《表A1 ML发展过程中形成的五大流派》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习在能源与电力系统领域的应用和展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

ML是一个算法范畴，其本质[13]是找到一个目标函数f，使其成为输入变量X到输出变量Y之间的最佳映射:Y=f（X）。ML算法主要分四大类:有监督式学习、无监督学习、半监督式学习和强化学习（reinforcement learning，RL）。其中:有监督式学习需要标识数据；无监督学习不需要任何标识数据；半监督式学习介于前两者之间（有部分标识数据）；RL无需监督信号，可在模型未知的环境中平衡探索和利用（exploration and exploitation）[9]。其中，常用的ML算法有:线性回归、逻辑回归（LR）、反向传递神经网络（BPNN）、Apriori算法、Eclat算法、k-均值、图论推理算法、支持向量机（SVM）、线性判别分析、朴素贝叶斯、K-最近邻（KNN）、聚类算法、奇异值分解（SVD）、矩阵分解、降维算法（如决策树、随机森林、最小二乘法、主成分分析法等）、梯度提高和演算法、Q-学习、时间差分学习（TD-学习）、集成算法（如随机森林和Boosting，Bagging，AdaBoost等）、人工神经网络（如DL）等。在电力系统领域，20世纪90年代曾在BPNN，SVM和模糊集（FS）等早期ML的应用方面掀起一个研究热潮。近年来，有关学者陆续提出了平行学习（parallel learning，PL）[14-15]、混合学习（hybrid learning，HL）[16]、对抗学习（adversarial learning，AL）[17]等新的ML理论框架，并引入EEPS中。可以预见的是，ML将是AI 2.0发展的关键技术和核心创造力，将起到主要的推动作用。总的来说，ML主要分为五大流派[18-19]，即符号主义、贝叶斯派、联结主义、进化主义和行为类比主义，详情参见附录A第A3节（表A1）。可以看出，前面4个流派从不同侧面抓住了智能的部分特征，在“制造”AI方面都取得了里程碑式的成就。