基于人工智能技术的机器学习研究分析

赵哲园

（四川大学，四川 成都 610000）

0 引言

在二十世纪中期，人工智能技术诞生，这对于社会发展以及经济的进步而言都有着重要意义。人工智能技术涉及到很多不同领域与内容，比如，计算机科学领域、信息科学领域、数学科学领域、工程技术领域等。研究的主要内容与核心问题就是，使得机器能够具备学习能力、交流能力、输入能力与输出能力，使得机器能够具备与人类相类似的独立思考能力，以及认识世界、感知世界的能力。在人工智能技术背景下，怎样实现机器学习，是目前世界发展中面临的一个重要问题。

1 人工智能技术基本概述

对于人工智能技术的理解，通常情况下可将其分为两部分内容，一部分是人工，另一部分是智能。有关人工的理解较为容易，而且没有太多争议。但是对于什么是智能的理解争议就相对较多，智能涉及到很多不同内容，比如，意识、自我、思维等，人唯一了解的智能，属于人本身的智能，对于这一观点没有更多争议。但是人们对于智能的了解有限，同时也没有掌握更多有关智能的因素，因此，就很难对智能作出定义。虽然对于人工智能技术无法作出准确定义，但是人工智能技术对人类的影响不可小觑。在当今社会快速发展背景下，人工智能技术在计算机领域中得到更多人的重视与关注，同时也在政治领域、仿真系统中得到广泛应用。人工智能在计算机中的实现，通常是采取两种方式，一种是通过加强对传统编程系统的应用，促使传统系统能够呈现出智能的效果，不需要考虑所使用的方法是否与动物机体、人类机体所使用的方法相同。该种方式被称之为工程学方式，在很多领域中已经得到良好应用。

2 机器学习分析

2.1 定义

机器学习通常情况下主要是指，通过系统识别或者知识识别方式，促使机械的学习能力可以得到提升，并促使机器能够掌握更多新知识与新技能。机器学习与人类学习相类似，如果没有进行系统性的学习，没有掌握有效的学习方式，那么实际的学习效果也会受到影响，新知识、新作品的创作会受到很大制约[1]。机器学习也是同样，只有不断地进行学习，掌握更多先进的学习方式，提升分析问题能力与解决问题能力，才能获取相应的创新能力，不断提高创新能力。在人工智能的发展中，机器学习是一个较为热门的研究内容，研究的主要目的是使机器能够具备人一样的学习能力，创建相应的知识框架体系，并将学习的知识更好应用在实际问题的解决中。

2.2 研究目的

机器学习研究的主要目的有三点：（1）在机器学习过程中，要对人类学习过程进行模拟，在此基础上，建立相应的学习认知模型；（2）机器需要对相关理论进行学习与研究，并对不同的学习方法进行深入探索，结合机器本身特性情况，进行特定程序设计工作，并对其中的相似性与区别性进行体会；（3）要设计与机器学习有关的程序，研究的主要内容包括对知识工具的获取以及对相关系统的获取。在建立机器发函系统过程中，要构建相应数据库，积累更多知识与经验，促使机器的智能化能力得到提升，掌握更多与人类相类似的学习能力。

2.3 方式方法

机器学习的方式是在人类学习方法基础上，及时将机器与人类学习的方式进行有机结合，从而掌握更多有效的学习方式。能够在人类思考方式、学习方式之上，做好机器性能的拓展，把机器工作的快速性、大内存性以及高复制性体现出来，从而获得更为有效的机器学习方式。从目前机器学习中不难看出，机器学习的方式方法有两种，一种是演绎学习系统，也就是从一般再到特殊的学习方式，利用公理推断方式，获得相应的结果或者结论。另一种是归纳学习系统，该思路方法与演绎方法相反，主要是从特殊思维转化到一般思维。这其中包含两种模式，分别是传统归纳模式与创新归纳模式，同时也包括完全归纳模式与不完全归纳模式[2]。传统的归纳方式是通过对归纳关系的应用，并结合事实思考的方式，对共性进行归纳。

3 基于人工智能技术的机器学习分析

3.1 主动学习

首先，测算出近邻熵。具体是采用前期训练好的CNN模型分类预测没有标记过的图像，获得CNN模型测算出的该样本属于各类的几率，进而进行归一化处理，公式如下：

f(zj)代表的是归一化处理后该样本隶属于第j类的几率。近邻熵是某个图像样本经分类器预测以后的最大概率和第二大概率之间的差，可采用如下公式测算出近邻熵：

其次，人工设定阈值（L），比较测算获得的近邻熵（S）与阈值（L），若S＜L，则通过存储过程对该样本作出特殊标记。

最后，采用相关领域专家标注过的样本迭代训练网络，利用这些样本输出情况建设相应的网络模型，更新前期训练好的模型参数。

3.2 环境适应性机器学习分析

机器与人类存在的一个主要区别就是，对于环境的适应能力不同。在人工智能技术的研究中，研究机器对环境适应性是一项重点工作，环境为系统提供的实际质量，会对机器学习质量产生直接影响。机器内部存放原则的构建，往往是在环境适应性原则基础之上建立起来的。一般情况下，外界环境存在复杂性特点，因此，在学习期间需要大量数据信息提供支持与保障，删减多余环节，这样可以为总结推广工作打下良好基础[3]。在良好的学习环境中，机器的学习效率与学习质量会得到很大提升，学习更多专业知识，掌握有效的学习方法，并将人工智能技术的优势发挥出来，为社会更好发展打下良好基础。

3.3 机器知识库扩展延伸分析

在机器学习过程中，机器知识库的建设具有重要意义。在这一过程中，机器知识库要确保种类的丰富性、表现形式的多样性，同时在其中还要包含规则化语言、网络化关联等。基于此，在机器知识库设计工作开展中，要根据实际情况，对知识库进行延伸，使得机器学习能力可以得到提升。在机器知识库的扩展延伸中，要注意以下几点问题：（1）机器知识库的扩展延伸，要确保其逻辑简单，而且表意明确。（2）整个推理过程要做到通俗易懂，这样能够在一定程度上节约更多机器计算成本。因此，机器学习系统要在最大程度上保证推理过程的简单化与简易性。（3）知识的扩展与延伸要做到充分性，在当今人工智能技术发展背景下，机器学习过程中不仅要对基础知识进行掌握，而且还要明确知识的表达方式[4]。学习系统构建的主要目的是，促使机器能够对自身的知识库进行完善与调整，并对一般性执行规则进行填充。在机器学习过程中，如果发现其中的某些规则无法被更好应用在系统中，那么需要尽快将该规则删除。

3.4 反馈评价体系分析

在人工智能技术发展背景下，机器学习要构建相应的反馈评价体系。实际上，机器学习的反馈评价体系包含不同内容，比如，结合简单基础的规则做好基础反馈评价、对多个复杂性评价反馈体系进行构建、加强对小型分析评价体系的构建。在机器学习反馈评价体系的构建中，要结合实际情况，按照步骤进行，采取循序渐进原则[5]。在此基础上，要将提升反馈评价体系的透明度作为一项重点内容，执行过程要保证公开透明，而结果需要利用更加简单的方式展现出来。针对已有知识库，要做出科学合理评价。在具体的反馈评价中，可以采取元级表述方式，这样构建的反馈评价体系，才能被更好应用在机器学习中。

4 结语

综上所述，在机器学习中，人工智能技术在其中发挥着不可替代的作用。因此，对于人工智能技术具备的优势，以及具体特点，要有着明确的认识与了解。分析以往机器学习中存在的问题或者不足，根据具体情况作出调整。利用反馈评价体系构建等方式，实现对机器学习内容的延伸，并对机器学习作出具体评价，这样才能了解在机器学习中存在的问题，并给出调整措施。确保机器在学习过程中，能够掌握有效的学习方式与学习方法。促使人工智能技术可以被应用在各个领域中，为社会更好发展奠定良好基础。