机器学习技术与机器学习系统

知识获取是知识处理过程中的“瓶颈“，这一问题的解决有赖于机器学习研究的进展。本文从两种不同的角度概述并评价了当前机器学习中的一些主要技术和典型系统，其一是着眼于机器学习技术所采用的推理方式，即演绎推理、归纳推理和类比推理，其二是强调机器学习系统所使用的知识类型和学习过程中信息流动的走向。     

机器学习及其发展方向

机器学习是人工智能的核心课题。本文简要讨论机器学习的一般问题,进一步指出机器学习的发展方向。     

智能系统与机器学习

随着计算机科学特别是人工智能的发展,人们对智能系统的研究更加深入,逐步认识到智能系统的核心问题就是它的学习能力。那么,智能系统的一般组成及工作过程怎样?智能系统有哪些性质?要模拟智能系统应该解决哪些问题?尽管当前出现了各种学习系统,如机械学习,指导式学习,发现式学习,示例式学习,类比学习,解释学习等,但这些系统在学习过程中有何作用,处于何种地位?还有哪些学习方式值得我们研究?这就是本文要力求阐明的问题。     

机器学习—回顾与展望

如所周知,机器学习(ML)已成为人工智能的热门学科。近年 ML 有了许多新的发展,如联接学习(人工神经网络)、分析学习、遗传算法等。本文对 ML 的历史和现状做一综述,并展望其未来发展。特别介绍了神经网络、人工智能及 ML 方法的彼此关系、局限性和应用领域。对各种 ML 方法给以客观的的评价,供国内同行参考。     

自然语言与机器学习

自然语言不仅是人们交流通讯的主要手段,而且是人们学习的一种主要的手段。在本文中我们讨论了自然语言与学习之间的关系,探讨了让机器通过自然语言来学习知识的问题。我们给出了自然语言所表达的概念的形式定义、用自然语言学习知识的策略以及学习函数的构造。     

人工智能中的机器学习研究

近年来,随着科技和经济的发展,人工智能研究取得了长足的进步。这门学科经过几十年的发展已经取得了一定的成绩。人工智能主要是指通过普遍计算机实现的智能。人工智能主要分为两部分,"人工"及"智能",本文就人工智能中的"智能"方面的发展与机器学习技术的运用进行了研究,以此为我国的人工智能发展提供参考。     

协调机器学习的稳定性研究

传统的机器学习方法 ,学习过程不影响被学习系统 ,并且被学习系统通常不是可变的 ,本文提出的协调机器学习系统 ,把学习与被学习作为一个整体来研究 ,进一步丰富和发展了机器学习的基本内容     

机器学习算法及其应用综述

机器学习是一门多学科的综合性研究,它既是基于模式识别和人工智能的一类计算机科学分支,也是人工智能的一种极其重要的研究方向。文章从机器学习经典算法、新型算法及其应用三个方面进行介绍。首先阐述了6种最常见的机器学习方法,及其机器学习算法的数据并行、聚类、分治3个主要方式;然后,在机器学习经典方法的基础上介绍了结合各专业领域的量子机器学习方法以及李群机器学习;最后,阐述了机器学习方法在各领域中的实际应用,并对机器学习未来的发展趋势做出了分析总结。     

KDD中的机器学习

1.机器学习的发展机器学习是研究获取新知识、新技巧,重组已经出现的知识的计算方法,是人工智能中的基本问题,其理论基础涉及人工智能、统计学、脑知模型、适应性控制理论、心理学模型、进化模型(如遗传算法)。机器学习的研究开始于50年代,经过40来年的发展,已经取得     

基于归纳的机器学习方法的实现研究

一、引言机器学习是解决计算机获取知识问题的方法。在这项研究中,对人类学习方法的模拟是一条重要的途径,而归纳正是人类学习的重要方式之一。从归纳中获取知识是人类新知识的极其重要的来源,它通过对经验材料的研究,探求新知识。由于一切科学理论的基本前提最初都是从经验事实中总结出来的,而从经验到一般规律的过程中,归纳推理起着不可替代的作用。开普勒从各大行星的天文观测     

基于DFS的协调机器学习模型

机器学习是人工智能的核心课题之一,机器学习的研究得到众多学者的广泛关注。基于动态模糊集等基本理论,提出了一种协调学习的模型。并讨论了CMLM的学习算法,该种学习方法适合复杂的学习系统。通过研究这种学习方法,进一步丰富了机器学习的基本内容。     

机器学习在数据挖掘中的作用

本文介绍了机器学习与数据挖掘方法的基本特点,包括概念、发展、应用和分类概况,提供了一个了解机器学习与数据挖掘的应用视角。     

机器学习中的概念聚类

一、引言机器学习是人工智能发展中一个十分活跃的领域,机器学习的研究就是希望计算机能够像人类那样具有从现实世界获取知识的能力。学习应是一切智能系统的重要特征之一,没有学习能力的系统都不堪称为智能系统。因此不少学者认为,如果说八十年代是专家系统的年代,那么九十年代将是机器学习的年代。归纳学习是机器学习研究中最为困难,然而却最为诱人的一个方面。从科学哲学的观点来看,归纳能够帮助人们学习,而且也     

机器学习与生物信息学

后基因时代，探索和解释隐藏在分子生物学数据库中的有用信息将是对生物信息学研究人员的巨大挑战!为了解决分子生物学中遇到的这些难题，有效及廉价的方法是非常必要的．机器学习是一种自动的、具有智能学习技术的方法，有助于达到上述目的。本文就知识发现、人工神经网络、决策树、贝叶斯网络、遗传算法、隐马尔科夫链、聚类、归纳逻辑编程、支持向量机等机器学习方法在生物信息学中的应用进行了系统地评述．这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面的研究进展．     

支撑机器学习的数据管理技术综述

应用驱动创新,数据库技术就是在支持主流应用的提质降本增效中发展起来的.从OLTP、OLAP到今天的在线机器学习建模无不如此.机器学习是当前人工智能技术落地的主要途径,通过对数据进行建模而提取知识、实现预测分析.从数据管理的视角对机器学习训练过程进行解构和建模,从数据选择、数据存储、数据存取、自动优化和系统实现等方面,综...     

机器学习在心理测量中的应用

心理测量是利用标准化的测量工具对人的行为加以数量化的描述,来推测其个体心理过程和特征的技术.机器学习是让计算机在大量数据的基础上建立模型以获得自主识别与学习新知识能力的方法.现在心理学研究者们将机器学习与心理测量相结合,在医疗、心理咨询、用户分析等相关领域的运用进行了探索,且其独特的优势正受到越来越多的学者的关注.该文...     

机器学习在RoboCup中的应用研究

RoboCup is a particularly good domain for studying multi-agent systems.A wide variety of MAS issues can be studied in robotic soccer,in which the theory,algorithm and architecture of agent system can be evaluated.Because of the inherent complexity of MAS,there are many interests in using machine learning techniques to handle it.This paper investigates and discusses the machine-learning techniques used in RoboCup.The background is firstly presented and the application of machine learning in RoboCup is lately demonstrated with some top simulation teams.The machine-learning system in NDSocTeam is also introduced.Finally some open issues in this field are pointed out.     

智能控制系统中机器学习的研究

本文总结了制造领域中机器学习方法的研究现状,针对智能控制系统所面临的外界环境动态变化和内部技术演化,提出一个多Ａｇｅｎｔ协同实现、多种学习机制集成的学习模型框架;最后,分析并展望了智能制造系统中机器学习研究的发展方向。