[人工智能知识体系]人工智能学习策略分类

学习策略分类

学习策略是指学习过程中系统所采用的推理策略，一个学习系统总是由学习和环境两部分组成。由环境(如书本或教师)提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。在学习过程中，学生(学习部分)使用的推理越少，他们对教师(环境)的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下6种基本类型：

人工智能学习策略分类

1)机械学习

学习者无须任何推理或其他的知识转换，直接吸取环境所提供的信息，如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存储的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不做任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不做任何推理。

2)示教学习

学生从环境(教师或其他信息源如教科书等)获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断增加。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存储和应用学到的知识。目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。

3)演绎学习

学生所用的推理形式为演绎推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是保真变换和特化的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作学习、知识编辑和组块技术，演绎推理的逆过程是归纳推理。

4)类比学习

利用两个不同领域(源域、目标域)中的知识相似性，可以通过类比，从源域的知识(包括相似的特征和其他性质)推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。

类比学习需要比上述3种学习方式更多的推理。它一般要求先从知识源(源域)中检索出可用的知识，再将其转换成新的形式，用到新的状况(目标域)中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如，著名的卢瑟福类比就是通过将原子结构(目标域)同太阳系(源域)做类比，揭示了原子结构的奥秘。

5)基于解释的学习

学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什么该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。著名的基于解释的学习系统有迪乔恩(QDeJong)的GENESIS，米切尔(T.Mitchell)的LEXII和LEAP，以及明顿(S. Minton)等的PRODIGY。

6)归纳学习

归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述(如公理)。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为源概念加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。