第五章機器學習(參考版)
2025-08-04 13:15本頁面
【正文】 Video 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 七、 21世紀初 DMKD研究課題 發(fā)現語言的形式化描述 可視化、交互式發(fā)現 發(fā)現知識的維護更新 思考題 ? 學習的基本機制和主要作用是什么？試舉例說明。 數據立方體的實體化是指預先執(zhí)行某些計算，存儲計算結果，在數據分析時直接使用。維可以有層次結構。它從大量的事務數據庫中抽取數據，通過轉換形成統(tǒng)一的格式。 注： 1)數據源是真實的、大量的、含噪聲 2)數據源支持相應的發(fā)現，但發(fā)現的知識是隱含的、事先不知道的；是發(fā)現，不是證明 3)發(fā)現的是人們感興趣的知識，且一般是從大量的數據中提煉出抽象的知識 4)發(fā)現的知識可接受、可理解、可運用 5)不要求發(fā)現通用知識，僅支持特定的問題 6)需綜合運用統(tǒng)計學、粗糙集、模糊數學、機器學習和專家系統(tǒng)、神經網絡、可視化等多學科的手段與方法 第五章 機器學習 第六節(jié) 數據挖掘與知識發(fā)現 三、最常發(fā)現的知識 廣義型知識 (Generalization) 根據數據的微觀特性發(fā)現其表征的、帶有普遍性的、較高層次概念的、中觀和宏觀的知識 分類型知識 (Classification amp。 四、多層網絡的學習 使用反傳算法 五、 Hopfield模型網絡 使用模擬退火方法。 第五章 機器學習 第四節(jié) 遺傳式學習 三、遺傳算子 雜交 變異 C(a1,a2)={a1’,a2’} M(a1)=a1’ 第五章 機器學習 第四節(jié) 遺傳式學習 三、遺傳算子 逆轉 i(a1)=a1’ 第五章 機器學習 第四節(jié) 遺傳式學習 四、水桶排隊算法 輸入界面從外部環(huán)境接受消息，如果其中包含對上一步中某個輸出消息的肯定，且此輸出消息的生產者是規(guī)則 a，則令 q(a,t):=q(a,t)+B(a,t)， 其中， q(a,t)是規(guī)則 a在時刻 t的強度； B(a,t)=C*z(a)*q(a,t) (C是一個常數 ,C1) z(a)= 的條件部分符號總數符號個數的條件部分中非aa第五章 機器學習 第四節(jié) 遺傳式學習 四、水桶排隊算法 把收到的外部消息記錄在消息表上 把消息表上的全部消息和知識庫中所有規(guī)則的條件部分匹配 令匹配成功的規(guī)則集為 S，若 S為空集，則轉 9 設當前時刻為 t，計算每個規(guī)則在時刻 t的競爭力，根據競爭力算出這些規(guī)則被選中的概率，根據這些概率選出一批規(guī)則作為獲勝者，它們將自己的動作部分作為新消息存于緩沖區(qū)中 若緩沖區(qū)中含有矛盾消息，則繼續(xù)使用競爭的辦法消除矛盾中較弱的一方 第五章 機器學習 第四節(jié) 遺傳式學習 四、水桶排隊算法 用緩沖區(qū)中剩余的消息代替消息表上原有的消息 若經過 6各步后緩沖區(qū)中留存的各個消息的生產者是規(guī)則組 {ai}，則對每個 ai作如下操作： (1)q(ai,t+1):=q(ai,t)B(ai,t) (2)對任何規(guī)則 bj，若 bj在上一步中產生的消息使 ai在這一步匹配成功，則令 q(bj,t+1):=q(bj,t)+B(ai,t)/n (n是滿足上述條件的 bj的個數 ) 第五章 機器學習 第四節(jié) 遺傳式學習 四、水桶排隊算法 調用遺傳學習算法改進知識庫，得到一個新的知識庫 輸出界面向外部環(huán)境輸出消息表中的消息，t:=t+1，轉 1 注：水桶排隊算法可作為信任分配機制。此
法律信息相關推薦
鄂ICP備17016276號-1