简介(2) 个例子:下国际象棋的学习任务 前面的概念学习算法需要大量的训练样例 人类只要少数训练样例,原因是人类非常依赖合法移动棋子 的先验知识来解释或分析训练样例 但是,人类学习中包含了一个很长的发现先验知识的过程 本章内容安排 给出一个特定的基于解释的学习算法,称为 Prolog-EBG 考查 Prolog-EBG的一般特性以及与前面讨论的归纳算法之间 的关系 描述了应用基于解释的学习以提高大状态空间搜索的性能 本章假定生成解释所基于的先验知识是完全正确的, 下一章讨论更一般的情况,即先验知识只是近似正确 2003.12.18机器学习-分析学习作者: Mitchell译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-分析学习作者：Mitchell 译者：曾华军等讲者：陶晓鹏 4 简介（2） • 一个例子：下国际象棋的学习任务 – 前面的概念学习算法需要大量的训练样例 – 人类只要少数训练样例，原因是人类非常依赖合法移动棋子 的先验知识来解释或分析训练样例 – 但是，人类学习中包含了一个很长的发现先验知识的过程 • 本章内容安排 – 给出一个特定的基于解释的学习算法，称为Prolog-EBG – 考查Prolog-EBG的一般特性以及与前面讨论的归纳算法之间 的关系 – 描述了应用基于解释的学习以提高大状态空间搜索的性能 • 本章假定生成解释所基于的先验知识是完全正确的， 下一章讨论更一般的情况，即先验知识只是近似正确