学习就会发生改变？ ◆改变1：样本数据改变系统参数， 系统进行自适应或自组织的学习 ◆改变2：神经网络中突触（权值） 改变，有时神经元改变。 ◆改变的效果：当激励改变了记忆 介质并使改变维持相当长 一段时间 后，我们就说系统学会了 2023/7/9 6
2023/7/9 6 学习就会发生改变？ 改变1：样本数据改变系统参数， 系统进行自适应或自组织的学习。 改变2：神经网络中突触（权值） 改变，有时神经元改变。 改变的效果：当激励改变了记忆 介质并使改变维持相当长一段时间 后，我们就说系统学会了
学习时量化必要性 ◆系统只能对无穷的样本模式 环境中一小部分样本进行学 习。 系统的存储量是有限的，系 统要有新的样本模式替换旧 的样本模式。 2023/7/9
2023/7/9 7 学习时量化必要性 系统只能对无穷的样本模式 环境中一小部分样本进行学 习。 系统的存储量是有限的，系 统要有新的样本模式替换旧 的样本模式
量化定义规则侧 把样本模式空间分成k个区域， 某个突触点在其中移动时 系统进行学习。 原型可以扩展以使矢量量子 化均方误差最小或规则最优。 可以估计样本模式的未知的 概率分布（统计代表样本）。 2023/7/9 8
2023/7/9 8 量化定义 规则 把样本模式空间分成k个区域， 某个突触点在其中移动时， 系统进行学习。 原型可以扩展以使矢量量子 化均方误差最小或规则最优。 可以估计样本模式的未知的 概率分布（统计代表样本）
无监督和有监督学习区别？ ◆描述样本模式在样本空间的 分布概率密度函数未知，通 过学习来估计。 ◆无监督学习对分布不作任何 假设，可利用信息最少 其学习规则可用一阶差分或一阶 微分方程来定义 2023/7/9 9
2023/7/9 9 无监督和有监督学习 区别？ 描述样本模式在样本空间的 分布概率密度函数未知，通 过学习来估计。 无监督学习对分布不作任何 假设，可利用信息最少。 其学习规则可用一阶差分或一阶 微分方程来定义
有监督学习特点？ ◆假设样本模式分组结构或p(x)性能 ◆还依赖于每个学习样本的分组隶 属度信息，即分成： D,D2,…,Dk,而XeD并且XED(i≠j） ◆可以检查出“错误”信息。 ◆优点：精确度较高 2023/7/9 10
2023/7/9 10 有监督学习特点？ 假设样本模式分组结构或 性能 还依赖于每个学习样本的分组隶 属度信息，即分成： 可以检查出“错误”信息。 优点：精确度较高。 p x( ) ( ) 1 2 j i , ,..., , i j D D D X D X D K 而 并且