“教学参考-11”版本间的差异

2022年8月2日 (二) 09:13的最后版本

教学目标

• 理解学习对人工智能的重要意义
• 理解机器学习的基本概念和基本框架
• 通过例子解释机器如何进行学习

教学内容

学习的重要性

• 学习是人类的重要认知活动，学习的能力往往与个体的认知能力直接相关。研究表明，人的学习过程从胎儿时期就开始了，直到去世，学习伴随着我们一生。
• 学习有很多种形式。走入一个嘈杂的工厂，刚开始难以忍受，过一段时间后就会慢慢适应，这是一种学习。听到铃声就知道开饭了，开始流口水，这也是一种学习。老师在课堂上传授知识，学生认真听讲，这是一种学习。没有了老师，孩子们自己玩耍，同样是一种学习。
• 学习帮助我们适应周围的环境，掌握经验性知识，积累生存所需要的技能。这些知识与技能是智能的重要组成部分。
• 研究表明，不仅是人类，很多动物都有学习能力，甚至植物都有。

机器学习

• 早期的研究者倾向于将人的知识和思维方式“灌输”给机器，从而让机器拥有思维能力。这类比于老师把知识总结成知识点，把思考过程总结成解题招式，硬性地灌输给学生。这种方法在定理证明、专家系统等任务上取得了巨大成功。
• 然而，这种知识灌输方法存在很大局限性。首先人为总结各种知识非常繁琐，耗时耗力;其次机器只能在人类设计好的知识框架里活动，限制了能力的发挥。
• 1959年，美国科学家亚瑟•塞缪尔正式提出“机器学习”的概念，并在西洋跳棋游戏中进行了验证。在实验中，塞缪尔只是告诉机器游戏的规则，走棋的大概思路，以及一些控制走棋方式的参数。塞缪尔发现，通过调整这些参数，机器用8-10个小时即可学习到超过程序设计者的棋艺。
• 此后，机器学习得到蓬勃发展，人们提出了贝叶斯网络、多层感知器、支持向量机等各种学习模型，机器的学习能力大幅提升。特别是新世纪以来，随着数据的积累和计算机性能的提高，机器能学到的东西越来越多，越来越强大，直接引发了新一轮人工智能的浪潮。

机器学习基本框架

• 实现机器自主学习需要解决五个基本问题：

• 学习的目标是什么？是分类更精确，还是预测更合理？如何将这一目标定义成数学形式？
• 学习的主体是什么？是神经网络的连接，还是产生式规则的排序？
• 如何学习？是通过模拟生物进化，还是通过数值优化方法？这是学习算法的问题。
• 学习的材料是什么？是观察到的图片，还是听到的声音？这是数据的问题。
• 学习应满足什么样的条件，或遵循什么样的规则？这些条件和规则通常以先验知识的形式包含在模型设计中。例如，对图像处理任务，卷积神经网络通常可以模拟人类视觉系统的处理方式，因此往往性能更好。

机器学习与人工智能

• 人工智能是一门科学，其目的是让机器拥有人的智能。人工智能中包含很多种方法，机器学习是其中之一，是通过学习积累知识、实现智能的方法。目前，机器学习是人工智能最重要的方法。
• 通过自主学习，机器有可能打破人类知识的上限，获得人类尚未发现的新知识，发现达到目标的新途径，从而获得“超人”的智能。
• 今天人工智能所展现出的强大能力，包括人们谈论的人工智能威胁，很大程度上来源于机器学习，因为只有自主学习的机器，才可能超越它的创造者，拥有难以预期的强大能力。
• 值得说明的是，让机器学习的思想在图灵时期就提出来了，图灵还认为这是实现智能机器的基础方案。后来的SNARC神经网络也具有学习能力。然而，机器学习在人工智能发展的最初三四十年里并没有占据主流，人工智能的发展最初并没有按照图灵的思路进行下去。
• 早期人工智能研究者认为，学习能力是人的基础智能之一，是人工智能的研究目标之一，即如何让机器模拟人类的学习能力。这种思想并没有意识到学习的基础性地位，而是把它列为和推理、运动、计划等并列的智能之一进行处理。这一思想极大影响了机器学习在人工智能中的地位。如果翻开当时的教科书，你会发现“机器学习”只是其中很短的一章，大部分在讲人为设计的搜索算法，知识表达等等。
• 随着时代的变化，研究者渐渐发现，机器学习不应该视为人工智能的目标之一，而应该是一种基础方法，是比其它智能更基础、更重要的能力。不会运动不怕，只要会学习就可以；不会推理也不怕，只要会学习就可以...依此类推，所有思维能力都可以通过学习获得。
• 这种“学习是第一推动力”是一种全新的思想，在90年代以后开始成形，极大推动了人工智能的发展，成为今天人工智能革命的起点。有趣的是，这一思路正是图灵六十年前的思路。

机器学习的例子：苹果和桔子分类

• 我们的目标是对苹果和桔子进行分类。基于生活经验，我们知道又大又红的更可能是苹果，小一些颜色偏橙黄色的是桔子。基于这一知识，我们以“颜色”和“大小”作为特征，设计一个分类模型： Y = a ✖ 颜色 + b ✖ 大小
• 在上述模型中，我们并不指定参数a和b的值，而是给机器一些苹果和桔子的样例（数据），让机器自我学习a和b的取值。
• 为了使上述学习任务具有明确的数学形式，我们设桔子的标记T=0，苹果的标记T=1，学习算法通过调整(a,b)的取值，使分类模型的输出Y近可能接近T。
• 当学习完成后，就得到一个预测模型。基于这一模型，得到一个分类面，这个分类面一侧的Y>0.5，一侧Y<0.5，分类而上Y=0.5。分类面是线性的，因此称为线性模型。
• 对一个新样本利用分类模型公式计算它的Y值，如果<0.5则认为是桔子，如果>0.5则认为是苹果。这是机器学习的基本流程。