人工智慧自動獲得知識和技能，實現自我完善的過程是什麼

實現自我完善的過程是「機器學習」。機器學習是人工智慧核心，是使電腦具有智慧的根本途徑；它使電腦能模擬人的學習行為，自動地透過學習來獲取知識和技能，不斷改善效能，實現自我完善。機器學習主要研究三方面問題：1、學習機理，人類獲取知識、技能和抽象概念的天賦能力；2、學習方法，對生物學習機理進行簡化的基礎上，用計算的方法進行再現；3、學習系統，能夠在一定程度上實現機器學習的系統。

本教學操作環境：windows7系統、Dell G3電腦。

人工智慧自動獲得知識和技能，實現自我完善的過程是「機器學習」。

機器學習是人工智慧核心，是讓電腦具有智慧的根本途徑。

機器學習：

機器學習（Machine learning）使電腦能模擬人的學習行為，自動地透過學習來獲取知識和技能，不斷改善效能，實現自我完善。

機器學習主要研究以下三個問題：

#（1）學習機理：人類獲取知識、技能和抽象概念的天賦能力。
（2）學習方法：機器學習方法的建構是在生物學習機制簡化的基礎上，用計算的方法進行再現。
（3）學習系統 ：能夠在一定程度上實現機器學習的系統。

一個學習系統​​一般應該有環境、學習、知識庫、執行與評估等四個基本部分組成。

機器學習的分類

1. 依學習方法分類（溫斯頓，1977 ）

機械式學習、指導式學習、範例學習、類比學習、 解釋學習等。

2. 依學習能力分類：

#監督學習（有教師學習）

#強化學習（再勵學習或增強學習）

非監督學習（無教師學習）

#3. 以推理方式分類：

#基於演繹的學習（解釋學習）。
基於歸納的學習 （範例學習、發現學習等 ）。

4. 依綜合屬性分類：

歸納學習、分析學習、連結學習、 遺傳式學習等。

機械式學習

機械式學習（rote learning）又稱記憶學習，或死記式學習：透過直接記憶或儲存外部環境所提供的資訊達到學習的目的，並在以後透過對知識庫的檢索得到相應的知識直接用來求解問題。
機械式學習實質是用儲存空間來換取處理時間。
典型例子： 1959年，塞繆爾(Ａ．Ｌ．Samuel)的跳棋程式CHECKERS 。

塞繆爾的跳棋程式CHECKERS

#在給定搜尋深度下用估價函數對格局進行評分，透過倒推計算求出上層節點的倒推值，決定目前的最佳走步。
下次遇到相同情況，直接利用倒推值決定最佳走步，不需重新計算。

機械學習的主要問題：

儲存組織資訊：要採用適當的儲存方式，使檢索速度盡可能地快。
環境的穩定性與儲存資訊的適用性問題：機械學習系統必須確保所保存的資訊適應於外界環境變化的需要。
儲存與運算之間的權衡：對於機械學習來說很重要的一點是它不能降低系統的效率。

指導式學習

指導式學習（learning by being told）又稱囑咐式學習或教授式學習：由外部環境向系統提供一般性的指示或建議，系統把它們具體地轉化為細節知識並送入知識庫中。在學習過程中要反覆對形成的知識進行評價，使其不斷精進。

指導式學習的學習過程：

徵詢指導者的指示或建議、把徵詢意見轉換為可執行的內在形式、加入知識庫、評價。

徵詢指導者的指示或建議

#簡單徵詢：指導者給予一般性的意見，系統將其具體化。
複雜徵詢：系統不僅要求指導者給予一般性的建議，還要具體地鑑別知識庫中可能存在的問題，並給予修改意見。
被動徵詢：系統只是被動地等待指導者提供意見。
主動徵詢：系統不只是被動地接受指示，還能主動地提出詢問，把指導者的注意力集中在特定的問題上。

把徵詢意見轉換為可執行的內部形式

#學習系統應具有把用約定形式表示的徵詢意見轉化為電腦內部可執行形式的能力，並且能在轉換過程中進行語法檢查及適當的語意分析。

加入知識庫

加入過程中要對知識進行一致性檢查，以防止矛盾、冗餘、環路等問題。

評價

評價方法：對新知識進行經驗測試，即執行一些標準例子，然後檢查執行情況是否與已知情況一致。

範例學習

範例學習（learning from examples，實例學習或從例子中學習） ：透過從環境中取得若干與某概念有關的例子，經歸納得出一般性概念的一種學習方法。

範例學習中，外在環境（教師）提供一組範例（正例和反例），然後從這些特殊知識中歸納出適用於更大範圍的一般性知識，它將涵蓋所有的正例並排除所有反例。

範例學習的學習模型

更多相關知識，請造訪常見問題欄位！

以上是人工智慧自動獲得知識和技能，實現自我完善的過程是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！