1 机器学习
(1)学习：没有一个精确，公认的定义，主要有以下几种观点：
①学习是系统改进其性能的过程，西蒙1980年提出的
②学习是获取知识的过程
③学习是技能的获取（弹钢琴）
④学习是事物规律的发现过程
----*学习是一个有特定目的的知识获取过程，其内在行为是获取知识，积累经验，发现规律，外部表现是改进性能，适应环境，实现系统的自我完善。
(2)机器学习：是计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。机器学习的研究围绕三个方面：
①学习机理的研究：对人类学习机制的研究
②学习方法的研究：研究人类学习过程
③面向任务的研究
2 学习系统：是能够在一定程度上实现机器学习的系统，一个学习系统应具有如下条件和能力。
(1)具有适当的学习环境
环境：学习系统进行学习时的信息来源
**例 学习系统是学生，环境就是教师，书本，各种应用、实践过程。学习系统用于专家系统的获取时，环境是领域专家，文字资料，图像等。博弈时，环境是博弈的对手和千变万化的棋局。
(2)具有一定的学习能力学习，验证
(3)能应用学习到的知识求解问题,能把学到的信息用于未来的估计，分类，决策，控制
(4)能提高系统的性能
 
**学习是通过对环境的搜索取得外部信息，然后分析，综合类比，归纳获得知识，将知识送入知识库并进行适当的组织，拟定用于处理系统面临的现实问题，评价用于验证执行环节执行的效果。
评价有两种：
①把评价时所需的性能指标直接建立在系统中有由系统对执行环节得到的结果进行评价
②由人来协助完成评价工作
3 机器学习的发展，分三个阶段
(1)神经元模型的研究
20世纪50年代中期，主要研究工作是应用决策理论的方法研制可适应环境的通用学习系统
1957年罗森勃拉特提出感知器模型，由阈值型神经元组成，试图模拟动物和人脑的感知及学习能力
塞缪尔研制的具有自学习，自组织，自适应能力的跳棋程序
(2)符号学习的研究
20世纪70年代中期，研究者们力图在高层只是符号表示的基础上建立人类的学习模型，用逻辑的演绎及归纳推理代替数值的或统计的方法
莫斯托夫的指导式学习
温斯顿和卡鲍尼尔的类比学习
尼切尔等人的解释学习
(3)连接学习的研究
20世纪80年代
**VLSI技术，超导技术，生物技术，光学技术发展，提出了多层网络的学习算法，进入连接学习阶段—非线性大规模并行处理为主流的神经网络的研究。
连接学习适用于连续语音的语音识别及连续模式的识别
符号学习在离散模式识别及专家系统的规则获取方面有效多应用
目前里奇开发的集成系统将两者结合起来
4 机器学习的分类
(1)按学习方法分类
机械式学习
指导式学习
示例学习
类比学习
解释学习
(2)按推理方式分类
基于演绎的学习：是从已知前提逻辑地推出结论的一种推理，解释学习其推理过程主要是演绎方法，归于一类
基于归纳的学习：是从特殊事物或大量实例概括出一般规则或结论的一种推理，由归纳推理得到的结论是否确实是前提的逻辑结论是不能断定的。
示例学习，发现学习以归纳推理为主，划归一类
(3)按综合属性分类
归纳学习
分析学习
连接学习
遗传算法
分类器系统