《決策用強化與系統(tǒng)性機器學習》以Protel的最新版本AltiumDesigner13AltiumDesigner14為平臺,介紹了電路設(shè)計的方法和技巧,主要包括AltiumDesigner13AltiumDesigner14概述、原理圖設(shè)計基礎(chǔ)、原理圖的繪制、原理圖的后續(xù)處理、層次結(jié)構(gòu)原理圖的設(shè)計、原理圖編輯中的高級操作、PCB設(shè)計基礎(chǔ)知識、PCB的布局設(shè)計、印制電路板的布線、電路板的后期制作、創(chuàng)建元件庫及元件封裝、電路仿真系統(tǒng)、信號完整性分析、自激多諧振蕩器電路設(shè)計實例和游戲機電路設(shè)計實例。本書的介紹由淺入深,從易到難,各章節(jié)既相對獨立又前后關(guān)聯(lián)。在介紹的過程中,編者根據(jù)自己多年的經(jīng)驗及教學心得,及時給出總結(jié)和相關(guān)提示,以幫助讀者快捷地掌握相關(guān)知識。全書內(nèi)容講解詳實,圖文并茂,思路清晰。隨書贈送的多媒體教學光盤包含全書實例操作過程的視頻講解文件和實例源文件,讀者可以通過光盤方便、直觀地學習本書內(nèi)容。本書可以作為初學者的入門教材,也可以作為電路設(shè)計及相關(guān)行業(yè)工程技術(shù)人員及各院校相關(guān)專業(yè)師生的學習參考。
《決策用強化與系統(tǒng)性機器學習》包括強化的不同方面,通過機器學習來建立知識庫。本書有助于計劃通過智能學習和實驗做出智能機器的人并嘗試新的方式,打開一種相同的新范例。本書第1章主要介紹系統(tǒng)概念,如機器學習、強化學習、系統(tǒng)學習、系統(tǒng)性機器學習等;第2章主要介紹系統(tǒng)性和多視角的機器學習;第3~9章主要介紹本書的主要內(nèi)容——決策用強化與系統(tǒng)性學習的各個方面內(nèi)容,有強化學習、系統(tǒng)性機器學習、推理和信息集成、自適應(yīng)學習、全局系統(tǒng)性學習、增量學習及表示和知識增長。第10章列舉了一些例子來說明如何構(gòu)建一個學習系統(tǒng)。
人們研究人工智能已經(jīng)很多年,甚至早于計算機時代。在現(xiàn)代,基于事件的人工智能被廣泛應(yīng)用于部件設(shè)備或者是設(shè)備整體中。人工智能起了很大程度上的引導作用,但人工干預(yù)是強制性的。甚至反饋控制系統(tǒng)也是人工智能系統(tǒng)的一種初步形式。之后自適應(yīng)控制系統(tǒng)和混合控制系統(tǒng)在系統(tǒng)中增加智能的鑒別能力。隨著計算機技術(shù)的發(fā)展,人工智能技術(shù)受到了更多的關(guān)注。基于計算機學習簡單的事件很快成為諸多智能系統(tǒng)的一部分,人們對智能系統(tǒng)的期望在持續(xù)增長,這就致使一種廣受歡迎的學習范例,其是以學習為基礎(chǔ)的模式。這使得系統(tǒng)在很多實際方案下表現(xiàn)得智能化,其中包括天氣模式、入住率模式以及其他可以幫助決策的不同模式。這種模式發(fā)展成為一個行為模式學習的范例。這與其說是一種行為模式,倒不如說是一種特定測量參數(shù)的簡單模式。行為模式試圖給出一個更好的描繪和洞察力,這有助于學習和在網(wǎng)絡(luò)及業(yè)務(wù)方案下進行決策,這將智能系統(tǒng)提升到了另一個水平。學習是智能的表現(xiàn),使機器進行學習是使得機器智能化行為一個主要的部分。
決策方案的復雜度和復雜方案中的機器學習在機器智能方面提出了很多問題。孤立的學習是永遠不會完成的。人類聚居在一起學習,開發(fā)聚居地并通過互動去創(chuàng)造智慧。聚集和合作學習讓人類取得了統(tǒng)治地位。此外,人類的學習與所處環(huán)境相關(guān)聯(lián)。 他們與環(huán)境互動,并獲得兩種形式的反饋——獎勵或懲罰。人類的協(xié)作學習方式給了他們探索式學習的力量,利用已經(jīng)了解到的事實以及參照發(fā)生的行動去探索。強化學習的范例上升到了一個新的層面,并可以覆蓋所需動態(tài)方案學習的很多新的方面的問題。
Parag Kulkarni博士是普納埃拉特研究所(EKLaT Research,Pune)的CEO和首席科學家。他在知識管理、電子商務(wù)、智能系統(tǒng)和機器學習咨詢、研究和產(chǎn)品建設(shè)等領(lǐng)域有超過20年的經(jīng)驗。印度理工學院和加爾各答印度管理研究院的校友,Kulkarni博士是IIM的兼職教授、捷克馬薩里克大學訪問研究員和普納工程學院兼職教授。他領(lǐng)導的公司、研究實驗室和團體,其中包括很多IT公司,有艾蒂爾公司、西門子信息系統(tǒng)有限公司、普納的卡皮森公司和新加坡的ReasonEdge公司。他通過戰(zhàn)略創(chuàng)新和研究引領(lǐng)了很多公司成功創(chuàng)業(yè)。瑞士的UGSM皇家商業(yè)學校授予Kulkarni榮譽博士學位。他是三個專利的共同發(fā)明人,并合著了超過100篇研究論文并有著作若干本。
譯者序
原書前言
原書致謝
關(guān)于作者
第1章強化與系統(tǒng)性機器學習1
1.1簡介1
1.2監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習1
1.3傳統(tǒng)機器學習方法和機器學習發(fā)展歷史3
1.4什么是機器學習?6
1.5機器學習問題6
1.5.1學習的目標6
1.6學習模式7
1.7機器學習技術(shù)和范例9
1.8什么是強化學習?11
1.9強化函數(shù)和環(huán)境函數(shù)12
1.10強化學習的需求13
1.11強化學習和機器智能14
1.12什么是系統(tǒng)學習?14
1.13什么是系統(tǒng)性機器學習?15
1.14系統(tǒng)性機器學習的重點15
1.15強化性機器學習和系統(tǒng)性機器學習16
1.16車輛檢測問題的案例研究16
1.17小結(jié)16
參考文獻17
第2章全系統(tǒng)原理、系統(tǒng)性和多視角的機器學習18
2.1簡介18
2.1.1什么是系統(tǒng)性學習?19
2.1.2歷史20
2.2什么是系統(tǒng)性機器學習?21
2.2.1基于事件的學習21
2.3廣義系統(tǒng)性機器學習框架23
2.3.1系統(tǒng)定義24
2.4多視角決策和多視角學習26
2.4.1基于完整信息的表示32
2.4.2基于部分信息的表示32
2.4.3單視角決策方案圖32
2.4.4雙重視角決策方案圖32
2.4.5多視角決策方案圖32
2.4.6定性信念網(wǎng)絡(luò)和影響圖33
2.5動態(tài)和交互式?jīng)Q策33
2.5.1交互決策圖33
2.5.2決策圖和影響圖中時間的角色34
2.5.3系統(tǒng)性視角的建立34
2.5.4信息整合35
2.5.5建立典型決策方案圖35
2.5.6受限信息35
2.5.7多決策者系統(tǒng)在系統(tǒng)性學習中的角色35
2.6系統(tǒng)性學習框架39
2.6.1數(shù)學模型39
2.6.2系統(tǒng)性學習的方法39
2.6.3自適應(yīng)系統(tǒng)性學習40
2.6.4系統(tǒng)性學習框架41
2.7系統(tǒng)分析41
2.8案例學習:在酒店行業(yè)中需要系統(tǒng)性學習43
2.9小結(jié)44
參考文獻44
第3章強化學習45
3.1簡介45
3.2學習決策者48
3.3回報和獎勵的計算50
3.3.1方案和連續(xù)任務(wù)50
3.4強化學習和自適應(yīng)控制51
3.5動態(tài)系統(tǒng)54
3.5.1離散事件動態(tài)系統(tǒng)54
3.6強化學習和控制55
3.7馬爾科夫性質(zhì)和決策過程55
3.8價值函數(shù)56
3.8.1行動和價值56
3.9學習最優(yōu)策略(有模型和無模型法)57
3.10動態(tài)規(guī)劃57
3.10.1動態(tài)系統(tǒng)性質(zhì)57
3.11自適應(yīng)動態(tài)規(guī)則58
3.11.1時間差分學習59
3.11.2Q學習60
3.11.3統(tǒng)一的視圖60
3.12范例——拳擊訓練器的強化學習61
3.13小結(jié)61
參考文獻61
第4章系統(tǒng)性機器學習和模型62
4.1簡介62
4.2系統(tǒng)學習的框架63
4.2.1影響空間64
4.2.2交互作用為中心的模型69
4.2.3以結(jié)果為中心的模型69
4.3捕捉系統(tǒng)視圖70
4.4系統(tǒng)交互的數(shù)學表達73
4.5影響函數(shù)74
4.6決策影響分析74
4.6.1時空界限75
4.7小結(jié)80
第5章推理和信息集成82
5.1簡介82
5.2推理機制和需要83
5.2.1情景推理85
5.2.2推理確定影響85
5.3情景和推理的集成88
5.4統(tǒng)計推理和歸納91
5.4.1直接推理91
5.4.2間接推理91
5.4.3信息推理91
5.4.4歸納92
5.5純似然方法92
5.6貝葉斯范例推理93
5.6.1貝葉斯定理93
5.7基于時域推理93
5.8推理建立系統(tǒng)觀點94
5.8.1信息集成94
5.9小結(jié)96
參考文獻97
第6章自適應(yīng)學習98
6.1簡介98
6.2自適應(yīng)學習和自適應(yīng)系統(tǒng)98
6.3什么是自適應(yīng)機器學習101
6.4基于方案的適應(yīng)性和學習方法101
6.4.1動態(tài)適應(yīng)性和情景感知的學習102
6.5系統(tǒng)學習和自適應(yīng)學習104
6.5.1多學習器的使用105
6.5.2系統(tǒng)自適應(yīng)機器學習108
6.5.3自適應(yīng)應(yīng)用的設(shè)計110
6.5.4自適應(yīng)學習的需要和適應(yīng)的原因111
6.5.5適應(yīng)類型112
6.5.6自適應(yīng)框架114
6.6競爭學習和自適應(yīng)學習115
6.6.1適應(yīng)性函數(shù)116
6.6.2決策網(wǎng)絡(luò)118
6.6.3自適應(yīng)學習方案119
6.7范例120
6.7.1案例研究:基于自適應(yīng)學習的文本120
6.7.2自適應(yīng)學習的文檔挖掘121
6.8小結(jié)122
參考文獻122
第7章多視角和全局系統(tǒng)性的學習123
7.1簡介123
7.2多視角方案構(gòu)建124
7.3多視角決策和多視角學習126
7.3.1視角結(jié)合126
7.3.2影響圖和部分方案決策表示圖127
7.3.3表示決策方案圖(RDSD)130
7.3.4范例:部分方案決策表示圖(PDSRD)表示的不同視角獲取的城市信息131
7.4全局系統(tǒng)性學習和多視角途徑134
7.4.1分散信息整合135
7.4.2多視角和全局系統(tǒng)知識表示135
7.4.3什么是多視角方案?135
7.4.4特定方案136
7.5基于多視角途徑的案例研究136
7.5.1交通控制器用多視角途徑137
7.5.2情感檢測用多視角途徑模型138
7.6多視角方法的局限性143
7.7小結(jié)143
參考文獻144
第8章增量學習和知識表示145
8.1簡介145
8.2為什么增量學習?146
8.3學習已經(jīng)學會的147
8.3.1絕對增量學習148
8.3.2選擇增量學習149
8.4監(jiān)督增量學習157
8.5增量無監(jiān)督學習和增量聚類158
8.5.1增量聚類:任務(wù)160
8.5.2增量聚類:方法161
8.5.3閾值161
8.6半監(jiān)督增量學習162
8.7增量與系統(tǒng)性學習163
8.8增量接近值和學習方法164
8.8.1增量學習方法1165
8.8.2增量學習方法2166
8.8.3計算C值增量166
8.9學習與決策模型169
8.10增量分類技術(shù)169
8.11案例分析:增量文檔分類170
8.12小結(jié)171
第9章知識增長:機器學習的視角173
9.1簡介173
9.2短暫的歷史和相關(guān)工作174
9.3知識增長和知識啟發(fā)178
9.3.1策略使用進行知識啟發(fā)178
9.3.2基于目標的知識啟發(fā)179
9.3.3基于過程的知識啟發(fā)179
9.4生命周期180
9.4.1知識水平181
9.4.2直接知識181
9.4.3間接知識182
9.4.4程序知識182
9.4.5問題182
9.4.6決策182
9.4.7知識生命周期183
9.5增量知識表達184
9.6案例學習和遺忘學習186
9.7知識的擴充:技術(shù)和方法187
9.7.1知識增量技術(shù)187
9.7.2知識增量方法188
9.7.3提取知識的機制189
9.8啟發(fā)式學習190
9.9系統(tǒng)性機器學習和知識獲取190
9.9.1全方位知識獲取191
9.9.2系統(tǒng)知識管理和先進的機器學習192
9.10在復雜環(huán)境下的知識增量193
9.11案例研究193
9.11.1銀行案例研究193
9.11.2軟件開發(fā)公司194
9.11.3雜貨集市/零售集市195
9.12小結(jié)195
參考文獻196
第10章構(gòu)建學習系統(tǒng)197
10.1簡介197
10.2系統(tǒng)性學習系統(tǒng)197
10.2.1學習單元199
10.2.2知識庫200
10.2.3性能單元200
10.2.4反饋單元200
10.2.5允許測量的系統(tǒng)200
10.3算法選擇201
10.3.1k近鄰(kNN)201
10.3.2支持向量機(SVM)202
10.3.3質(zhì)心法202
10.4知識表示203
10.4.1實用方案和案例研究203
10.5學習系統(tǒng)的設(shè)計204
10.6讓系統(tǒng)表現(xiàn)得更智能204
10.7案例學習205
10.8整體知識框架和強化學習的應(yīng)用205
10.8.1智能算法的選擇207
10.9智能決策——部署和知識采集以及重用208
10.10基于案例的學習:人體情感檢測系統(tǒng)209
10.11復雜決策問題的整體視角211
10.12知識表示和資源查找213
10.13組件215
10.13.1范例215
10.14學習系統(tǒng)和智能系統(tǒng)的未來216
10.15小結(jié)217
附錄218
附錄A統(tǒng)計學習方法218
A.1概率218
A.1.1互斥事件218
A.1.2獨立事件218
A.2貝葉斯分類219
A.2.1樸素貝葉斯分類220
A.2.2貝葉斯分類器的優(yōu)點和缺點221
A.3回歸221
A.3.1線性222
A.3.2非線性222
A.3.3回歸的其他方法222
A.4粗糙集223
A.4.1不可分辨關(guān)系223
A.4.2集近似224
A.4.3邊界區(qū)域224
A.4.4粗糙集和清晰集224
A.4.5約簡224
A.4.6可有可無和不可缺少的屬性224
A.5支持向量機224
參考文獻225
附錄B馬爾科夫過程225
B.1馬爾科夫過程225
B.1.1案例226
B.1.2解決步驟226
B.1.3長期227
B.1.4馬爾科夫過程示例228
B.2半馬爾科夫過程231
B.2.1建議231
B.2.2驗證232
B.2.3推論232