1.1.2 機器學習主要流派

在人工智能的發展過程中，隨著人們對智能的理解和現實問題的解決方法的演變，機器學習大致出現了符號主義、貝葉斯分類、聯結主義、進化計算和行為主義五大流派。

1．符號主義

符號主義源于邏輯學、哲學，實現方法是用符號表示知識，并用規則進行邏輯推理，其中專家系統和知識工程是這一流派的代表性成果。符號主義流派認為知識是信息符號的表示，是人工智能的基礎，將這些符號輸入計算機中進行模擬推理，從而實現人工智能。

2．貝葉斯分類

貝葉斯分類的基礎是貝葉斯定理，貝葉斯定理是概率論中的一個定理，其中 p(A|B)是在事件B發生的情況下事件A發生的可能性（條件概率）。貝葉斯分類已經被應用于許多領域。例如，自然語言中的情感分類、自動駕駛中對汽車周圍情況的分類和垃圾郵件過濾等。

3．聯結主義

聯結主義源于神經科學，主要算法是神經網絡，由大量神經元以一定的結構組成。人的神經元是一種看起來像樹形的細胞。每個神經元可以有一個或多個樹突，可以接受刺激并將興奮傳入細胞體。每個神經元只有一個軸突，可以把興奮從細胞體傳送到另一個神經元或其他組織，如圖1-1（a）所示。神經元之間是互相連接的，這樣形成了一個大的神經網絡，人類所學會的知識基本都存在其中。

在圖1-1（b）所示的神經網絡中，將n個相連接的神經元的輸出作為當前神經元的輸入，進行加權計算，并加一個偏置（Bias）之后通過激活函數來實現變換，激活函數的作用是將輸出控制在一定的范圍內。以Sigmoid函數為例，輸入從負無窮到正無窮，經過激活之后映射到(0,1)區間。

人工神經網絡是以層（Layer）的形式組織起來的，每一層中包含多個神經元，層與層之間通過一定的結構連接起來，對神經網絡進行訓練的目的就是找到網絡中各個突觸連接的權重和偏置。作為一種監督學習算法，訓練神經網絡時通過不斷反饋當前網絡計算結果與訓練數據之間的誤差來修正網絡權重，使誤差足夠小，這就是BP算法。

4．進化計算

19世紀50年代，英國生物學家查爾斯·羅伯特·達爾文（Charles Robert Darwin）提出進化論。在微觀上，DNA（Deoxyribonucleic Acid，脫氧核糖核酸）是線性串聯編碼，進化過程是基因交叉、突變的過程。在宏觀上，進化過程是生物個體適應環境的優勝劣汰過程。生物個體要適應不斷變化的環境，通過對其進化的過程進行建模，可以描述智能行為。進化算法（Evolutionary Algorithm,EA）是在計算機上模擬進化過程，基于“物競天擇，適者生存”的原則，不斷迭代優化，直到找到最佳的結果。進化算法包括基因編碼、種群初始化、交叉變異算子等基本操作，是一種比較成熟的具有廣泛適用性的全局優化算法，具有自組織、自適應、自學習的特性，能夠有效地處理傳統優化算法難以解決的復雜問題（例如NP困難優化問題）。

遺傳算法的優化要視具體情況進行算法選擇，也可以與其他算法相結合，對其進行補充。對于動態數據，用遺傳算法求最優解可能會比較困難，種群可能會過早收斂。

5．行為主義

這一流派的代表是強化學習。它觀察智能體動作與環境之間的互動結果，強調如何基于環境的反饋，不斷改變活動策略，以取得最大化的預期利益。通過分析環境給予的獎勵或懲罰的刺激，逐步形成對刺激的預期，以獲得最優行為決策。