人工智能与学习发言稿

人工智能与学习发言稿

人工智能与学习发言稿1

大家好，今天非常高兴、非常荣幸能参加这样一个盛会。今天我给带来的演讲是我的一点学习心得，题目叫做自学习的人工智能。首先大家都知道在60周年之际，我们首先应该记住的是这位人工智能的先驱，图灵。在他的问题的感召下，我们就有了今天这样的一个盛会和今天人工智能的飞速发展。他的问题，机器可以思维吗?可以从不同的维度来解释，那么首先人类对人工智能的一个探索也可以围绕对问题不同解释的探索。

第一个探索，应该说是在逻辑层面的探索。60年代人工智能的这些先驱就考虑用逻辑和搜索来研究人工智能，比如下棋、推理，比如说可以去做路径规划等等。那么他们有一个很强的假设，这个假设应该说从某种程度上来说是非常直观的。智能包括计算机可能赋予的智能，是来自于计算物理符号的排列组合，我们只要能很聪明的把这些物理符号排列组合的话，人类是可以从一系列的零和一的组合来得到。有了一些成就之后也发现这样的假设是有它的瓶颈的。在之后大家又有一部分人着力于研究能够有学习功能的人工智能，就有不同的学习算法，机器学习的计算法被研究出来。其中包括大家都熟悉的人工神经网络。

人工智能的几个里程碑我们现在也很熟悉，第一个大家公认的是里程碑是深蓝，这个比赛意味着几件事。一个是说在大规模的搜索的状态下，在可能的状态空间的搜索，实际上是一个在物理符号的空间的排列组合。也就是说在60年代人们的那些假设有一部分是正确的，我们确实可以从这种搜索和物理符号的排列组合获得很多的智能。

紧接着的阶段是，知识就是力量，这是随着互联网和大数据到来的一个热潮，从网上，从不同的媒体我们会获得很多数据，把这些数据经过沉淀变成知识，我们就可以赢得像这样一个电视大赛中的人机对战。

这个之后，刚刚芮勇博士也深入的回顾了一下最近的人工智能的突破，就是深度神经网络。深度神经网络的突破从计算上来说有几个好处，其中一个好处是说它把一个全局计算的需求变成一个本地计算的需求，在做到这样的一个同时呢，又不失掉很多的信息，这个是计算机里面无数成就的一个中心点。这样的一个成功就使得我们能够在不同的层次来观察同一个数据，同样就可以获得我们所谓的大局观。就像这个图，我们在不同的层次可以得到不同的特征。

这里我们要特别强调的是人工智能也在另外一个方面潜移默化的默默的在耕耘，这个就叫做强化学习。强化学习应该说是用来做人工智能规划的有力工具，但不是唯一的规矩。规划这个领域相对深度学习应该说更古老，研究的力度也很多。但在很长时间一段处于静默状态，这个原因是因为它在计算上有很大的瓶颈，不能有很大得数据量。一个例子就是强化学习在很长时间以来只能解决一些玩具型的问题，非常小的数据。但是最近的一个突破是Google的DeepMind，把深度学习和强化学习合在一起，这样的一个议题使得很多强化学习所需要突破的瓶颈，就是状态的`个数能隐藏起来。这种隐藏就使得强化学习能够大规模的应付数据，就是说应付大数据。它突出的一点叫做端到端的学习，就是说我们在这里看到一个计算机的游戏，这个游戏的影像是输入端，输出端就是你要进行的下一个动作。这个动作是正确还是不正确，到最后会获得一个反馈，这个反馈不一定是现在得到，也许是后面几步得到的。这一点和我们刚刚讲的深度学习在图像上面的应用，就大不一样。就更加复杂，更加契合人的行为，所以强化学习也是下一个突破。

我们看到这种端到端的深度学习，应用在强化学习上，使得DeepMind到今天在很古老的单人的计算机游戏上已经把人类完全击倒，它做到这样是通过完全的自学习，自我修炼、自我改正，然后一个一个迭代。这个就是它迭代的一些结果，从左到右是一个时间轴，从下到上是它得到的效果。我们看到每一个游戏它的要求都是在不断成长的，就像我们一个学生在学习的过程当中学到的知识越来越多，这个完全是自我实现，一个自学习的过程。

包括现在的AlphaGo也应用了很多自学习的这种效果，使得我们现在终于认清原来人工智能从60年代到20xx年的物理符号的假设，也就是说以搜索为中心，以逻辑为中心的这种努力并没有白费，这种努力也是需要的。另外学习也是必不可少的，像我们熟知的深度学习。所以AlphaGo对我们的启示，就是我们把两者结合起来，才是一个完整的智能机器。这个我们可以叫做人工智能的通用性，也就是说我们对于这两个技术的某种结合，比方说多一点搜索，少一点机器学习，或者反之我们够可以得到用来解释不同的人类的智能行为。这种通用型，端到端的学习，可以用这个例子来表达。就是这个鸡可以吃不同的食物，但是它下的蛋都是对人类有用的。

这里我要特别提到一点，我们并不是找到了最后的目标，这也是在不同的人工智能、强化学习，等等之类的实验当中我们发现一个特点。就是我们不能完全的依靠机器去全部自动化的自我学习，至少到现在我们还没有摸索出这样一个路径。这里是大学的例子，中文是永动机器学习，就是说这个机器不断的在网上爬一些网页，在每个网页里面都学到一些知识，把这些知识综合起来，变成几千万条知识，这些知识又会衍生新的知识。那么我们看到从下到上是随着时间，知识量的增长。那么它到了某一个程度实际上是不能再往上走了，因为知识会自我矛盾。这个时候就需要人进来进行一部分的调节，把一部分不正确的知识去掉，让它继续能成长。这个过程为什么会发生呢?是因为机器学习一个很严重的现象，就是自我偏差，这种偏差就可以体现在这种统计学的一个重要的概念，就是我们获得的数据也许是一个有偏数据，我们可能建了一个模型，对大部分的数据都有用，但其中有一些特例。我们如何来处理这些特例，如何来处理我们训练数据和应用数据之间的偏差，这个是我们下一步要研究的内容。

一个非常有希望的技术叫做迁移学习，比方说这个是在深度学习的模型上，在上面这一部分是一个领域已经训练好的模型。那么在一个新的领域，如果这两个领域之间有某种联系、某种相似性的话，我们就不一定在新的领域需要那么多的数据来学习，你只需要一小部分。我们之所以能做到这一点是我们可以把大部分的模型给迁移过来，我们人有这种能力，但是我们在做这种数据迁移的过程中，我们一定要牢记把这种有偏的数据偏差给消除掉。如果能做到这点我们就能做到不同形式的数据之间的知识迁移，比方说我们可以让一个计算机来读很多文字，这样的一个计算机去识别图像，应该比没有读这些文字，直接去学习图像来的要容易。这个就更像我们人类的学习。这种学习也离不开从下到上，从粗到细这样的一种特征的选择。

所以我们又得到另外一个概念，就是特征工程。深度学习给我们的一个有力的工具是能够自动的进行不同层次，进行大规模的新特征的抽取和特征的制造。那么这种特征在搜索引擎、广告系统上面，可以达到万亿级，也就是说这个已经完全不是人类所可以控制的级别了。那么智能在这样的级别上才可以产生。

但是现在人工智能仍然有一些困境，比方说如何能够让人工智能来深层的理解文字，有一个著名的类似于图灵测试的比赛，深层次理解文字，这个是在自然语言上问一些有歧异的问题，计算机如果要能正确的回答这个问题，那个模型不仅仅理解这些文字，而且要理解深层的背景文字，要理解周边的文字，有很多文化在里面，如何能达到这一点?也是我们需要解决的。

同时深度模型还可以把它反转，成为一种生成膜型。它不仅可以去对数据做一个决策，它还可以自己产生数据，可以产生新的数据。比方说这个是Google的一些研究员把一个深层模型里面的感知最深刻的那些图像给描述出来，结果是这样的，就非常有趣的生成膜型。

刚刚讲的不同数字格式之间，文字和图像之间，如果在深层实际上它们的区别已经消失了。那这样我们就可以对图像去问文字的问题，甚至对文字去问图像的问题。这样数据的形式也就不重要了。

如果我们达到了迁移学习的要点，我们想问下一步是不是可以把所有人类经历过的这些学习的任务给沿着时间轴串起来，能够让机器向人一样的，它的学习能力，它的智能在不断的增长，随着时间。那么它所需要学习的努力程度，样本数也是逐渐减少的。这个也是我们在努力的一个方向。

另外最近发表了一篇文章也说明了迁移学习的重要性。这个文章叫做bayesianprogram learning，这是从一个例子就能学会，我们知道深度学习是千万个例子的。实际上它用了我们过去没有涉及到的概念，就叫做结构，如果我们了解了一个问题的结构，那么这个结构的一个具体的形式只用一个例子就可以学会了。其他的部分，需要很多例子的那一部分可能是参数、统计，这一部分我们实际上可以通过迁移学习来学习。也就是说整个这个圆就圆满了，就是一个闭环了。

同时人工智能的应用也不仅仅是在图像方面，这里的一个例子是亚马逊的仓储机器人。亚马逊的仓储机器人是在一个很大的空间，这些机器人会把这些货架，每个货架上面都有不同的货品，把这些货架偷到工人的面前，让工人从货架上面拿所需的货品到箱子里面，然后快递给客户。为什么是这样呢?因为现在的机器人技术在选择，从货架上选择物体还远远不如人的熟练程度，但是它在路径规划，在机械的启动、抬起、放下已经超过人了。所以亚马逊的就很聪明的把机器的优点和人的优点结合在一起，变成一个新的商业模式。如果过去建一个仓储在支持这个城市亚马逊所有的物流的话，需要三个月时间，他用了这个把所有的传送带拆掉，变成机器人以后只用三天时间，这个收益是非常巨大的，也就是我们可以借鉴，可以拓展的一个经验。

下面要讲的，不仅在机器人，在图像识别，实际上在我们的生活当中，人工智能已经深入了。这里举的一个例子是我和我的一个学生戴文渊，建的一个公司，第四范式，这个公司可以让过去在金融领域只能由人来服务重要的客户，由人工智能来把这个能力拓展到几千万人，让每个人都享受到优质的金融服务。这是一个非常大的工程。它背后的技术就是机器学习，我们所熟知的深度学习、知识学习、强化学习。

最后我要说几点，我们看到这么多人工智能的努力，人工智能的有失败的时候，有成功的时候，我们到现在能总结出什么经验呢?我觉得现在的人工智能的成功离不开高质量的大数据，但是并不是未来的人工智能的成功一定需要大数据。那么我们下面要问是不是在未来有小数据也可以让人工智能成功，这就是今天我觉得在大学里面应该做的一个研究，在工业上大家还在开疆拓土，利用大数据的优势在发现新的应用利于。

第二个，就是要培养出更多的人工智能的人才。这些人才才可以来设计算法，这个也是我们今天在大学里面需要努力的一个方向。当然这些都离不开计算能力。

所以从这几点上来看人工智能的努力也不是像有些人说的，今天的人工智能的发展完全在工业，人工智能的发展也应该一部分依靠大学，一部分依靠工业。就像我们所说的大数据和人才的培养，小数据的研究。那么大数据的开疆拓土更多的应用，和更多的计算能力，确实来自于工业。所以这两种结合我觉得是我们今后发展的一个方向。

最后我要说一点，就是说我们应该说已经了解很多深度学习了，这个可以作为我们昨天的一个成就。那么今天我们在刚刚开始去获得强化学习的一个红利，那么这个可能还不是在很多的领域得到应用的，但是我要告诉大家的是，强化学习比大家想象的要更有用，比方说它不仅仅是在围棋或者是在计算机游戏上。在金融，在我们日常生活当中，甚至在教育上，机器人的规划都离不开强化学习。那么这些应该说都是富人的游戏，也就是说只有富人才能有这么多的大数据，有这么多的计算量去支持深度学习和强化学习这样的实际应用。那么我们明天要看到的应该是迁移学习，因为迁移学习能够让我们把大数据得到的模型迁移到小数据上面，使得千千万万的人都能够受益，也就是说人人都能享受人工智能带来的红利。我今天讲到这儿，谢谢大家。

人工智能与学习发言稿2

----一个叫阿尔法狗的智能机器人战胜了人类的围棋高手李世石，这件事情让很多人感到恐慌。我的一位朋友说，阿尔法狗彻底改变了她的世界观。未来人类该怎么办？教育该怎么办？今天我们就来说说这方面的话题。

----首先我们先了解一下什么是人工智能？最开始计算机科学家们想让发机器人能像人那样思考，他们想让计算机网络像人的大脑神经网络一样工作。但其实人类对自己到底是如何思考的至今也没有弄清楚，所以按照这种思路开发的人工智能进展不大。

----后来一些科学家转变思路，开始让计算机按照自己的方式思考。他们让计算机学习大量的数据，然后分析各种数据之间的相关性，从相关性中发现规律。

----比如阿尔法狗就是学习了人类围棋高手的大量的对弈棋谱，找出每一种下法与最终获胜的概率之间的关系，然后选择获胜概率最高的那一种下法，并且自己与自己反复练习，人类在这样的智能机器人面前完全没有获胜的希望。

----因为人类不是这样思考的，人类不可能记住那么庞大的数据，也不可能进行那么复杂的计算。人类思考是基于分析推理的，是从小样本研究中发现因果关系，有时还要依赖直觉。既然是小样本，就有可能出现抽样误差；直觉有很多时候也是错的。而且人类还要受体力精力和情绪的影响，很难不出差错。所以我们现在已经不好意思说，计算机是人工智能了，更准确的说法是机器智能。

----事实上，机器智能在很多方面已经超越了人类智能，它甚至能替代人类完成很多以前只有人才能完成的工作。专家预言，未来有很多职业会消失，其中包括教师！

----举个例子，现在学校里老师教小学生认字，要告诉他们这个字的读音、书写的方法、字的意思是什么，可以组成哪些词组等等。未来会有一款智能机器人一对一地教孩子们做这些事情，它可以发出中央电视台播音员的声音，也可以发出孩子们喜欢的明星或爸爸妈妈的声音，它的笔顺永远不会写错，而且从来不会不耐烦。事实上现在有些电脑学习软件已经可以部分完成这样的工作了。

----又比如说，数学的公式、物理的定律、化学的反应式、历史事件与人物，这些中小学教科书上的`知识，智能机器人能不能教呢？我相信大家也说能！不仅能教，而且会比人类的教师教得更好，它可以把各学科教学名师的知识和经验都深度学习一遍，然后根据学生学习的表现，选择最合适的指导方法。这跟阿尔法狗学习下围棋没有多少本质上的不同。

----到了这个时候，还有多少人认为教师的职业不会消失呢？即使教师的职业不会消失，今天教师的大部分工作将被智能机器人取代，这一点应该没有多少人怀疑了吧？

----如果教师的大部分工作都被智能机器人取代，那么学校会不会消亡呢？这是一个更让人揪心的问题。

-----我们现在的教育体系，是工业时代的产物。工业时代需要培养大量的流水线上的工人，和各行各业的专业人士。这些职业都有一定的标准和规范，需要从业者牢记这些标准和规范，以便在做这类重复度很高的工作时，效率高，不容易出错。

人工智能与学习发言稿3

亲爱的同学们:

大家好!

本次班会的主题是“人工智能与学习”。想必大家都对横空出世的ChatGPT有所耳闻。它不仅会聊天，还能回答各种问题，甚至还能写作业、写小说等等。

人工智能既已智能”至此，不禁引发了我的困惑，既然机器什么都会，我们还需要学习吗?在我看来，人工智能的冲击恰恰为人类敲响了警钟，我们不仅要坚持学习，还要更智慧地学、更坚定地学。

《围炉夜话》有云:“为学无间断如流水行云，日进而不已矣。”学习，不仅仅是谋生之道。人工智能或许能替代一部分人类工作，但学习对人类行为举止的黑陶、心灵世界的涵养、精神的构筑与品栏的塑造却难以替代。诸位求学，不仅仅是为了在将来的社会中觅得一份好工作，更是为了拥有一个健全的`人格与成熟的思想。因此若仅因人工智能的冲击而放弃学习，无异于在功利之心的驱使下，抛弃了通向人类智慧殿堂的钥匙。

在坚定学习的初心后，我们还需更智慧地学。人工智能现已全方位地融入了我们的生活，科技变革无疑在一定程度上提高了生活的便捷性。因此悦纳新以事物，以积极心态迎接人工智能浪潮的到来是第一要务，盲目的排斥与杞人忧大的恐惧皆不可取。

同时，更应明确人工智能的局限性，要让人工智能服务于我们的生活，而不是替代与改变。在学习内容上，选择以涵养品性、丰盈见闻的内容为主，不拘泥于低端的、重复性的劳动，使人类拥有超越机械化的单调工作的更高视域。在学习领域上，追求创新有所实破，不断探索未知，开疆拓土。周国平曾说:“每个人都是一个宇宙，每个人都应该有一个自足的精神世界。”当我们将自己的精神世界构筑得足够精美，我们才有足够的定力在与人工智能的角力与较量中，占据优势地位。

若一味依赖人工智能，人类终将论为机器的奴隶，丧失思考与学习的能力。唯学习，方可自强；唯学习，方可破局；唯学习，方可拓天地，升新局。

正如经伯伦在《初日》中所言:“不要责怪遮蔽视线的强光，你应该导找你自己的太阳。”而学习，恰为我们应对科技浪潮的冲击构建了通向真理之太阳的天梯。

愿同学们新能秉学习的初心，迎接科技的浪潮。

我的发言到此结束，谢谢大家!

人工智能学习-知识要点总结 [Nirvana 发表于 2005-1-2 13:32:24]

人工智能是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的，是一门综合性边缘学科，延伸人脑的功能，实现了脑力劳动的自动化。

1、认知科学认为智能的核心是思维，知识阙值理论认为智能行为取决于知识的数量及其一般化程度，智能就是在巨大搜索空间中迅速找到一个满意解的能力；进化理论的核心是用控制取代表示，取消概念、模型及显示表示知识，否定抽象对于智能及智能模拟的必要性，强调分结构对于智能进化的可能性与必要性。综合上述观点，认为智能是知识与智力的总和，具有如下特征：

（1）记忆与思维能力，（2）学习能力及自适应能力，（3）行为能力。

人工智能是人造智能，是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。通过图灵测试可以判断一个系统是否具有智能和智能的水平。

人工智能研究内容：

（1）机器感知（2）机器思维（3）机器学习（4）机器行为（5）智能系统构造技术

人工智能研究途径：

（1）符号处理（2）网络连接机制（3）系统集成2、知识是智能的基础，对人工智能的研究必须以知识为中心来进行，由于对知识的表示、利用、获取等的研究取得较大进展，特别是不确定性知识表示与推理取得的突破，建立了主观Bayes理论、确定性理论、证据理论、可能性理论，对人工智能其他领域（如模式识别，自然语言理解等）的发展提供了支持。数据是信息的载体和表示，信息是数据在特定场合的具体含义，信息是数据的语义；把有关信息关联在一起所形成的信息结构叫知识。具有：相对正确性，不确定性，可表示性，可利用性等特征；按作用范围分为常识性知识，领域性知识；按作用及表示分为事实性知识，过程性知识，控制性知识。按确定性分为确定性知识，不确定性知识；按结构及表现形式分为逻辑性知识，形象性知识；从抽象的，整体的观点来划分可分为零级知识，一级知识，二级知识。知识表示方法总体上分为符号表示法，连接机制表示法；目前用得较多的知识表示方法主要有：一阶谓词逻辑表示，产生式，框架，语义网络，脚本，过程，Petrio网，面向对象表示法。选择知识表示法时，要注意以下几个方面：

（1）充分表示领域知识（2）有利于对知识的利用（3）便于对知识的组织、维护与管理（4）便于理解和实现

3、产生式系统构成：规则库，控制系统，综合数据库。综合数据库中已知事实表示：（特性 对象 值可信度因子）控制系统的求解过程是一个不断地从规则库中选取可用规则与综合数据库中已知事实进行匹配的过程。产生式系统分类：按推理方向分为前向、后向和双向产生式系统；按表示知识的确定性可分为确定性及不确定性产生式系统；按数据库性质及结构特征进行分类为可交换的产生式系统，可分解的产生式系统，可恢复的产生式系统。框架是一种描述所论对象属性的数据结构，由槽结构组成，槽分为若干侧面。问题求解主要通过匹配和填槽实现的；产生式表示法主要用于描述事物间的因果关系，框架表示法主要用于描述事物内部结构及事物间的类属关系。语义网络是通过概念及其语义关系来表达知识的一种网络图。一个过程规则包括激发条件，演绎操作，状态转换及返回四个部分。

4、推理就是按某种策略由已知判断推出另一判断的思维过程。按从新判断推出的途径来划分，推理可分为演绎推理、归纳推理和默认推理；按所用知识确定性分为确定性推理，不确定性推理；按推出的结论是否单调地增加来划分为单调推理，非单调推理；按是否运用与问题有关的启发性知识分为启发式推理，非启发式推理；按基于方法的分为基于知识的推理，统计推理，直觉推理。推理的控制策略：推理方向，搜索策略，冲突消解策略，求解策略和限制策略。推理方向可确定推理的驱动方式：正向推理，逆向推理，混合推理及双向推理。

从一组已知为真的事实出发，直接运用经典逻辑的推理规则推出结论的过程称为自然演绎推理，基本推理规则是P规则，T规则，假言推理，拒绝式推理等：

P规则：任何步骤可引入前提A

T规则：前面步骤有一个或多个公式永真蕴涵公式S，可引入S

假言推理：P，P—>Q=> Q

拒绝式推理：P—>Q, 非Q=>非P

归结演绎推理中，空字句是不满足的，因此归结的目标是通过归结使字句集中包含空字句，从而证明原命题的不可满足性。归结式是亲本字句的逻辑结论。

不确定性推理是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的理论的思维过程。

不确定推理的基本问题：推理方向，推理方法，控制策略，不确定性的表示和度量，不确定性匹配，不确定性传递算法，不确定性的合成。

知识的不确定性称为知识的静态强度；证据的不确定性称为动态强度

5、组合证据的不确定性算法：

最大最小方法

概率方法

有界方法

不确定性传递算法：

结论不确定性的合成：

6、主观Bayes方法：

（1）知识不确定性表示（产生式规则）：

（2）证据不确定性表示：

（3）组合证据不确定性的算法：

（4）不确定性传递算法：

（5）结论不确定性的合成算法：

7、可信度方法：（C-F模型是基于可信度表示的不确定性推理的基本方法）

在可信度推理方法中的Ｃ-F模型里，可信度CF(H,E)的含义是：CF(H,E)>0表示Ｅ的出现增加了Ｈ的可信度；CF(H,E)=0表示Ｅ的出现与Ｈ可信度无关；CF(H,E)<0表示Ｅ的出现降低了Ｈ的可信度。

（1）知识不确定性表示：

（2）证据不确定性表示：

（3）组合证据不确定性算法：

（4）不确定性传递算法：

（5）结论不确定性合成算法（推理网络）：

8、证据理论是用集合表示命题的，D是变量x所有可能取值的集合，且D中的元素是互斥的，在任一时刻x都取且只能取D中某一元素为值，则称D为x的样本空间。

信任函数与似然函数的关系：Pl(A)>=Bel(A), Bel(A)表示对A为真的信任程度，Pl(A)表示对A为非假的信任程度。Pl(A)-Bel(A)表示对Ａ不知道的程度，即既非对Ａ信任又不信任的那部分。

知识的不确定表示：IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn}ＣＦ是可信度因子

含有模糊概念、模糊数据或带有确信程度的语句称为模糊命题。一般表示形式为：

x is A(CF)x是论域上的变量，Ａ是模糊数，ＣＦ是该模糊命题的确信程度或

相应事件发生的可能性程度。

10、人工智能解决的问题：结构不良，非结构化；盲目搜索按预定的控制策略进行搜索，在搜索过程中获得的中间信息不用来改进控制策略；启发式搜索加入了与问题有关的启发性信息，用以指导搜索朝着最有希望的方向前进，加速问题的求解过程并找到最优解。

状态空间表示法：（Ｓ，Ｆ，Ｇ）

11、专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统，它能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程，求解需要专家才能解决的困难问题。

特征：专家知识，有效推理，获取知识能力，灵活性，透明性，交互性，复杂性

专家系统与常规计算机程序比较：＊

(1)常规程序＝数据结构＋算法，专家系统＝知识＋推理

(2)常规程序分为数据级＋程序级，专家系统数据级＋知识库级＋控制级

(3)常规程序面向数值计算和数据处理，专家系统本质上是面向符号处理的(4)常规程序处理的数据多是精确的，专家系统处理不精确，模糊知识

(5)解释功能

(6)都是程序系统

12、机器学习是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善：

三个方面的研究内容：（１）学习机理研究（２）学习方法研究（３）面向任务研究

学习系统是指能够在一定程度上实现机器学习的系统，能够从某个过程或环境的未知特征中学到有关信息，并且能把学到的信息用于未来的估计、分类、决策或控制，以便改进系统的性能。在结构上主要包括：学习环境，学习机构，执行与评估机构和知识库四个部分；各种符号学习方法中推理能力最强的学习方法是机械式学习，推理能力最弱的方法是观察和发现，神经网络学习获得的知识被存储在神经元之间的连接中。

学习系统具有的条件能力：

(1)具有适当的学习环境

(2)具有一定学习能力

(3)能应用学到的知识求解问题

(4)能提高系统的性能