【摘要】" " 人工智能技術在社會各個領域普及，使得人類的生產(chǎn)和生活更加便利，對社會快速穩(wěn)定發(fā)展起到一定的促進作用。要使得人工智能領域的價值充分發(fā)揮出來，就需要對機器學習的內(nèi)在涵義、研究的目的以及所采用的機器學習方式進行研究。主要從三個方面展開闡述，即第一個方面是環(huán)境適應性機器學習，第二個方面是機器知識庫的擴展延伸，第三個方面你是機器學習反饋評價體系，對新領域對人工智能技術的應用起到一定的促進作用，同時推動人工智能技術快速發(fā)展。本論文著重于研究人工智能領域的機器學習算法。

【關鍵詞】" " 人工智能領域" " 機器學習" " 算法

引言：

進入到二十世紀中期，人工智能技術應運而生并快速發(fā)展起來，其不僅對人們的生產(chǎn)、生活提供了便利，而且對社會全面發(fā)展具有深遠的影響。人工智能技術有很強的綜合性，其中涵蓋計算機技術、網(wǎng)絡技術等等，還結合了數(shù)學科學、心理學、哲學以及工程技術等等[1] 。

在研究人工智能的過程中，主要的是讓機器運行符合人的思維，從人的視角并運用人的思想對世界加以認識，并能夠如人一樣地思考問題。

一、機器學習概述

機器學習是建立在人工智能技術基礎上的，這就需要系統(tǒng)化研究機器學習，對其準確界定，明確機器學習研究所要實現(xiàn)的目標以及采用的機器學習方式[2] 。

1.1機器學習

所謂的“機器學習”，就是將識別手段充分運用，主要是兩種識別手段，即知識識別手段和系統(tǒng)識別手段，使得機械學習能力有所提高，以在機械運行的過中可以獲得新的知識，對于新的技術充分掌握，提高能力水平[3] 。機器學習有人的學習之間存在相似度，如果人類對于學習不予以重視，知識結構就會老化，技術能力也會減弱。機器亦是如此，如果不能積極學習，知識運用能力不夠，就無法獲得良好的機器學習效果，機器的運行能力降低，無法獲得良好的效果。通過采用機器學習的方法，可以提高機器對問題的分析能力和解決能力，同時還可以提高機器的創(chuàng)新能力，有良好的未來發(fā)展前景。在人工智能的發(fā)展進程中，機器學習是必然的結果，在當前的科學研究中，人工智能是非常熱門的領域，因此需要高度重視。

1.2機器學習所要實現(xiàn)的目標

在進行機器學習研究的過程中，所要實現(xiàn)的目標不是單一化的，而是多元化的，需要充分考慮到當前的機器學習研究領域以及所獲得的成果，對研究所要實現(xiàn)的目標予以規(guī)劃，主要體現(xiàn)為如下三個方面：

第一個方面，對人類的學習過程從模擬的角度進行研究。在進行機器學習研究的過車用中，主要的內(nèi)容是應用虛擬軟件模擬人類學習的過程。在具體的研究中，需要運行虛擬軟件將有關的模型建立起來，促使機器在運行的過程中像人類一樣的學習并提高知識的運用能力。

第二個方面，學習機器關聯(lián)性理論并深入研究。在進行機器學習的時候需要基于科學理論展開，對于多種學習方法都要嘗試，還要充分考慮到機器自身所具備的特征以及所具有的基本屬性，對于程序設計不斷優(yōu)化，對兩者之間所存在的相似性理清，明確兩者之間所存在的區(qū)別[4] 。

第三個方面，設定機器學習的歷程。這項研究所要實現(xiàn)的主要目標是深入探索機器知識所獲得的各項工具，還要分析相關的系統(tǒng)。

1.3機器學習所采用的方式

機器學習所采用的方式主要針對的是人類學習方式，對人類學習的方式以及機器學習的方式從綜合的角度展開學習，使得機器學習的方式不斷優(yōu)化，從科學的角度采用機器學習方式，保證其有效性。這項研究的一個重點就是機器學習的擴展性，基于人類的學習方式以及思考方式實施機械式擴展，使得機械工作能力和效率都有所提高[5] 。

當前來看，所采用的機器學習方式主要體現(xiàn)在兩個方面，即演繹學習系統(tǒng)和歸納學習系統(tǒng)，前者是從一般向特殊推進，后者是從一般向特殊推進。在進行歸納學習中，所涵蓋的模式包括兩種，一種是傳統(tǒng)的歸納模式，另一種是創(chuàng)新的歸納模式。

二、建立在人工智能基礎上的機器學習研究

基于人工智能技術展開機器學習，確保這項操作系統(tǒng)化展開，這就需要從環(huán)境適應性的角度展開機器學習，擴展機器知識庫并加以延伸，構建機器學習反饋評價體系。下面針對這些方面的內(nèi)容進行系統(tǒng)化闡述。

2.1從環(huán)境適應性的角度展開機器學習

機器學習與人類學習之間存在很大的差異，其中環(huán)境適應性的差異是非常顯著的，所以，當前的人工智能技術研究過程中，環(huán)境適應性機器學習是重點研究課題。機器學習要獲得良好的效果，就需要塑造合適的環(huán)境，這對人工智能系統(tǒng)的支持效果具有直接相關性，不僅如此，環(huán)境適宜性還有一個重要功能，就是據(jù)此可以建立機器內(nèi)部體系存放原則[6]。但是，環(huán)境不是恒久不變的，而是不斷變化的，其不僅具有復雜化特征，而且還具有多變性，這就需要機器學習的過程中需要大量的數(shù)據(jù)信息予以支持，將不相干的環(huán)節(jié)刪除，消除各種影響因素，并進行推廣和不斷總結，以此為基本準則實施人工智能領域的系統(tǒng)動作指導。采用這種方式，使得機器學習的過程中呈現(xiàn)出復雜化，對系統(tǒng)的持續(xù)穩(wěn)定發(fā)展非常不利。

2.2擴展機器知識庫并加以延伸

機器學習的有效實施，將機器知識庫設置好是非常必要的，使其種類更加豐富多樣，表現(xiàn)形式也多種多樣，其中所涵蓋的內(nèi)容包括網(wǎng)絡化關聯(lián)、特征向量以及規(guī)則化的語言等等。在進行機器學習的過程中要實現(xiàn)這個目標，機器知識庫要予以擴展和延伸，以提高機器學習，由此達到預期的目標。在對機器知識庫進行擴展和延伸的過程中，需要重視的一項重要內(nèi)容還表達模式。

在構建達模式的時候，要求邏輯比較簡單，明確表達涵義，降低計算成本[7] 。在進行計算的過程中，對于推理的過程予以簡化理解要容易，不僅推理的效率高，而且還要具有延展性。其中的延展性，主要是從知識的角度出發(fā)，使得知識實現(xiàn)最大程度地延展。

2.3構建機器學習反饋評價體系

在進行機器學習的過程中需要構建反饋評價體系，確保機器學習的效果良好。

在實施反饋評價的時候，其中涵蓋很多的內(nèi)容，主要為基礎性的反饋評價，其所體現(xiàn)的復雜性主要是概念比較多樣化；

運行策略分析評價體系的時候，就是要將小型評價體系建立起來并科學化運行。

這些內(nèi)容的有效應用中需要充分考慮到實際情況，要將相關的任務完成，要逐漸推進。另外，反饋評價體系的應用中要保證其有較高的透明度，包括反饋評價體系的執(zhí)行過程以及執(zhí)行結果等等，所有的反饋評價都要透明化[8] 。

三、機器學習算法

機器學習算法有很多種，下面主要介紹兩種方法，即監(jiān)督式學習方法和強化學習方法。

3.1監(jiān)督式學習方法

在應用監(jiān)督式學習方法的時候，所輸入的數(shù)據(jù)是“訓練數(shù)據(jù)”，每組訓練數(shù)據(jù)的標識明確，結果也非常準確，比如，反垃圾郵件系統(tǒng)會對郵件自動分類，包括“垃圾郵件”和“非垃圾郵件”。

建立預測模型的時候，監(jiān)督學習將學習過程建立起來，比較預測結果和“訓練數(shù)據(jù)”，根據(jù)異同對預測模型進行調(diào)整，直到模型的預測結果符合預期精度。監(jiān)督學習的過程中，比較常見的問題為兩個，即分類問題和回歸問題，當解決問題之后，這種監(jiān)督式學習方法可以獲得良好的效果。

3.2強化學習方法

采用強化學習方法，一項重要的操作是將輸入數(shù)據(jù)用于模型反饋。該模型與監(jiān)督模型存在不同之處，即輸入數(shù)據(jù)僅僅用于對模型的檢查，確定其是否正確。實施強化學習的時候，輸入數(shù)據(jù)直接向模型反饋，需要及時調(diào)整模型。在模型的運行用，比較常見的應用場景涵蓋兩個方面，即動態(tài)系統(tǒng)和機器人控制。此時常用的算法包括兩個，即Q學習和時差學習。

在企業(yè)數(shù)據(jù)應用場景中，監(jiān)督學習和非監(jiān)督學習是比較常用的。當進入到圖像識別領域，由于非標記數(shù)據(jù)比較多，可識別數(shù)據(jù)比較少，半監(jiān)督學習總是被關注，并成為主要的研究課題。在系統(tǒng)控制領域，比如機器人控制等，強化學習的應用非常廣泛。

四、結束語

通過上面的研究可以明確，當前正處于人工智能時代，一個重要的方向就是機器學習研究，這也是當前的重點研究課題，各個領域都從自身的發(fā)展情況對此進行研究。在具體的工作中，需要系統(tǒng)化研究機器學習的情況，明確各個階段的研究成果，主要涵蓋的內(nèi)容包括建構人工智能理論和探索人工智能應用實踐，將人工智能技術向應用領域擴展，將人工智能技術的作用發(fā)揮出來以推動社會深化變革，使得人們的生產(chǎn)、生活得以改善。

參" 考" 文" 獻

[1] 張政權. 機器學習及其商業(yè)和醫(yī)學診斷方法的可專利性——關于人工智能領域的專利申請及保護[J]. 專利代理， 2019.019（4）：50-56.

[2] 劉繼明， 陳純，劉軍徽. 智能化應用場景如何實現(xiàn)——談小數(shù)據(jù)機器學習開發(fā)路徑[J]. 前沿科學， 2019.000（2）：67-72.

[3] 陶益，陳林，江恩賜，等. 人工智能和工業(yè)4.0視域下高光譜成像技術融合深度學習方法在中藥領域中的應用與展望[J]. 中國中藥雜志， 2020.045（22）：5438-5442.

[4] 凌曦，趙志剛，李新剛. 人工智能技術在藥學領域的應用——基于Web of Science的文獻可視化分析[J]. 中國藥房， 2019.030（4）：6-11.

[5] 周林. 深度學習算法在SAR圖像目標識別上的研究[J]. 電子制作， 2020，408（22）：29，67-68.

[6] 朱玥，覃堯， 董嵐，等. 人工智能在移動通信網(wǎng)絡中的應用：基于機器學習理論的信道估計與信號檢測算法[J]. 信息通信技術， 2019.013（1）：19-25.

[7] Pieter， Plehiers P ，" Steffen， et al. 蒸汽裂解建模中的人工智能——詳細流出物預測深度學習算法[J]. Engineering， 2019，005（6）：106-134.

[8] 鄭永亮， 李曉坤， 王琳琳，等. 基于人工智能與機器學習技術在智慧城市的應用[J]. 智能計算機與應用， 2019， 009（1）：153-158.