執行單元

執行單元是機器學習系統中利用知識庫完成某種任務，並進行識別、論證、決策、判定，將獲得的信息進行反饋，以修正和完善下一步的學習的執行機構。執行單元既是使得學習系統具有實際用途，又是評價學習算法性能好壞的關鍵部分。機器學習研究的很大一部分工作是集中在這樣兩個領域：分類和問題求解。一個智能主體常常需要將其經驗或經歷的事例進行分類標記。例如，在面臨病人表現的某些特定症狀時，醫生需要作出某一疾病的診斷。機器學習所作的很大一部分是學習分類。該任務可描述為，給定一個經驗實例的某種描述，以及一些已知的類，任務在於試圖將這些經驗實例賦予某個類別。專家系統所作的最常見的也是最有用的工作便是同這種分類或診斷有關。另外，機器學習也常要能解決新問題或進行規劃，例如，任務是設計一個從當前所在地到達目的地的路徑。一般是給定一些所要達到的狀態或目標，任務在於試圖找出一個動作序列，使得其主體能從當前狀態達到目標狀態。機器人操作是最明顯的問題求解策略的應用。這個領域涉及技能的獲得，用以改進問題求解的速度和規劃推理的能力。

機器學習就是計算機模仿人類獲取知識的模式，通過建立相應的模型，對外界輸入通過記憶、歸納、推理等等方式，獲得有效的信息和經驗總結，進而不斷的自我完善，提高系統的功能。機器學習的核心是學習，學習是系統中的任何改進，這種改進使得系統在重複同樣的工作或進行類似的工作時，能完成得更好；學習是構造或修改對於所經歷事物的表示。機器學習系統由外部環境、學習、知識庫和執行單元組成。外部環境是以某種形式表達的信息或知識的集合，是知識和信息的來源，執行的對象和任務。外部環境像系統提高信息的質量是影響學習系統設計的首要因素。學習是將外部環境提供的信息，加工成為有效信息的過程，它也是學習系統的核心，包括採集信息、接受監督指導、學習推理、修改知識庫等其他功能。知識庫是影響學習系統設計的第二大因素，根據知識的不同，選擇不同的表達方式，兼顧表達能力強、易於推理、易於修改知識庫和知識表示易於擴展等幾方面，均是知識庫在表達上需要符合的要求。機器學習系統通常具有如下重要特徵：

算法模型的評價通用標準：

1、解的精確性與最優性。基於正確性基礎上。

2、計算複雜度，時間成本。計算複雜性理論所研究的資源中最常見的是時間（要通過多少步演算才能解決問題）和空間（在解決問題時需要多少內存）。其他資源亦可考慮，例如在並行計算中，需要多少並行處理器才能解決問題。時間複雜度是指在計算機科學與工程領域完成一個算法所需要的時間，是衡量一個算法優劣的重要參數。時間複雜度越小，説明該算法效率越高，則該算法越有價值。空間複雜度是指計算機科學領域完成一個算法所需要佔用的存儲空間，一般是輸入參數的函數。它是算法優劣的重要度量指標，一般來説，空間複雜度越小，算法越好。我們假設有一個圖靈機來解決某一類語言的某一問題，設有 {\displaystyle X} X個字（word）屬於這個問題，把 {\displaystyle X} X放入這個圖靈機的輸入端，這個圖靈機為解決此問題所需要的工作帶格子數總和稱為空間。

3、適應性。適應變化的輸入和各種數據類型。

4、可移植性。可移植性（Portability），又譯為移植性、可攜性，是指使用高階語言寫成的軟件，在不同環境下，是否具備可以被重複使用的性質。

5、魯棒性。健壯性。魯棒性（robustness）就是系統的健壯性。它是在異常和危險情況下系統生存的關鍵。比如説，計算機軟件在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下，能否不死機、不崩潰，就是該軟件的魯棒性。所謂“魯棒性”，是指控制系統在一定（結構，大小）的參數攝動下，維持某些性能的特性。根據對性能的不同定義，可分為穩定魯棒性和性能魯棒性。以閉環系統的魯棒性作為目標設計得到的固定控制器稱為魯棒控制器。