发的动物是哺乳动物”（这是一个简单示例，实际归纳可能更复杂且可能存在错误）。按推理方式分类，机器学习可分为演绎学习和归纳学习。04按综合属性分类传统机器学习（TraditionalMachineLearning）：通常基于手工特征工程和经典机器学习算法。首先需要人工提取和选择数据特征，然后将这些特征输入到算法中进行学习。

例子：在文本分类任务中，人工提取词频、文档长度等特征，然后将这些特征输入到决策树或支持向量机等算法中进行分类。深度学习（DeepLearning）：深度学习是一种特殊的机器学习方法，通过构建具有多个层次的神经网络来自动学习数据的特征表示。深度学习通常不需要太多的手工特征工程，网络能够自动从数据中提取有价值的特征。

。

例子：在图像识别中，卷积神经网络（CNN）可以直接处理图像像素数据，通过多个卷积层和池化层自动提取图像的特征，如边缘、纹理、形状等，最后进行分类。按综合属性分类，机器学习可以分为传统机器学习和深度学习。05其他分类方法按应用领域分类：机器学习可细分为自然语言处理（NaturalLanguageProcessing）、计算机视觉（ComputerVision）、数据分析与挖掘（DataAnalysisandMining）等。

例子：谷歌翻译、人脸识别系统、电商平台商品推荐等。按数据类型分类：机器学习可细分为结构化数据学习（StructuredDataLearning）和非结构化数据学习（UnstructuredDataLearning）。

例子：用线性回归分析销售数据表格、使用循环神经网络处理文本序列，使用卷积神经网络处理图像和音频。还可以按应用领域、数据类型对机器学习进行分类。053.5机器学习的目标3.5机器学习的目标：解决如下常见类型任务01

分类任务02

回归任务03

聚类任务04

降维任务05

生成任务06

排序任务07

异常检测任务01

分类任务典型案例1：垃圾邮件检测。垃圾邮件检测将电子邮件分为“垃圾邮件”和“非垃圾邮件”两类。模型会根据邮件的内容特征，如邮件中的词汇、发件人地址、邮件格式等，来判断邮件是否为垃圾邮件。典型案例2：图像分类。在识别手写数字的任务中，将输入的手写数字图像（0-9）分类到对应的数字类别中。模型通过学习数字图像的各种特征，如笔画形状、线条粗细等，来做出分类判断。分类（Classification）任务是机器学习最常见的任务之一，目的是将输入数据划分到预定义的类别标签中，也就是：给定一个输入样本，模型需要判断它属于哪一个类别。用来解决分类任务的常用机器学习算法包括：逻辑回归、决策树、支持向量机、朴素贝叶斯、神经网络（如多层感知机、卷积神经网络用于图像分类等）。02回归任务典型案例1：房价预测。房屋价格是一个连续的数值，模型通过学习已有的房屋数据来建立特征（如面积、房龄、房间数量、周边配套设施等）与价格之间的关系。根据一个具体房屋的具体特征，便能预测房屋的价格。典型案例2：股票价格预测。利用历史股票数据，包括开盘价、收盘价、成交量、公司财务数据等因素，预测未来股票价格的走势，也就是预测未来时刻的股价。这是一个具有挑战性的回归任务，因为股票价格受到众多复杂因素的影响。回归（Regression）任务主要用于预测一个连续的数值型输出。也就是：模型通过学习已有数据尝试找到输入与连续输出变量之间的关系，便能对新的输入数据预测出相应的输出数值。用来解决回归任务的常用机器学习算法包括：

线性回归、多项式回归、岭回归、支持向量回归、神经网络（如多层感知机用于回归）等。03聚类任务典型案例1：客户细分。在市场营销中，根据客户的购买行为、消费金额、消费频率、年龄、地域等多种因素，将客户划分为不同的群体。例如，可以将高消费频繁购买的年轻客户划分为一个群体，将低消费偶尔购买的老年客户划分为另一个群体，以便企业针对不同群体制定个性化的营销策略。典型案例2：基因聚类。在生物信息学中，对基因表达数据进行聚类，将表达模式相似的基因聚为一类，有助于研究基因的功能和相互关系。聚类（Clustering）是一种无监督学习任务（没有预先定义的类别标签），其目的是将数据集中的样本划分成不同的组（簇），使得同一簇内的样本具有较高的相似性，而不同簇之间的样本具有较低的相似性。用来解决聚类任务的常用机器学习算法包括：

K-均值聚类、层次聚类、

基于密度的聚类（如DBSCAN）等。04降维任务典型案例1：图像数据降维处理。在图像数据处理中，一张彩色图像可能包含大量像素点，每个像素点有RGB三个通道，维度很高。利用主成分分析（PCA）可以将这些高维数据投影到低维空间，同时保留图像的主要特征，如物体的轮廓、颜色分布等。这样可以在后续的任务（如图像分类）中减少计算量，并且能够防止过拟合。典型案例2：高维文本数据进行降维处理。在处理高维的文本数