下面是小编为大家整理的机器学习,教学设计（精选文档）,供大家参考。
第七章 机器学习
教学内容：机器学习是继专家系统之后人工智能应用的又一重要研究领域。本章主要介绍机器学习的 有关知识及其主要的几种学习方法，并介绍了知识发现的相关内容。
教学重点：机器学习的基本结构、类比学习、神经学习、知识发现教学难点：学习系统的结构，知识发现的处理过程， 教学方法：课堂教学为主。注意结合学生已学的内容。及时提问、收集学生学习情况，多实用具体实 例来加以说明，注意难易结合，将课程讲述得较为浅显易懂。
教学要求：重点掌握类比学习和知识发现，掌握机器学习的发展史和神经学习，了解解释学习、归纳 学习，一般了解机械学习。
机器学习的定义和发展历史
教学内容：本小节主要介绍了机器学习的定义以及其发展的过程，为后面的进一步学习打下基础。
教学重点：机器学习的定义 教学难点：对定义的准确把握和理解 教学方法：通过举例引入机器学习的定义，在讲述发展历史时，简介各阶段的具体产物，让学生有较 为具体的感受和体会。
教学要求：重点掌握机器学习的定义，了解机器学习的发展史。
7.1.1
机器学习的定义
1.
机器学习的基本概念：
按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得 系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。
2.
机器学习的定义
机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门 研究机器获取新知识和新技能，并识别现有知识的学问。
举例：列举 1959 年美国的塞缪尔设计的一下棋程序，由这一事件引出关于机器学习的概念的相关讨 论。
提问：讨论关于机器学习的各种概念的提出以及其区别。
7.1.2
机器学习的发展史
机器学习是人工智能应用研究较为重 要的分支，它的发展过程大体上可分为4 个时期：
1.
第一阶段是在 50 年代中叶到 60 年代中叶，属于热烈时期。在这个时期，所研究的是“没有知识” 的学习，即“无知”学习；其研究目标是各类自组织系统和自适应系统；指导本阶段研究的理论基础是早
在 40 年代就开始研究的神经网络模型。在这个时期，我国研制了数字识别学习机。
2.
第二阶段在 60 年代中叶至 70
年代中叶，被称为机器学习的冷静时期。本阶段的研究目标是模拟人类的概念学习过程，并采用逻辑结构或图结构作为机器内部描述。这个时期正是我国“史无前例”的十年，
讨论：根据对四个时期的划分和分段了解，讨论机器学习在现实生活中的 具体运用及其影响。
讨论：通过对比四种主要策略，讨论其各自的优缺点以及其适用的环境。
对机器学习的研究不可能取得实质进展。
3.
第三阶段从 70 年代中叶至 80 年代中叶，称为复兴时期。在这个时期，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法。本阶段已开始把学习系统与各种应用结合起来，中 国科学院自动化研究所进行质谱分析和模式文法推断研究，表明我国的机器学习研究得到恢复。1980
年西蒙来华传播机器学习的火种后，我国的机器学习研究出现了 新局面。
4.
机器学习的最新阶段始于 1986 年。一方面，由于神经 网络研究的
重新兴起，另一方面，对实验研究和应用研究得到前所未有 的重视。我国的机器学习研究开始进入稳步发展和逐渐繁荣的新时期。
机器学习的主要策略与基本结构
内容与作用：本小节概括了机器学习的主要策略，同时给出了机器学习的基本结构，让学生对机器学 习的机制有了基本的认识。
教学重点：机器学习的基本结构。
教学难点：机器学习基本结构的内在联系。
教学方法：通过概括介绍让学生了解几种基本的策略，按从易到难的顺序，层层铺垫，为后面的学习 埋下伏笔。详细讲述机器学习的基本结构，通过图示让更为形象的说明。
教学要求：重点掌握机器学习的基本结构，了解机器学习的几种主要策略，一般了解影响学习系统设 计的因素。
7.2.1
机器学习的主要策略
学习过程与推理过程是紧密相连的，按照学习中使用推理的多少，机器学习所采用的策略大体上可分 为 4 种——机械学习、示教学习、类比学习和示例学习。学习中所用的推理越多，系统的能力越强。
1.
机械学习就是记忆，是最简单的学习策略。这种学习策略不需要任何推理过程。
2.
比机械学习更复杂一点的学习是示教学习策略。系统在接受外部知识时需要一点推理，翻译和转化 工作。
3.
类比学习系统只能得到完成类似任务的有关因此，他比 上 述 两 种学习策略需要更多的推理。
4.
采用示例学习策略的计算机系统，事先完全没有完成任 务 的 任 何规律性的信息，因此需要推理是最多的。
7.2.2
机器学习系统的基本结构
1.
基本结构
图表示学习系统的基本结构：
环境 学习 知识库 执行
举例：可举特征向量的例子来说明表达能力和推理的问题。
举例 ：可用婴儿刚开始学东西时所才用的学习方式和成人的思维方式比较。
图 学习系统的基本结构
通过对这个简单模型的讨论，总结出设计学习 举例：以人为例，说明机器学
系统应当注意的某些总的原则：
习和 人学习一样，有着其自身 环境向系统的学习部分提供某些信息，学习部 的规律和基本过程。而且，其 分利用这些信息修改知识库，以增进系统执行部分完 学习过程也有着共性。
成任务的 效能，执行部分根据知识库完成任务，同时把获得的信息 提问：能否就机器学习的基本 反馈给学 习部分。在具体的应用中，环境，知识库和执行部分决定 结构，举出相关的例子，并参 了具体的 工作内容，学习部分所需要解决的问题完全由上述3 部分 照其基本结构对其进行分析。
确定。
2.
影响学习系统设计的重要因素
(1).
影响学习系统设计的最重要的因素是环境向系统提供的信息。整个过程要遵循“取之精华，弃之糟粕”的原则，同时谨记“实践是检验真理的唯一标准”。
(2).
知识库是影响学习系统设计的第二个因素。知识的表示有多种形式，在选择表示方式时要兼顾以下 4 个方面：
○1
表达能力强。所选择的表示方式能很容易地表达有关的知识。
○2
易于推理。为了使学习系统的计算代价比较低，希望知识表示方式能使推理较为容易。
○3
容易修改知识库。学习系统的本质要求它不断地修改自己的知识库，当推广得出一般执行规则后，要加到知识库中。
○4
知识表示易于扩展。
学习系统不能在全然没有任何知识的情况下凭空获取知识， 每一个学习 系统都要求具有某些知识理解环境提供的信息，分析比较，做出 假设，检验 并修改这些假设。因此，更确切地说，学习系统是对现有知识的进。
机械学习
扩 展 和 改
教学内容：本小节详细介绍了机械学习，对机械学习模式和一种数据化简模式以及机械学习的主要缺 点都有较为细致的讲解。通过对这种最基本的机器学习的了解，为以后学习更为复杂的策略打下良好的基 础。
教学重点：机械学习的模式和其数据化简模式教学难点：基本原理 教学方法：用较为通俗的语言将机械学习的模式讲通彻，同时通过图表对其数据化简过程进行讲解。
多结合日常生活中常有的学习过程，和机械学习参照，让学生更容易接受。
教学要求：重点掌握机械学习模式，了解机械学习的数据化简模式以及机械学习的优缺点。
1 、机械学习的模式
机械学习是最简单的机器学习方法。机械学习就是记忆， 即把新的知 识存储起来，供需要时检索调用，而不需要计算和推理。机械 学习又是最 基本的学习过程。任何学习系统都必须记住它们获取的知识。
在机械学习 系统中，知识的获取是以较为稳定和直接的方式进行的，不需 要系统进行过多的加工。
2 、数据化简
Lenat,Hayes Roth，和Klahr 等人于 1979 年关于机械学习提出一种有趣的观点。他们指出，可以把
机械学习看成是数据化简分级中的第一级。数据化简与计算机语言编译类似；其目的是把原始信息变成可 执行的信息。在机械学习中我们只记忆计算的输入输出，忽略了计算过程，这样就把计算问题化简成存取 问题。见图：
图 数据化简级别图
3 、主要问题
对于机械学习，需要注意 3 个重要的问题：存储组织， 稳定性和存储与计算之间的权衡。
（1）
存储组织信息：采用适当的存储方式，使检索速度尽可能地快，是机械学习中的重要问题。
（2）
环境的稳定性与存储信息的适用性问题：机械学习系统必须的信息适应于外界环境变化的需要，这也就是所谓的信息适用性问题。
（3）
存储与计算之间的权衡：对于机械学习来说很重要的一点是系统的效率。
保证所保存它不能降低
归纳学习
教学内容：本小节详细介绍了归纳学习，对归纳学习的模式有较为细致的讲解，对其定义有详细的介 绍，后半部分介绍了几种常见的归纳学习的方法。
教学重点：归纳学习的定义和其学习模式教学难点：归纳学习的基本原理 教学方法：仍然使用到图表对归纳学习的模式进行讲授，结合几种常用的归纳学习方法，让学生形成 系统的认识。
教学要求：重点掌握归纳学习的定义及其模式，了解归纳学习的几种常见方法。
归纳学习的定义
（1）
归纳（induction）是人类拓展认识能力的重要方法，是一种从个别到一般的，从部分到整体的推理行为。
（2）
归纳推理是应用归纳方法，从足够多的具体事例中归纳出一般性知识，提取事物的一般规律； 它是一种从个别到一般的推理。
（3）
归纳学习（induction learning）是应用归纳推理进行学习的一种方法。根据归纳学习有无教师指导，可把它分为示例学习和观察与发现学习。前者属于有师学习，后者属于无师学习。
7.4.1
归纳学习的模式和规则
归纳学习的一般模式为：
给定：(1) 观察陈述（事实）F，用以表示有关某些对象、状态、过程等的特定知识；(2) 假定的初始 讨论：机械学习中存在的主要 问题以及对学 习模型的影响。
算法和理论 存储 计算 推导 归纳 机械记忆 搜索规则
举例：通过书上的例子引出示例学习的 概念，并加以说明。
归纳断言（可能为空）； (3)
背景知识，用于定义有关观察陈述、候选归纳断言以及任何相关问题领域知识、 假设和约束，其中包括能够刻画所求归纳断言的性质的优先准则。
求：归纳断言（假设）H，能重言蕴涵或弱蕴涵观察陈述，并满足背景知识。假设 H 永真蕴涵事实 F，说明 F 是 H 的逻辑推理，则有：
H
|> F
（读作 H 特殊化为 F）
或
F
|< H （读作 F 一般化或消解为 H）
这里，从 H 推导 F 是演绎推理，因此是保真的；而从事实 F 推导出假设 H 是归纳推理，因此不是保真的，而是保假的。
归纳学习系统的模型如图所示。
图 归纳学习系统模型 解释过程
实例空间 规则空间
规划工程
图 归纳学习系统模型
实验规划过程通过对实例空间的搜索完成实例选择，并将这的活跃实例提交解释过程。解释过程对实例加以适当转换，把活变换为规则空间中的特定概念，以引导规则空间的搜索。
些 选 中跃 实 例
7.4.2
归纳学习方法
1 、示例学习
示例学习（learning from
examples）又称为实例学习，它是通过环境中若干与某概念有关的例子，经归纳得出一般性概念的一种学习方法。
在这种学习方法中，外部环境提供的是一组例子（正例和反例），
示例学习就是要从这些特殊知识中归纳出适用于更大范围的一般性知识，以覆盖所有的正例并排除所 有反例。
2 、观察发现学习
观察发现学习又称为描述性概括，其目标是确定一个定律或 理论的一般 性描述，刻画观察集，指定某类对象的性质。观察发现学习可分 为观察学习 与机器发现两种。前者用于对事例进行聚类，形成概念描述；后规律，产生定律或规则。
类比学习 者用于发现
教学内容：本小节详细介绍了类比学习，首先介绍类比推理，然后讨论类比学习的形式和学习步骤， 最后研究类比学习的过程和研究类型。
教学重点：类比推理，类比学习的学习过程 思考：引导学生通过对归纳学习模型的学习，结合身边的实例加以分析。
举例：举出现实中的具体实例， 按推理过程对其步骤进行一步步的细分。
教学难点：类比推理的步骤 教学方法：本节的知识较为枯燥，讲述的时候要尽量多结合相关的示例让学生能有具体的感受，更有 力于接受知识。
教学要求：重点掌握类比推理的定义，了解类比学习的过程。
7.5.1
类比推理和类比学习形式
类比推理是由新情况与已知情况在某些方面的相似来推出它们在其它相关方面的相似。显然，类比推 理是在两个相似域之间进行的：类比推理的目的是从源域中选出与当前问题最近似的问题及其求解方法以 求解决当前的问题，或者建立起目标域中已有命题间的联系，形成新知识。
其推理过程如下：
(1)
回忆与联想 遇到新情况或新问题时，首先通过回忆与联想在S 中找出与当前情况相似的情况，这些情况是过去已经处理过的，有现成的解决方法及相关的知识。
(2)
选择 从找出的相似情况中选出与当前情况最相似的情况及其有关知识。
(3)
建立对应映射 在 S 与 T 的相似情况之间建立相似元素的对应关系，并建立起相 应的映射。
(4)
转换 在上一步建立的映射下，把 S 中的有关知识引到 T 中来，从而建 立 起 求 解 当前问题的方法或者学习到关于 T 的新知识。
7.5.2
类比学习过程与研究类型
类比学习主要包括如下四个过程：
(1)
输入一组已知条件（已解决问题）和一组未完全确定的条件（新问题）。
(2)
对输入的两组条件，根据其描述，按某种相似性的定义寻找两者可类比的对应关系。
(3)
按相似变换的方法，将已有问题的概念、特性、方法、关系等映射到新问题上，以获得待求解新问题所需的新知识。
(4)
对类推得到的新问题的知识进行校验。验证正确的知...