（经典成功案例）普适机器学习课件.ppt

1、机器学习是人工智能的核心研究领域之一任何一个没有学习能力的系统都很难被认为是一个真正的智能系统经典定义：利用经验改善系统自身的性能随着该领域的发展，主要做智能数据分析并已成为智能数据分析技术的源泉之一典型任务：预测（例如：天气预报）数据挖掘数据库机器学习数据分析技术数据管理技术美国航空航天局JPL实验室的科学家在Science（2001年9月）上撰文指出：机器学习对科学研究的整个过程正起到越来越大的支持作用，该领域在今后的若干年内将取得稳定而快速的发展生物信息学计算金融学分子生物学行星地质学工业过程控制机器人遥感信息处理信息安全机机 器器 学学 习习入侵检测：是否是入侵？是何种入侵？如何检测？

2、历史数据：以往的正常访问模式及其表现、以往的入侵模式及其表现对当前访问模式分类这是一个典型的机器学习问题常用技术：神经网络 决策树支持向量机 贝叶斯分类器k近邻 序列分析 聚类 DARPA 2003年开始启动PAL（Perceptive Assistant that Learns）计划5年期，首期（1-1.5年）投资2千9百万美元以机器学习为核心的计划（涉及到AI的其他分支，如知识表示和推理、自然语言处理等）；包含2个子计划目标：“is expected to yield new technology of significant value to the military,business,

3、and academic sectors”“develop software that will help decision-makers manage their complex worlds of multiple simultaneous tasks and unexpected events”RADAR(Reflective Agents with Distributed Adaptive Reasoning)，承担单位为CMU，首期7百万美元目标：“the system will help busy managers to cope with time-consuming tasks

4、”“RADAR must learn by interacting with its human master and by accepting explicit advice and instruction”CALO(Cognitive Agent that Learns and Observes)，承担单位为SRI，首期2千2百万美元除SRI外，这个子计划的参加单位有20家：Boeing,CMU,Dejima Inc.,Fetch Tech Inc.,GATech,MIT,Oregon HSU,Stanford,SUNY-Stony Brook,UC Berkeley,UMass,UMic

5、h,UPenn,Rochester,USC,UT Austin,UW,Yale,CALO无疑是PAL中更核心的部分目标：“the name CALO was inspired by the Latin word calonis,which means soldiers assistant”“the CALO software,which will learn by working with and being advised by its users,will handle a broad range of interrelated decision-making tasks It will

6、have the capability to engage in and carry out routine tasks,and to assist when the unexpected happens”从CALO的目标来看，DARPA已经开始把机器学习技术的重要性放到了国家安全的角度来考虑下述事件（大致）标志着机器学习正式成为一个学科u1983年，R.S.Michalski等人撰写机器学习：通往人工智能的途径一书u1986年，Machine Learning杂志创刊与人工智能乃至计算机科学中很多其他分支学科相比，机器学习还非常年轻、很不成熟以Tom Mitchell的经典教科书（McGra

7、w Hill出版社，1997）为例，很难看到基础学科（例如数学、物理学）教科书中那种贯穿始终的体系，也许会让人感到这不过是不同方法和技术的堆砌从主要范式的发展可以看出，ML实际上是一个应用驱动的学科，其根本的驱动力是“更多、更好地解决实际问题”由于近20年的飞速发展，机器学习已经具备了一定的解决实际问题的能力，似乎逐渐开始成为一种基础性、透明化的“支持技术、服务技术”基础性：在众多的学科领域都得以应用（“无所不在”）透明化：用户看不见机器学习，看见的是防火墙、生物信息、搜索引擎；（“无所不在”）“机器更好用了”(正如CALO的一些描述：“you wont leave home without

8、it”；”embodied as a software environment that transcends workstations,PDAs,cell phones,”)作为支持和服务技术的“普适机器学习”带来了挑战和机遇：出现了很多被传统ML研究忽视、但非常重要且尚无好的解决方案的问题（下面将以医疗和金融为代表来举几个例子）ML支持和服务的学科领域越多，新问题越多 ML与众多学科领域产生了交叉，而交叉领域正是大有可为处医疗：以乳腺癌诊断为例，“将病人误诊为健康人的代价”与“将健康人误诊为病人的代价”是不同的金融：以信用卡盗用检测为例，“将盗用误认为正常使用的代价”与“将正常使用误认为盗

9、用的代价”是不同的传统的ML技术基本上只考虑同一代价如何处理代价敏感性？在教科书中找不到现成的答案，例如：Tom Mitchell,Machine Learning,McGraw-Hill,1997Nils J.Nilsson,Introduction to Machine Learning,draft 1996-2004 把机器学习真正当成一种支持技术、服务技术，考虑不同学科领域对机器学习的需求，找出其中具有共性的、必须解决的问题，并进而着手研究一方面可以促进和丰富ML本身的发展，另一方面可以促进使用ML技术的学科领域本身的发展作为“应用基础”，与“ML应用”有根本的区别：基础性：不是直接做应用，而是做“更广泛的应用”或“更成功的应用”所需要的方法和技术 广泛性：重点不是去解决单一应用所面临的问题，而是要解决众多应用领域所面临的共性问题