E．A. Feigenbaum等人在著名的《人工智能手册》（第三卷）[Cohen and Feigenbaum，1983]中，则把机器学习划分为“机械学习”  “示教学习”  “类比学习”和“归纳学习”．机械学习亦称“死记硬背式学习”，即把外界输入的信息全部记录下来，在需要时原封不动地取出来使用，这实际上没有进行真正的学习，仅是在进行信息存储与检索；示教学习和类比学习类似于R.S．Michalski等人所说的“从指令中学习”和“通过观察和发现学习”；归纳学习相当于“从样例中学习”，即从训练样例中归纳出学习结果．二十世纪八十年代以来，被研究最多、应用最广的是“从样例中学习”f也就是广义的归纳学习），它涵盖了监督学习、无监督学习等，本书大部分内容均属此范畴，下面我们对这方面主流技术的演进做一个简单回顾．在二十世纪八十年代，“从样例中学习”的一大主流是符号主义学习，其代表包括决策树(decision tree)和基于逻辑的学习，典型的决策树学习以信息论为基础，以信息熵的最小化为目标，直接模拟了人类对概念进行判定的树形流程．基于逻辑的学习的著名代表是归纳逻辑程序设计(Inductive LogicProgramming，简称ILP)，可看作机器学习与逻辑程序设计的交叉，它使用一阶逻辑（即谓词逻辑）来进行知识表示，通过修改和扩充逻辑表达式（例如Prolog表达式）来完成对数据的归纳，符号主义学习占据主流地位与整个人工智能领域的发展历程是分不开的，前面说过，人工智能在二十世纪五十到八十年代经历了“推理期”和“知识期”，在“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大成就，而在“知识期”人们基于符号知识表示、通过获取和利用领域知识来建立专家系统取得了大量成果，因此，在“学习期”的开始，符号知识表示很自然地受到青睐．事实上，机器学习在二十世纪八十年代正是被视为“解决知识工程瓶颈问题的关键”而走上人工智能主舞台的．

想了解更多IT资讯，请访问中培伟业官网：中培伟业