一個能夠自動學習並修正分類型知識之專家系統

Abstract

在人工智慧之領域而言，讓計算機有學習能力是目前非常基本並且吸引人的研究方向 。在此篇論文裡，我們針對現實世界中的分類型知識（classifiable knowledge）， 首先提出一個全新並且實用的學習方法。我們的學習方法由兩個功能獨立卻彼此間有 相關聯的模組所組合而成，其一為Builder ，另一則為Refiner 。Builder 是經由對 一些訓練用的實例（training examples）加以適切地分類，從中來產生新規則。Ref iner則是經由一般化（generalization）及特定化（specialization）的過程，來修 正舊有的規則。除了提出這個新的學習法之外，在本篇論文中我們利用這個新的學習 方法發展出一套有學習能力的腦瘤診斷之專定系統，我們稱之為BTES。經由實驗結果 ，我們得知此一新的學習方法是相當合理，並且它能夠有效率地處理真實世界中大部 份的分類型知識。