[科普中国]-执行单元

执行单元是机器学习系统关键组成部分之一，用于处理系统面临的现实问题，即应用学习到的知识求解问题，如定理证明、智能控制、自然语言处理、机器人行动规划等；和用于验证、评价执行环节的效果，如结论的正确性等。

简介执行单元是机器学习系统中利用知识库完成某种任务，并进行识别、论证、决策、判定，将获得的信息进行反馈，以修正和完善下一步的学习的执行机构。执行单元既是使得学习系统具有实际用途，又是评价学习算法性能好坏的关键部分。机器学习研究的很大一部分工作是集中在这样两个领域：分类和问题求解。一个智能主体常常需要将其经验或经历的事例进行分类标记。例如，在面临病人表现的某些特定症状时，医生需要作出某一疾病的诊断。机器学习所作的很大一部分是学习分类。该任务可描述为，给定一个经验实例的某种描述，以及一些已知的类，任务在于试图将这些经验实例赋予某个类别。专家系统所作的最常见的也是最有用的工作便是同这种分类或诊断有关。另外，机器学习也常要能解决新问题或进行规划，例如，任务是设计一个从当前所在地到达目的地的路径。一般是给定一些所要达到的状态或目标，任务在于试图找出一个动作序列，使得其主体能从当前状态达到目标状态。机器人操作是最明显的问题求解策略的应用。这个领域涉及技能的获得，用以改进问题求解的速度和规划推理的能力。

机器学习系统机器学习就是计算机模仿人类获取知识的模式，通过建立相应的模型，对外界输入通过记忆、归纳、推理等等方式，获得有效的信息和经验总结，进而不断的自我完善，提高系统的功能。机器学习的核心是学习，学习是系统中的任何改进，这种改进使得系统在重复同样的工作或进行类似的工作时，能完成得更好；学习是构造或修改对于所经历事物的表示。机器学习系统由外部环境、学习、知识库和执行单元组成。外部环境是以某种形式表达的信息或知识的集合，是知识和信息的来源，执行的对象和任务。外部环境像系统提高信息的质量是影响学习系统设计的首要因素。学习是将外部环境提供的信息，加工成为有效信息的过程，它也是学习系统的核心，包括采集信息、接受监督指导、学习推理、修改知识库等其他功能。知识库是影响学习系统设计的第二大因素，根据知识的不同，选择不同的表达方式，兼顾表达能力强、易于推理、易于修改知识库和知识表示易于扩展等几方面，均是知识库在表达上需要符合的要求。机器学习系统通常具有如下重要特征：

目的性。系统知道学习什么，学习的行为具有高度的目的性。

结构性。系统能修改和完善知识结构和组织形式。

有效性。系统学习到的知识具有适应和符合实践的能力，能够对系统性能的改善起到正面的作用。

开放性。系统在与环境进行信息交互的过程中，能使自身不断进化1。

评价标准算法模型的评价通用标准：

1、解的精确性与最优性。基于正确性基础上。

2、计算复杂度，时间成本。计算复杂性理论所研究的资源中最常见的是时间（要通过多少步演算才能解决问题）和空间（在解决问题时需要多少内存）。其他资源亦可考虑，例如在并行计算中，需要多少并行处理器才能解决问题。时间复杂度是指在计算机科学与工程领域完成一个算法所需要的时间，是衡量一个算法优劣的重要参数。时间复杂度越小，说明该算法效率越高，则该算法越有价值。空间复杂度是指计算机科学领域完成一个算法所需要占用的存储空间，一般是输入参数的函数。它是算法优劣的重要度量指标，一般来说，空间复杂度越小，算法越好。我们假设有一个图灵机来解决某一类语言的某一问题，设有 {\displaystyle X} X个字（word）属于这个问题，把 {\displaystyle X} X放入这个图灵机的输入端，这个图灵机为解决此问题所需要的工作带格子数总和称为空间。

3、适应性。适应变化的输入和各种数据类型。

4、可移植性。可移植性（Portability），又译为移植性、可携性，是指使用高阶语言写成的软件，在不同环境下，是否具备可以被重复使用的性质。

5、鲁棒性。健壮性。鲁棒性（robustness）就是系统的健壮性。它是在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标设计得到的固定控制器称为鲁棒控制器。

本词条内容贡献者为:

李岳阳 - 副教授 - 江南大学