机器学习中的相转变

来源:用户上传      作者: L塞伊塔

　　Lorenza Saitta
　　
　　Phase Transitions in
　　Machine Learning
　　
　　2011,416pp
　　
　　Hardback
　　
　　ISBN9780521763912
　　
　　学习涉及意识在不同层次上的重要功能，从感官刺激到对高级抽象推理复杂概念的获取。尽管对学习尚缺精确的定义，但是有一个被广泛接受的由Langley 提出的定义，它把学习看作是一组机理，通过它们，智能代理能随着时间的推移而改善它们的行为。但凡采用了有关代理的足够宽泛的观点，这个定义似乎是合理的。机器学习根植于好几个学科之中，其中值得一提的是统计学、模式识别、认知科学及控制理论。机器学习的主要目的是为人类学习提供计算模型，支持学习的认知研究。尽管机器学习具有吸引力，它还是遇到了几个困难，甚至在今天，仍然阻碍着它的全面利用。主要的障碍在于多数机器学习算法对计算资源有很高的要求，特别是那些较为接近人类学习过程的算法。从上世纪30年代孕育机器学习的时期起，计算机科学这个内容丰富而又严格的领域就一直关注进行计算时所需要的时间和存储器资源。核心问题是，无论采用怎样的输入方式，一个给定的算法是否能够在有限的时间内结束计算。如果能够的话，在它展现的复杂类中，所给出的控制变量是多项式的，还是指数的等等。
　　
　　1991年，Cheseman等三人发表的题为《实际的难题在那里？》的论文有如晴天霹雳。他们提出尽管分析最坏情况是重要的，寻求计算的典型复杂性同样是必须的。本书内容的构建就是围绕着学习中的计算复杂性概念这一核心的。本书把计算机科学、统计物理及机器学习的基本观点编织在一起，向读者提供了足够的数学和物理背景，使得人工智能以及其他计算机科学社团的研究人员可以理解这个课题。作者还对公开的研究作了讨论，并且对进一步研究中有希望的方向给出了他们的建议。
　　
　　本书共有14章，还有2个附录。1.绪论，对机器学习、计算复杂性及二者关系作了简介；2.统计物理与相转变；3.可满足性问题；4.约束满足问题；5.机器学习；6.搜寻假设空间；7.统计物理与机器学习；8.学习、可满足性问题（SAT）及约束满足问题（CSP）；9.FOL覆盖测试中的相转变；10.相转变与关系学习；11.语法推理中的相转变；12.复杂系统中的相转变；13.自然系统中的相转变；14.讨论及公开问题。附录A 在二个实例证中检测到的相转变。附录B 一个引起兴趣的观点。
　　
　　本书的第一、二位作者均为意大利Piemonte Orientale 大学计算机科学系的教授。第三作者是法国巴黎AgroParisTech工程学校计算机科学系的教授。本书可供人工智能以及其他计算机科学专业的从业人员阅读。
　　
　　胡光华，
　　退休高工
　　
　　(原中国科学院物理学研究所)
　　
　　Hu Guanghua, Senior Software Engineer
　　
　　(Former Institute of Physics,CAS)
　　

转载注明来源:https://www.xzbu.com/8/view-1600147.htm