E．A. Feigenbaum等人在著名的《人工智能手冊》（第三卷）[Cohen and Feigenbaum，1983]中，則把機器學習劃分為“機械學習”  “示教學習”  “類比學習”和“歸納學習”．機械學習亦稱“死記硬背式學習”，即把外界輸入的信息全部記錄下來，在需要時原封不動地取出來使用，這實際上沒有進行真正的學習，僅是在進行信息存儲與檢索；示教學習和類比學習類似于R.S．Michalski等人所說的“從指令中學習”和“通過觀察和發現學習”；歸納學習相當于“從樣例中學習”，即從訓練樣例中歸納出學習結果．二十世紀八十年代以來，被研究最多、應用最廣的是“從樣例中學習”f也就是廣義的歸納學習），它涵蓋了監督學習、無監督學習等，本書大部分內容均屬此范疇，下面我們對這方面主流技術的演進做一個簡單回顧．在二十世紀八十年代，“從樣例中學習”的一大主流是符號主義學習，其代表包括決策樹(decision tree)和基于邏輯的學習，典型的決策樹學習以信息論為基礎，以信息熵的最小化為目標，直接模擬了人類對概念進行判定的樹形流程．基于邏輯的學習的著名代表是歸納邏輯程序設計(Inductive LogicProgramming，簡稱ILP)，可看作機器學習與邏輯程序設計的交叉，它使用一階邏輯（即謂詞邏輯）來進行知識表示，通過修改和擴充邏輯表達式（例如Prolog表達式）來完成對數據的歸納，符號主義學習占據主流地位與整個人工智能領域的發展歷程是分不開的，前面說過，人工智能在二十世紀五十到八十年代經歷了“推理期”和“知識期”，在“推理期”人們基于符號知識表示、通過演繹推理技術取得了很大成就，而在“知識期”人們基于符號知識表示、通過獲取和利用領域知識來建立專家系統取得了大量成果，因此，在“學習期”的開始，符號知識表示很自然地受到青睞．事實上，機器學習在二十世紀八十年代正是被視為“解決知識工程瓶頸問題的關鍵”而走上人工智能主舞臺的．

想了解更多IT資訊，請訪問中培偉業官網：中培偉業