机器学习(Machine Learning, ML)是一门多领域交叉学科，是人工智能研究发展到一定阶段的必然产物，也是人工智能的核心。从 20 世纪50 年代到 70 年代初，人工智能研究处于“推理期”，人们认为只要给机器赋予逻辑推理能力，机器就能具有智能。发展到今天，机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、搜索引擎、医学诊断、证券市场分析和机器人运用等等。

在机器发展的过程中，也衍生了多种方法。

一. 经验性归纳法

这种方法采用一些数据密集的经验方法对例子进行归纳学习。具体常见的有：版本空间法、ID3法、定律发现方法等。这些例子的学习结果多用属性、关系等符号表示。相当于基于学习策略分类中的归纳学习，但不包括连接学习、加强学习和遗传算法。

二. 分析学习法

分析学习法是从一个或少数几个实例出发，运用领域知识进行分析。使用过去的问题求解经验（实例）指导新的问题求解。分析学习的目标是改善系统的性能，而不是新的概念描述。分析学习包括应用解释学习、演绎学习、多级结构组块以及宏操作学习等技术。

三. 类比学习法

这种相当于基于学习策略分类中的类比学习，较引人注目的研究是通过与过去经历的具体事例作类比来学习，称为基于范例的学习(case_based learning)，简称范例学习。

四. 遗传算法（genetic algorithm）

遗传算法模拟生物繁殖的突变、交换和达尔文的自然选择（在每一生态环境中适者生存）。它把问题可能的解编码为一个向量，称为个体，向量的每一个元素称为基因，并利用目标函数（相应于自然选择标准）对群体（个体的集合）中的每一个个体进行评价，根据评价值（适应度）对个体进行选择、交换、变异等遗传操作，从而得到新的群体。遗传算法适用于非常复杂和困难的环境。同神经网络一样，遗传算法的研究已经发展为人工智能的一个独立分支，其代表人物为霍勒德。

五. 联接学习

典型的联接模型实现为人工神经网络，其由称为神经元的一些简单计算单元以及单元间的加权联接组成。

六. 增强学习（reinforcement learning）

增强学习的特点是通过与环境的试探性（trial and error）交互来确定和优化动作的选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态的变化，并有可能得到某种强化信号（立即回报），从而实现与环境的交互。强化信号就是对系统行为的一种标量化的奖惩。系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果（如累计立即回报最大）。

上述分类中，经验归纳学习、遗传算法、联接学习和增强学习均属于归纳学习，其中经验归纳学习采用符号表示方式，而遗传算法、联接学习和加强学习则采用亚符号表示方式。

机器学习的各种学习方法的应用范围不断扩大，一部分已形成商品。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。相信机器学习前景正好，必将在数据应用中为人们带来越来越多的益处。

大数据魔镜——国内首款免费的大数据可视化分析工具 转载请注明