•         Học vẹt

•          Học cách đề xuất

•          Học bằng cách thu thập các trường hợp

•          Học bằng cách xây dựng cây định danh

•          Học không giám giám sát và bài tóm gom nhóm dữ liệu

•          Học giám sát và bài toán phân lớp dữ liệu

Học vẹt

Hệ tiếp nhận các khẳng định của các quyết định đúng. Khi hệ tạo ra một quyết định không đúng, hệ sẽ đưa ra các luật hay quan hệ đúng mà hệ đã sử dụng. Hình thức học vẹt nhằm cho phép chuyên gia cung cấp tri thức theo kiểu tương tác.

Học bằng cách chỉ dẫn

Thay vì đưa ra một luật cụ thể cần áp dụng vào tình huống cho trước, hệ thống sẽ được cung cấp bằng các chỉ dẫn tổng quát. Ví dụ: "gas hầu như bị thoát ra từ van thay vì thoát ra từ ống dẫn". Hệ thống phải tự mình đề ra cách biến đổi từ trừu tượng đến các luật khả dụng.

Học bằng qui nạp

Hệ thống được cung cấp một tập các ví dụ và kết luận được rút ra từ từng ví dụ. Hệ liên tục lọc các luật và quan hệ nhằm xử lý từng ví dụ mới.

Học bằng tương tự

Hệ thống được cung cấp đáp ứng đúng cho các tác vụ tương tự nhưng không giống nhau. Hệ thống cần làm thích ứng đáp ứng trước đó nhằm tạo ra một luật mới có khả năng áp dụng cho tình huống mới.

Học dựa trên giải thích

Hệ thống phân tích tập các lời giải ví dụ ( và kết quả) nhằm ấn định khả năng đúng hoặc sai và tạo ra các giải thích dùng để hướng dẫn cách giải bài toán trong tương lai.

Học dựa trên tình huống

Bấy kỳ tính huống nào được hệ thống lập luận đều được lưu trữ cùng với kết quả cho dù đúng hay sai. Khi gằp tình hướng mới, hệ thống sẽ làm thích nghi hành vi đã lưu trữ với tình huống mới.

Khám phá hay học không giám sát

Thay vì có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm các mẫu và quan hệ trong dữ liệu nhập. Các ví dụ về học không giám sát bao gồm gom cụm dữ liệu, học để nhận dạng các đặc tính cơ bản như cạnh từ các điểm ảnh.

Học qua logic:

Bongard (1970) là người đầu tiên ứng dụng các toán tử logic để học và nhận dạng các đối tượng hình ảnh.

Ý tưởng: Tìm quan hệ đơn giản nhất trong số các quan hệ có thể sử dụng để học và nhận dạng các hình ảnh.

Cây định danh: Là một dạng của cây quyết định, trong đó mỗi tập các kết luận có thể xảy ra được thiết lập một cách ngầm định bởi một danh sách các mẫu mà chúng được phân vào một lớp đã biết

Ta gọi tính chất cháy nắng hay không cháy nắng là thuộc tính quan tâm (thuộc tính mục tiêu). Như vậy, trong trường hợp này, tập R của chúng ta chỉ gồm có hai phần tử {"cháy nắng", "bình thường"}. Còn tập P là tất cả những người được liệt kê trong bảng dưới (8 người) Chúng ta quan sát hiện tượng cháy nắng dựa trên 4 thuộc tính sau : chiều cao (cao, trung bình, thấp), màu tóc (vàng, nâu, đỏ) cân nặng (nhẹ, TB, nặng), dùng kem (có, không),. Ta gọi các thuộc tính này gọi là thuộc tính dẫn xuất.

    Quinlan

•         Quinlan quyết định thuộc tính phân hoạch bằng cách xây dựng các vector đặc trưng cho mỗi giá trị của từng thuộc tính dẫn xuất và thuộc tính mục tiêu.

•          Cho một bảng quan sát là tập hợp các mẫu với các thuộc tính nhất định của các đối tượng nào đó.

•          Sử dụng một độ đo để định lượng và đề ra một tiêu chuẩn nhằm chọn lựa một thuộc tính mang tính chất “phân loại” để phân bảng này thành các bảng con nhỏ hơn sao cho từ mỗi bảng con này dễ dàng phân tích tìm ra quy luật chung .

Phuong phap dom do hon loan

Thay vì phải xây dựng các vector đặc trưng như phương pháp của Quinlan, ứng với mỗi thuộc tính dẫn xuất ta chỉ cần tính ra độ đo hỗn loạn và lựa chọn thuộc tính nào có độ đo hỗn loại là thấp nhất. Công thức tính như sau :

Trong đó:

            A: thuộc tính cần tính độ hỗn loạn

            bt : tổng số phần tử có trong phân hoạch

            bj : tổng số phần tử có thuộc tính A với giá   tri của thuộc tính là j

            bji: tổng số phần tử có thuộc tính A với giá   tri của thuộc tính là j và thuộc tính mục tiêu là i