戦略を学習の研究では、学習戦略の定義は、常に根本的な問題となっています。それらの異なる見解を提唱し、さまざまな研究角度から人々を学び、さまざまな研究方法を使用するための戦略は何ですか。機械学習システムを改善するために、我々はそのようなより多くのトレーニングセットを追加するなどの機械学習システムを改善するための多くの方法を、持っている、機械学習は、複雑な諜報活動、学習と推論が密接に関連しているされての学習、ニューラルネットワークを変更構造のように。それでは、どのように分類する機械学習に基づいた戦略を学びますか？ここでは、これらの質問に答える与えます。
機械学習では、学習戦略が戦略を学ぶことが使用されるシステムを学習推論戦略のプロセスを指し、コンテンツをある無視することはできません。そして、一般的に、常に学習システムを話す2つの部分から構成され、環境を学びます。環境によって提供される情報は、学習部分が理解できる形式記憶を使用して、変換情報を達成し、有益な情報を入手されます。この知識は戦略を学んでいます。一般的には、分類は、分類に推論の変換および容易にするために必要な複雑にシンプルな遵守、より多くのために少ないから、次の6つの基本的なタイプに分かれているどのくらいの情報を実現するために、学生の学習戦略に基づいています。
最初は、有機的に組み合わせた新しい知識の内部と既存の知識を形成するために使用することができる得られた知識を変換するために、環境から情報を得るために、学生を教えることです。教師は提案し、学生が知識が増加し続けることがあるように、何らかの形で知識を整理します。これは、推論能力をある程度持っている学生を必要としますが、環境は、まだ多くの作業です。学習と人間社会のこの道を教えて同様の学校は、学習課題は、教えと勧告を受け入れるように、それを可能にするシステムを構築することで、効果的なストレージと知識の応用は学びました。多くのエキスパートシステムは、知識獲得を達成するための知識ベースを確立する上で、このアプローチを使用します。
第二は、学習者が直接環境によって提供される情報を吸収し、任意の推理や他の知識移転せずに学習している丸暗記学習、です。このような学習システムは、主な考慮事項は、知識を保存し、それを使用する方法へのインデックスです。システムは、直接学習によって事前にプログラムされて学ぶことは、学習者が直接、任意の推論せずに確立事実やデータ、入力された情報を受信することにより、すべての作業、または学習をしない、良い、良いプログラム構造です。
第三は、アナロジーは、人々が世界を理解するための重要な方法で、類推によって学習され、創造的思考も、また新しいことを学ぶために人々を誘導する重要な手段です。類推すると、知識が学習を実現するために、ターゲットドメインの対応するソースドメイン知識から派生します。アナロジー学習システムは、既存のコンピュータアプリケーションが最初に設計されていない同様の機能を完了するには、新しい分野に適応することができます。
第四は、演繹的推論の形式として、学生が使用した学習、推論の過程を指し、研究の解釈です。観察と分析に基づいて質問をする公理から推論、結論は論理変換によって推定しました。学生は理論的な知識や技能を習得するために推論過程に有益な知識を得ることができるように、この推論は、忠実かつ専門的な変換プロセスです。マクロ操作の研究、編集、ブロック技術的な知識を備えたこの学習法。演繹法の逆のプロセスは、帰納的推論です。
第五は、ターゲット・コンセプト、この概念は、フィールドの理論と運用ガイドラインの例の教師による説明ベースの学習、学生で、最初にこの例では、ターゲット・コンセプトを満たす理由として説明を構築して、ターゲットとプロモーションの概念を説明します運用基準を満たすのに十分な条件。EBLは、広く知識ベースの洗練に使用されると、システムのパフォーマンスを向上させてきました。
第六の帰納的学習で、帰納学習は実験データの多数から抽出された一般的な判定ルールやパターンを一般化することを目指して、学習の原則の特殊なケースに由来します。環境がコンセプトの一般的な説明を提供していないので、演繹的な学習を教育と学習よりもはるかに多くを学ぶために、この推論の努力。同様の概念は、ソース概念として描くことができますがありますので、ある程度、帰納的推論の量は、学ぶことを学ぶの類推よりも大きくなっています。帰納学習は、最も基本的なものですが、また、人工知能の分野での学習へのより成熟したアプローチの開発は、広く研究と応用されています。
機械学習、機械学習をさらに理解することで、我々は理解を深めるために多くのステップがあります。資料に記載することで、我々はまた、機械学習に基づく学習戦略を分類する方法を理解します。これらの質問は難しく見えるかもしれませんが、機械学習の知識はゆっくりと少し、私たちが必要とされる深さによって少しです。私は誰もが職場で再生するために何か層、栄光を学ぶことができると思います。