《机器学习》读书报告

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《《机器学习》读书报告》，欢迎阅读！

《机器学习》读书报告

随着时间的流逝，我对我们的专业——信息管理与信息系统的了解逐渐深入，对计算机的相关知识也在逐渐增长，慢慢地，机器学习这一概念渐渐地走入我的视野之中。刚接触机器学习这一概念的时候，还是很懵懂的，只是单纯地以为是机器自己的学习。随着我对机器学习的逐渐深入了解，我开始对机器学习有了慢慢地认识。机器学习是是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。当然，仅仅是依靠老师上课讲的一点点关于机器学习方面的知识以及自己课后的一些学习，是不能让我完全了解机器学习这一门新技术的。因此，我开始阅读各种相关的书籍，其中，由Tom M.Mitchell编著的《机器学习》是我觉得很有用的一本书。

在这本书里，它向我展示了机器学习中核心的算法和理论,并阐明了算法的运行过程。本书综合了许多的研究成果,例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等,并以此来理解问题的背景、算法和其中的隐含假定。 通过这本书，我了解到了机器学习一般被定义为一个系统自我改进的过程。在这本书里，其主要覆盖了目前机器学习中各种最实用的理论和算法，包括概念学习、决策树、神经网络、贝叶斯学习、基于实例的学习、遗传算法、规则学习、基于解释的学习和增强学习等。对每一个主题,作者不仅进行了十分详尽和直观的解释,还给出了实用的算法流程。此外,书中还包括一章对学习算法的精度进行实验评估的内容，书后的习题和参考文献提供了进一步思考相关问题的线索。 在这本书里，它告诉了我机器学习这门学科所关注的问题是：计算机程序如何随着经验积累自动提高性能。也向我讲述了机器学习的一些成功应用，如：学习识别人类的讲话、学习驾驶车辆、学习分类新的天文结构、学习以世界级的水平对弈西洋双陆棋。这本书针对机器学习这个领域，描述了多种学习范例、算法、理论以及应用。它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科成果。 通过这本书，我认识到了纯粹的归纳学习方法寻找一个假设以拟合训练数据，与此不同，纯粹的分析学习方法搜寻一个假设拟合学习器的先验知识并覆盖训练样例。还了解了基于解释的学习是分析学习的一种形式，其中学习器处理每个新训练样例的方法是：（1）按照领域理论解释该样例中观察到的目标值；（2）分析此解释，确定解释成立的一般条件；（3）改进假设，合并这些一般条件。这本书也告诉了我们，虽然基于解释的学习方法对人类来说很有用，但纯粹的演绎实现有一缺点是它输出的假设的正确性只在领域理论正确时才能保证。因此，通过第十一章的分析学习，它引出了下一章结合归纳和分析学习方法的途径，从不完美的领域理论和有限训练数据中有效学习。

在第十三章里，它讲述了增强学习解决自治agent学习控制策略的问题。它假定训练信息的形式为对应每个状态-动作转换给出的实值回报信号。Agent的目标是学习一个行动策略，它使agent从任意起始状态收到的总回报最大化。这章介绍的增强学习算法适合一类被称为马尔可夫决策过程的问题。在马尔可夫决策过程中，应用任意动作到任意状态上的输出只取决于此动作和状态（与以前的动作或


状态无关）。马尔可夫决策过程覆盖了范围很广的问题，包括许多机器人控制，工厂自动化和调度问题。在这一章里，它还介绍了Q学习。Q学习是增强学习的一种形式，其中agent学习的是一组状态和动作上的估计函数。确切地讲，估计函数Q（s，a）被定义为agent应用动作a到状态s上时可获得的最大期望折算积累回报。Q学习的优点是，即使在学习器不具有其动作怎样影响环境的先验知识情况下，此算法仍可应用。

通过学习《机器学习》这本书，我了解了机器学习的相关算法，如决策树、评估假设、贝叶斯学习、计算学习理论、基于实例的学习、遗传算法、学习规则集合、分析学习、归纳和分析学习的结合、增强学习，同时还了解了更多关于机器学习的相关应用，我觉得这本书是很有用的，很适合我们去认真的品读与学习。

本文来源：https://www.dy1993.cn/HJCx.html