基于人工智能技術的機器學習研究

楊景博

摘要：隨著人工智能技術的不斷發展，對人類生活和社會的發展的影響也變得越來越廣泛。基于人工智能技術，進一步研究機器學習，全面了解機器學習的目的和方法，不斷提升機器學習能力，才能更好的促進人工智能技術的發展。本文基于人工智能技術對機器學習進行了研究，以供相關研究人員參考。

關鍵詞：人工智能技術;機器學習;研究

人工智能技術誕生于20世紀50年代，并在隨后的社會經濟發展過程中起到了重要的推動作用。人工智能技術是一項包含多個領域和學科的技術，比如信息科學、計算機科學、工程技術以及數學科學等領域，其主要的研究內容就是如何讓機器具備學習能力、交流能力、輸入能力以及輸出能力，基于人工智能技術，提高機器學習能力，讓機器能夠獲得與人類相似的獨立思考能力，并能夠自主的認識世界和感知世界。機器學習是當前人工智能技術的重點研究方向，提高機器學習能力，對人工智能技術應用與發展有著重要的作用。

1、機器學習概述

1.1機器學習

機器學習是指利用系統或知識識別的方式，提高機械學習能力，并促使機械能夠獲取新知識或技能。機器學習與人類學習的方式相似，沒有經過系統性的學習或學習方式不合適，那么學習的效果很難實現，難以創造出新知識、新作品，機器學習只有采取系統性且合適的學習方式，才能有效提升問題分析能力，掌握解決問題的方式，提高自身的創新能力[1]。在人工智能領域中，機器學習是熱門研究領域，研究機器學習的目的就是讓機器獲得與人類相同的學習新知識的能力，讓機器掌握分析問題和解決問題的能力，建立相應的知識體系，并能夠在具體的問題實踐中充分運用這些能力。

1.2機器學習研究的目的

機器學習研究的主要目的有三個，首先是對人類學習過程的全面模擬，并在此基礎上建立機器的學習認知模型，這對科學知識的認知和發展有著很強的促進作用。其次，促進機器對相關領域理論知識的學習和研究，不斷豐富和發展學習方法，并按照機器自身特性設計相應的程序，找出其中的相似性和區別性。最后，通過對機器學習相關程序的設計，完成對知識工具獲取及相關系統獲取的研究，在建立機器發函系統的同時做好數據庫建設，完成相關知識和經驗的有效積累。并通過對自身知識的不斷累積，提高機器學習能力水平，促進機器的智能化發展，幫助機器更加接近人類學習能力。

1.3機器學習方式分析

機器學習方式主要借鑒人類學習方式，為有效提升機器學習方式的科學性，在人類思考與學習方式的基礎上，加強機器學習方式研究，擴展機械性能，強化機器快速、大內存及高復制性的工作能力，采取更加適合機器的學習方式。目前，機器學習方式主要有演繹學習系統和歸納學習系統兩種思路。演繹學習系統是通過一般到特殊的學習方式，機器按照相關公理就能夠推斷出相應的結論和目的。歸納學習系統的思路與演繹學習系統相反，是從特殊到一般的思維方式，包括傳統歸納和創新歸納這兩種不同的模式，同時也包含完全歸納和不完全歸納兩種模式，傳統歸納關系主要是在事實的基礎上進行思考，歸納共性，由此總結出更加科學的機器學習方式。

2、基于人工智能技術的機器學習研究

2.1主動學習

首先采用事先訓練好的CNN模型，分類預測未標記過的圖像，并根據CNN模型計算出相應樣本屬于各類的概率，然后進行歸一化，具體公式為：

（1）

經過計算后，所得 表示的是歸一化后相應樣本屬于第j類的概率。通過分類起對某一圖像樣本進行預測后所得到的最大概率與第二大概率之間的差為近鄰熵，其計算公式為：

S=max（f）-（max-1）（f） ? ? ? ? ? ? ? ? ? ? ?（2）

max（f）所表示的是圖像樣本預測的最大概率，（max-1）（f）表示的是圖像樣本預測的第二大概率。計算結果S所表示就是圖像樣本的近鄰熵。通過計算該圖像樣本最大概率與第二大概率之間的差值，所得結果如果小于某閾值，則表示該分類器在對相關圖像樣本進行分類時存在較大的不確定性，可將其用作主動學習的樣例，否則應當遺棄。

在自動存儲方面，人為設定閾值L，對比計算所得近鄰熵S與閾值L，若S

2.2環境適應性機器學習

與人類學習不同，機器學習存在一個較為顯著的差異，即環境適應性差異，因此，機器學習的環境適應性成為當前人工智能技術研究中的重要內容。環境對系統的支持效果對機器學習效果有著很大的影響，同時，環境適應性也是推動建立機器內部體系存放原則的重要依據[2]。由于環境的多變性和復雜性特征，使得機器在學習過程中，需要提供大量的數據信息支撐，同時要刪除與學習不相關的環節內容，然后在相應的數據基礎上進行推廣和總結，進而形成系統動作指導的相關基本準則。但在環境適應性的機器學習必然會更加復雜，從而對系統的可持續發展造成一定影響。

2.3機器知識庫擴展延伸

為有效促進機器學習的發展，還需要加強機器知識庫的設置，不斷豐富知識庫種類，并通過多樣化的形式進行表現，其中包括基本的網絡化關聯、規則語言以及特征向量等。機器學習為實現這一目標，就需要不斷擴展和眼神機器知識庫內容，才能有效提升機器學習能力。知識庫的擴展延伸要重點注意表達模式，在建構表達模式時，盡可能的保證其邏輯的簡單化，相關表意的明確清晰。同時，知識庫的擴展延伸還應注重計算成本的低效化，確保計算推理過程的簡便，保證推理過程容易理解，提高推理效率。不斷拓展知識庫內容，最大程度的推動知識庫內相關知識的擴展延伸。

2.4機器學習反饋評價體系

建立相應的反饋評價體系，才能更好的判斷機器學習效果。機器學習反饋評價的重點內容包括基礎性反饋評價體系、復雜性反饋評價體系、策略分析評價體。基礎性反饋評價體系主要表現基礎性、簡單化規則。復雜性反饋評價體系主要體現在概念的多樣化。策略分析評價體系是整體反饋評價體系中所設計并建立的小型評價體系。三種體系的建立需要按照機器學習的實際情況和相應的任務，循序漸進的建立和完善。同時，還應當重視機器學習反饋評價體系的透明度，確保學習反饋評價過程與結果等透明化反饋，才能有效保障機器學習的效果的落實。

3、結語

在人工智能技術的發展過程中，機器學習研究勢在必行，在機器學習定義、目的和方式方法的基礎上，深入思考和完善人工智能在機器學習中的認知，分析機器學習中存在的問題，在機器主動學習過程中，加強環境適應性機器學習研究，建立相應的反饋評價體系，不斷擴展延伸機器知識庫，才能幫助機器掌握更好的學習方式，提高學習效果，進而推動人工智能技術在各個領域中更加廣泛的應用，促進社會的不斷發展。

參考文獻

[1]鄭永亮，李曉坤，王琳琳，等.基于人工智能與機器學習技術在智慧城市的應用[J].智能計算機與應用，2019（01）：153-158.

[2]羅曉慧.人工智能背后的機器學習[J].電子世界，2019（14）：103.