人工智能入门其实并不难，通过交流，相信你会事半功倍。本专栏《100节课带你从小白入门人工智能》结合多年教学经验，精心编写，堪称“人工智能的百科全书”。内容涵盖人工智能历史、搜索方法、知情搜索、博弈中的搜索、人工智能逻辑、知识表示、产生式系统、专家系统、机器学习和神经网络、遗传算法、自然语言处理、自动规划、机器人技术、高级计算机博弈以及人工智能的未来等主题。即使是完全不懂人工智能的小白也能轻松入门。

小复习

上一章节讲解了专家系统案例，如果想查看具体内容，请点击上一节。

第10章　机器学习第一部分

本章结尾将对机器学习进行讨论。首先介绍机器学习的概念及归纳范式。决策树是一种广泛应用的归纳学习方法，但由于其泛化能力较弱，预测效果不佳，因此曾一度不受重视。然而，当采用大量决策树时，可以消除许多分歧，最终促使随机森林（或决策林）这一学习方法得以复兴。本章最后解释了熵及其与决策树结构的关系。

引言

无论是牙科领域还是小提琴演奏领域，人们都可以通过学习提升专业技能。牙医学的学生在修复牙齿方面变得越来越熟练；而在纽约市茱莉亚音乐学院学习的小提琴手，经过多年的训练，可以演奏出更加艺术性的莫扎特小提琴协奏曲。同样，机器学习是一个过程，在这个过程中，计算机通过阅读训练数据来提炼意义。在研究初期，我们提出了一个问题：机器可以思考吗？如果计算机能够执行分析推理的算法（超出了第五章中归纳原理的应用范围），那么这将极大地促进问题的解决，因为大多数人认为学习是思维的重要组成部分。此外，机器学习有助于克服人类在知识和常识方面的瓶颈，而这些瓶颈会阻碍人类层次的人工智能发展。因此，许多人将机器学习视为人工智能的未来。

机器学习：简要概述

机器学习的起源可以追溯到亚瑟·塞缪尔。他在IBM工作了20年（从1949年开始），教会计算机下跳棋。他的程序采用了填鸭式学习，即程序会记住之前游戏中成功的走法。有趣的是，他的跳棋程序还融合了策略。塞缪尔通过向人类跳棋高手请教，获得了跳棋的深刻见解，并将其应用到了程序中。

• 保持对棋盘位置的控制。
• 努力跳过对手的棋子。
• 寻求成为王。

为了增强在某些游戏中的竞争力，人们会反复练习。同样，塞缪尔也有不同版本的程序相互竞争。失败者会从胜利者那里学习并获得启发式策略（详见第16章）。

这个列表并不是详尽无遗的，但它提供了一个讨论的起点。机器学习是一个内容丰富的主题，即使用一本书也难以囊括所有内容。我们鼓励有兴趣的读者查阅更多关于该主题的文章。

以下是五种主要的机器学习范例：

1. 神经网络。
2. 基于案例推理。
3. 遗传算法。
4. 规则归纳。
5. 分析学习。

隐喻是通过比喻的方式将两个本质上不同的事物进行对比，从而找到共同点。例如，“他像马一样吃饭”。机器学习社区专注于人工神经网络的研究，从中汲取灵感。人脑和神经系统被认为是地球上最聪明的自然智能系统。在人工神经网络中，人工神经元按照特定的拓扑结构连接起来。网络的输入信号通常会引起连接强度的变化，最终超过阈值，产生输入信号。训练集是一组精心挑选的输入示例，用于教授神经网络某些概念。我们将用第11章详细介绍这种机器学习方法。

基于案例的推理借鉴了人类记忆机制的工作原理。这种方法维护一个过去案例或场景的数据库，人们可以快速检索这些案例或场景。例如，医生可能会回想起一个类似的病例，从而诊断出病毒性脑膜炎。通过处理过去的案例，医生可以在当前病例中更快地做出诊断。当然，医生还需要排除其他具有相似症状但原因和结果截然不同的疾病。例如，医生可能会通过核磁共振成像（MRI）来确认脑肿胀，并排除肿瘤的存在，或者通过腰椎穿刺来排除细菌性脑膜炎的可能性。关于案例推理的进一步讨论，请参阅第9章。

在基于遗传算法的机器学习中，自然选择是这种学习方法的灵感来源。19世纪中叶，达尔文提出了自然选择理论。无论是植物还是动物，只要物种变异带来了生存优势，这种变异在下一代中出现的频率就会增加。例如，在19世纪初的伦敦，淡色飞蛾比深色飞蛾具有更大的生态优势。那时，桦树占主导地位，颜色较浅，为淡色飞蛾提供了自然伪装，使其免受鸟类捕食。随着工业革命的到来，污染加剧，树木变得更暗，深色飞蛾获得了伪装优势，其比例逐渐上升。关于遗传算法和遗传程序的详细内容，请参阅第12章。

规则归纳是依赖于产生式规则（见第6章）和决策树（见第7章）的机器学习分支。适用于教机器人包装杂货的一个产生式规则是：

• 如果物品是冷冻食品，则将其放入冷冻袋中再放入购物袋。

我们很快就会发现产生式规则和决策树之间的信息相似性。图10.1展示了杂货包装机器人决策树的一部分。

获取专栏答案的方式

关注我，私信获取。

希望以上改写符合您的要求。