学习策略分类

《学习策略分类》由会员分享，可在线阅读，更多相关《学习策略分类（2页珍藏版）》请在金锄头文库上搜索。

1、学习策略分类学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两 部分组成。由环境(如书本或教师)提供信息，学习部分则实现信息转换，用能够理解的形 式记忆下来，并从中获取有用的信息。在学习过程中，学生(学习部分)使用的推理越少， 他对教师(环境)的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生 实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为 以下六种基本类型：1 )机械学习(Rote learning)学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。如塞缪尔的跳 棋程序，纽厄尔和西蒙的LT系统。这类学习系统主

2、要考虑的是如何索引存贮的知识并加以 利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作， 或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。2) 示教学习(Learning from instruction 或 Learning by being told)学生从环境(教师或其它信息源如教科书等)获取信息，把知识转换成内部可使用的 表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能 力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以 不断地增加。这种学习方法和人类社会的学校教学方式相似，

3、学习的任务就是建立一个系统， 使它能接受教导和建议，并有效地存贮和应用学到的知识。目前，不少专家系统在建立知识 库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。3) 演绎学习(Learning by deduction)学生所用的推理形式为演绎推理。推理从公理出发，经过逻辑变换推导出结论。这种 推理是保真”变换和特化(specialization)的过程，使学生在推理过程中可以获取有用的知识。 这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推 理的逆过程是归纳推理。4）类比学习（Learning by analo

4、gy）利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识 （包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可 以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功 能。类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索 出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科 学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比 就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。5）基于解释的学习（Explana

5、tion-based learning, EBL）学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构 造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作 准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪 乔恩（G.DeJong）的 GENESIS,米切尔（T.Mitchell）的 LEXII 和 LEAP,以及明顿（S.Minton） 等的 PRODIGYo6）归纳学习（Learning from induction）归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该 概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一 般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有 一个类似的概念可以作为源概念”加以取用。归纳学习是最基本的，发展也较为成熟的学习 方法，在人工智能领域中已经得到广泛的研究和应用。