基于人工智能技术的机器学习研究

杨景博

摘要：随着人工智能技术的不断发展，对人类生活和社会的发展的影响也变得越来越广泛。基于人工智能技术，进一步研究机器学习，全面了解机器学习的目的和方法，不断提升机器学习能力，才能更好的促进人工智能技术的发展。本文基于人工智能技术对机器学习进行了研究，以供相关研究人员参考。

关键词：人工智能技术;机器学习;研究

人工智能技术诞生于20世纪50年代，并在随后的社会经济发展过程中起到了重要的推动作用。人工智能技术是一项包含多个领域和学科的技术，比如信息科学、计算机科学、工程技术以及数学科学等领域，其主要的研究内容就是如何让机器具备学习能力、交流能力、输入能力以及输出能力，基于人工智能技术，提高机器学习能力，让机器能够获得与人类相似的独立思考能力，并能够自主的认识世界和感知世界。机器学习是当前人工智能技术的重点研究方向，提高机器学习能力，对人工智能技术应用与发展有着重要的作用。

1、机器学习概述

1.1机器学习

机器学习是指利用系统或知识识别的方式，提高机械学习能力，并促使机械能够获取新知识或技能。机器学习与人类学习的方式相似，没有经过系统性的学习或学习方式不合适，那么学习的效果很难实现，难以创造出新知识、新作品，机器学习只有采取系统性且合适的学习方式，才能有效提升问题分析能力，掌握解决问题的方式，提高自身的创新能力[1]。在人工智能领域中，机器学习是热门研究领域，研究机器学习的目的就是让机器获得与人类相同的学习新知识的能力，让机器掌握分析问题和解决问题的能力，建立相应的知识体系，并能够在具体的问题实践中充分运用这些能力。

1.2机器学习研究的目的

機器学习研究的主要目的有三个，首先是对人类学习过程的全面模拟，并在此基础上建立机器的学习认知模型，这对科学知识的认知和发展有着很强的促进作用。其次，促进机器对相关领域理论知识的学习和研究，不断丰富和发展学习方法，并按照机器自身特性设计相应的程序，找出其中的相似性和区别性。最后，通过对机器学习相关程序的设计，完成对知识工具获取及相关系统获取的研究，在建立机器发函系统的同时做好数据库建设，完成相关知识和经验的有效积累。并通过对自身知识的不断累积，提高机器学习能力水平，促进机器的智能化发展，帮助机器更加接近人类学习能力。

1.3机器学习方式分析

机器学习方式主要借鉴人类学习方式，为有效提升机器学习方式的科学性，在人类思考与学习方式的基础上，加强机器学习方式研究，扩展机械性能，强化机器快速、大内存及高复制性的工作能力，采取更加适合机器的学习方式。目前，机器学习方式主要有演绎学习系统和归纳学习系统两种思路。演绎学习系统是通过一般到特殊的学习方式，机器按照相关公理就能够推断出相应的结论和目的。归纳学习系统的思路与演绎学习系统相反，是从特殊到一般的思维方式，包括传统归纳和创新归纳这两种不同的模式，同时也包含完全归纳和不完全归纳两种模式，传统归纳关系主要是在事实的基础上进行思考，归纳共性，由此总结出更加科学的机器学习方式。

2、基于人工智能技术的机器学习研究

2.1主动学习

首先采用事先训练好的CNN模型，分类预测未标记过的图像，并根据CNN模型计算出相应样本属于各类的概率，然后进行归一化，具体公式为：

（1）

经过计算后，所得 表示的是归一化后相应样本属于第j类的概率。通过分类起对某一图像样本进行预测后所得到的最大概率与第二大概率之间的差为近邻熵，其计算公式为：

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

max（f）所表示的是图像样本预测的最大概率，（max-1）（f）表示的是图像样本预测的第二大概率。计算结果S所表示就是图像样本的近邻熵。通过计算该图像样本最大概率与第二大概率之间的差值，所得结果如果小于某阈值，则表示该分类器在对相关图像样本进行分类时存在较大的不确定性，可将其用作主动学习的样例，否则应当遗弃。

在自动存储方面，人为设定阈值L，对比计算所得近邻熵S与阈值L，若S

2.2环境适应性机器学习

与人类学习不同，机器学习存在一个较为显著的差异，即环境适应性差异，因此，机器学习的环境适应性成为当前人工智能技术研究中的重要内容。环境对系统的支持效果对机器学习效果有着很大的影响，同时，环境适应性也是推动建立机器内部体系存放原则的重要依据[2]。由于环境的多变性和复杂性特征，使得机器在学习过程中，需要提供大量的数据信息支撑，同时要删除与学习不相关的环节内容，然后在相应的数据基础上进行推广和总结，进而形成系统动作指导的相关基本准则。但在环境适应性的机器学习必然会更加复杂，从而对系统的可持续发展造成一定影响。

2.3机器知识库扩展延伸

为有效促进机器学习的发展，还需要加强机器知识库的设置，不断丰富知识库种类，并通过多样化的形式进行表现，其中包括基本的网络化关联、规则语言以及特征向量等。机器学习为实现这一目标，就需要不断扩展和眼神机器知识库内容，才能有效提升机器学习能力。知识库的扩展延伸要重点注意表达模式，在建构表达模式时，尽可能的保证其逻辑的简单化，相关表意的明确清晰。同时，知识库的扩展延伸还应注重计算成本的低效化，确保计算推理过程的简便，保证推理过程容易理解，提高推理效率。不断拓展知识库内容，最大程度的推动知识库内相关知识的扩展延伸。

2.4机器学习反馈评价体系

建立相应的反馈评价体系，才能更好的判断机器学习效果。机器学习反馈评价的重点内容包括基础性反馈评价体系、复杂性反馈评价体系、策略分析评价体。基础性反馈评价体系主要表现基础性、简单化规则。复杂性反馈评价体系主要体现在概念的多样化。策略分析评价体系是整体反馈评价体系中所设计并建立的小型评价体系。三种体系的建立需要按照机器学习的实际情况和相应的任务，循序渐进的建立和完善。同时，还应当重视机器学习反馈评价体系的透明度，确保学习反馈评价过程与结果等透明化反馈，才能有效保障机器学习的效果的落实。

3、结语

在人工智能技术的发展过程中，机器学习研究势在必行，在机器学习定义、目的和方式方法的基础上，深入思考和完善人工智能在机器学习中的认知，分析机器学习中存在的问题，在机器主动学习过程中，加强环境适应性机器学习研究，建立相应的反馈评价体系，不断扩展延伸机器知识库，才能帮助机器掌握更好的学习方式，提高学习效果，进而推动人工智能技术在各个领域中更加广泛的应用，促进社会的不断发展。

参考文献

[1]郑永亮，李晓坤，王琳琳，等.基于人工智能与机器学习技术在智慧城市的应用[J].智能计算机与应用，2019（01）：153-158.

[2]罗晓慧.人工智能背后的机器学习[J].电子世界，2019（14）：103.