下载掌阅APP，畅读海量书库
立即打开
学习是一项复杂的智能活动，学习过程与推理过程紧密相连。根据学习中使用推理的多少，机器学习的主要策略可以分为机械学习、示教学习、类比学习和示例学习。学习过程所用的推理越多，系统的学习能力就越强。
机械学习就是记忆，是最简单的策略。这种策略不需要推理。因为计算机存储容量相当大、检索速度相当快，而且记忆准确，所以能产生人类难以预料的效果。如有些对弈程序就采用这种策略，可以记住数万个棋局，能在对弈中优先选择对自己有利（分值高）的走法，并不断地修改分值以提高自己的水平，这对人类来说是不可能办到的。
示教学习是比机械学习更复杂的策略。系统在这种策略下接受外部知识时需要进行一些推理、翻译和转化工作。许多专家系统就采用这种策略。
类比学习只能得到完成类似任务的有关知识，学习时系统必须能够发现当前任务与已知任务的相似点，由此制定出完成当前任务的方案，因此此策略比上述两种策略需要更多的推理。
采用示例学习策略的系统，事先完全没有完成任务的任何规律性的信息，而只有一些具体的工作例子及工作经验。系统需要对这些例子及经验进行分析、总结和推广，得到完成任务的一般性规律，并在下一步的工作中验证或修改这些规律，因此这种策略需要的推理是最多的。
此外，还有基于解释的学习、决策树学习、增强学习和基于神经网络的学习等策略。