机器学习

   机器学习与认知致力于将人工智能领域中机器学习与教学支持技术的研究相结合，一方面研究怎样借助于认知科学及其相关研究成果支持机器学习问题的更深入研究，另一方面研究怎样将机器学习领域的最新研究成果有效应用于教学或学习过程的支持之中。其中前一个方面既是具有独立意义的基础研究，又是本方向得以发展的基本保证，后一个方面是本方向乃至整个教育技术学科所最终关注的焦点，也是我学科站立于人工智能技术研发与教育应用交叉点上所提取的另一个有意义的突破点。智能信息科学在接受认知科学的启示的同时，也深刻地影响着认知科学的发展，除了研究工具上的改进与提高之外，还影响着认知科学的研究方法与研究内容。

    目前，本实验室现在从事的基础研究包括监督学习和非监督学习，关联规则。

    监督学习又称有教师学习， “ 教师 ” 在这里要对一组给定的输入提供应有的输出结果。 监督学习是一种重要的机器学习方法，已经 产生了许多经典 的学习方法如决策树，人工神经网络，贝叶斯网络等。近年来，支持向量机（简称 SVM ）作为一种通用的机器 学习方法，在监督学习上表现出了非常出色的学习性能。在美国科学杂志上，支持向量机以及核学习方法被认为是“机器学习领域中非常流行的方法和成功的例子，并是一个十分令人瞩目的发展方向”。对 SVM 的研究将推动机器学习理论和技术的重大发展。本实验室 对支持向量机的诸多方面如训练算法、参数选择、多分类、大规模学习问题以及基于 SVM 的代价敏感学习等都进行了深入的研究 。

    非监督学习是机器学习的一个重要学习方法，它是指不需要单独的离线训练过程，也没有带标记的训练数据集，一般用来对数据集进行分析，如聚类，通过学习从中抽取出相应的内在规律与规则，使得机器做出更为合理的决策。研究非监督学习的各种方法是实现提高和完善机器学习能力的重要途径和手段。 目前主要从事聚类，特别是模糊聚类方面的研究。模糊 C- 均值聚类算法（ Fuzzy C-mean Clustering Algorithm 简称 FCM ）作为经典的模糊聚类算法 在许多领域获得了非常成功的应用。 尽管如此，但其也有自身的弱点。改变 FCM 算法中搜索本质、收敛速度、算法精度、算法结构、对初始化的敏感性都对提高聚类的有效性和泛化性有着重要的影响。对噪音的敏感性、计算耗时和局部搜索是 FCM 算法的三大致命弱点。本研究主要集中在通过改变其初始化中心、利用人工神经网络的并行计算以及进化计算的全局优化来弥补，并结合这三种算法提出改进，使得算法更具合理性，以提高非监督学习的能力、效率与稳定性，优化机器学习性能。

    关联规则挖掘发现大量数据中项集之间有趣的关联或相 关联系。它在数据挖掘中是一个重要的课题，最近几 年已被业界所广泛研究。 Agrawal 等于 1993 年首先提出了挖掘顾客交易数据库 中项集间的关联规则问题 [AIS93b] ，以后诸多的研究 人员对关联规则的挖掘问题进行了大量的研究。他们 的工作包括对原有的算法进行优化，如引入随机采 样、并行的思想等，以提高算法挖掘规则的效率；对 关联规则的应用进行推广。