人工智能机器学习方法的分类

教育人工智能，其核心目标是“通过计算获得精准和明确的教育、心理和社会知识形式，这些知识往往是隐式的”。知识以学习者模型、领域知识模型和教学模型等形式呈现，算法是获得这些知识的核心技术。目前，已有大量教育人工智能系统被应用于学校，这些系统整合了教育人工智能和教育数据挖掘（Educational Data Mining，EDM）技术（如机器学习算法）来跟踪学生行为数据，预测其学习表现以支持个性化学习。由此可见，收集和整合大量的、不同源的数据支持实现个性化学习是必然趋势，而人工智能技术的应用将是实现这些数据价值最大化的关键。机器学习作为人工智能领域最核心、最热门的技术，能够基于大量数据的自动识别模式、发现规则，预测学生学习表现，为满足智慧教育和个性化学习的需求提供了可能。目前，国内外尚未有研究对机器学习的教育应用进行系统梳理。为此，我们试图通过全方位地梳理机器学习教育应用的发展现状、潜力和进展、面临的挑战等，为研究者和教育者开展智慧教育和个性化学习提供一定的理论和实践依据。

（1）机器学习的定义

学习是人类的一种重要的智能行为。如果没有学习能力，那么人类社会就不可能在数万年之内发展出如此辉煌的文明。目前，在人工智能领域，人们普遍接受“学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时会比现在做得更好或效率更高”。总而言之，学习是一种过程，这个过程可能很快，也可能很慢，学习过程有两种表现形式，即知识获取和技能求精。

机器学习就是通过对人类学习过程和特点的研究，建立学习理论和方法，并应用于机器，以改进机器的行为和性能，提高机器解决问题的能力。通俗地说，机器学习就是研究如何用机器来模拟人类的学习活动，以使机器能够更好地帮助人类。

（2）机器学习的一般步骤

机器学习的系统模型如图10-3所示，它是一个有反馈的系统，图中箭头表示信息流向。“环境”是指外部信息的来源，为系统的学习提供相关信息；“学习”代表系统的学习机构，从环境中获取外部信息，然后经过分析、综合、类比、归纳等思维过程获得新知识或改进知识库；“知识库”代表系统已经具有的知识和通过学习获得的知识；“执行”环节是基于学习后得到的新“知识库”，它执行一系列任务，同时把执行结果信息反馈给学习环节，以完成对新“知识库”的评价，指导进一步的学习工作。

图10-3　机器学习的系统模型

机器学习的系统模型中，影响机器学习系统设计最重要的因素是环境向系统提供的信息，即信息的质量，这些信息主要通过训练数据体现。

知识库里存放的是指导执行动作的一般原则，环境向学习系统提供的信息却是各种各样的，如果信息质量比较高，与知识库中一般原则的差别比较小，则学习部分比较容易处理，如果向学习系统提供的是杂乱无章的指导执行具体动作的具体信息，则需要学习系统在获得足够数据之后，删除不必要的细节进行总结推广，形成指导动作的一般原则，从而放到知识库。(www.xing528.com)

（3）机器学习的过程

机器学习是数据通过算法构建出模型并对模型进行评估，评估的性能如果达到要求就拿这个模型来测试其他的数据，如果达不到要求就调整算法来重新建立模型，再次进行评估，如此循环往复，最终获得满意的经验来处理其他的数据。机器学习最大的特点是利用数据而不是指令来进行各种工作，其学习过程主要包括数据的特征提取、数据预处理、训练模型、测试模型、模型评估改进等几部分（图10-4）。

图10-4　机器学习的过程

（4）机器学习方法的分类

机器学习的研究方法种类繁多，并且机器学习正处于高速发展时期，各种新思想不断涌现，因此对所有机器学习方法进行全面系统的分类有些困难，目前比较流行的机器学习方法分类主要有：

① 按有无指导来分，可以分为有监督学习、无监督学习和强化学习。

② 按学习方法来分，主要有机械式学习、指导式学习、范例学习、类比学习和解释学习。

③ 按推理策略来分，主要有演绎学习、归纳学习、类比学习和解释学习。

不同的分类方法只是从某个侧面来划分系统。无论哪种类别，每个机器学习系统都包含一种学习策略，适用于一个特定的领域，不存在一种普遍适用的、可以解决任何问题的学习方法。