機器學習(Machine Learning, ML)是一門多領域交叉學科，是人工智能研究發(fā)展到一定階段的必然產(chǎn)物，也是人工智能的核心。從 20 世紀50 年代到 70 年代初，人工智能研究處于“推理期”，人們認為只要給機器賦予邏輯推理能力，機器就能具有智能。發(fā)展到今天，機器學習已經(jīng)有了十分廣泛的應用，例如：數(shù)據(jù)挖掘、計算機視覺、搜索引擎、醫(yī)學診斷、證券市場分析和機器人運用等等。
在機器發(fā)展的過程中，也衍生了多種方法。
一. 經(jīng)驗性歸納法
這種方法采用一些數(shù)據(jù)密集的經(jīng)驗方法對例子進行歸納學習。具體常見的有：版本空間法、ID3法、定律發(fā)現(xiàn)方法等。這些例子的學習結(jié)果多用屬性、關系等符號表示。相當于基于學習策略分類中的歸納學習，但不包括連接學習、加強學習和遺傳算法。
二. 分析學習法
分析學習法是從一個或少數(shù)幾個實例出發(fā)，運用領域知識進行分析。使用過去的問題求解經(jīng)驗（實例）指導新的問題求解。分析學習的目標是改善系統(tǒng)的性能，而不是新的概念描述。分析學習包括應用解釋學習、演繹學習、多級結(jié)構組塊以及宏操作學習等技術。
三. 類比學習法
這種相當于基于學習策略分類中的類比學習，較引人注目的研究是通過與過去經(jīng)歷的具體事例作類比來學習，稱為基于范例的學習(case_based learning)，簡稱范例學習。
四. 遺傳算法（genetic algorithm）
遺傳算法模擬生物繁殖的突變、交換和達爾文的自然選擇（在每一生態(tài)環(huán)境中適者生存）。它把問題可能的解編碼為一個向量，稱為個體，向量的每一個元素稱為基因，并利用目標函數(shù)（相應于自然選擇標準）對群體（個體的集合）中的每一個個體進行評價，根據(jù)評價值（適應度）對個體進行選擇、交換、變異等遺傳操作，從而得到新的群體。遺傳算法適用于非常復雜和困難的環(huán)境。同神經(jīng)網(wǎng)絡一樣，遺傳算法的研究已經(jīng)發(fā)展為人工智能的一個獨立分支，其代表人物為霍勒德。
五. 聯(lián)接學習
典型的聯(lián)接模型實現(xiàn)為人工神經(jīng)網(wǎng)絡，其由稱為神經(jīng)元的一些簡單計算單元以及單元間的加權聯(lián)接組成。
六. 增強學習（reinforcement learning）
增強學習的特點是通過與環(huán)境的試探性（trial and error）交互來確定和優(yōu)化動作的選擇，以實現(xiàn)所謂的序列決策任務。在這種任務中，學習機制通過選擇并執(zhí)行動作，導致系統(tǒng)狀態(tài)的變化，并有可能得到某種強化信號（立即回報），從而實現(xiàn)與環(huán)境的交互。強化信號就是對系統(tǒng)行為的一種標量化的獎懲。系統(tǒng)學習的目標是尋找一個合適的動作選擇策略，即在任一給定的狀態(tài)下選擇哪種動作的方法，使產(chǎn)生的動作序列可獲得某種最優(yōu)的結(jié)果（如累計立即回報最大）。
上述分類中，經(jīng)驗歸納學習、遺傳算法、聯(lián)接學習和增強學習均屬于歸納學習，其中經(jīng)驗歸納學習采用符號表示方式，而遺傳算法、聯(lián)接學習和加強學習則采用亞符號表示方式。
機器學習的各種學習方法的應用范圍不斷擴大，一部分已形成商品。分析學習已用于設計綜合型專家系統(tǒng)。遺傳算法與強化學習在工程控制中有較好的應用前景。與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡連接學習將在企業(yè)的智能管理與智能機器人運動規(guī)劃中發(fā)揮作用。相信機器學習前景正好，必將在數(shù)據(jù)應用中為人們帶來越來越多的益處。
大數(shù)據(jù)魔鏡——國內(nèi)首款免費的大數(shù)據(jù)可視化分析工具 轉(zhuǎn)載請注明