归纳学习-人工智能
归纳（induction）是人类拓展认识能力的重要方法，是一种从个别到一般，从部分到整体的推理行为。
归纳推理是应用归纳方法，从足够多的具体事例中归纳出一般性知识，提取事物的一般规律；它是一种从个别到一般的推理。在进行归纳时，一般不可能考察全部相关事例，因而归纳出的结论无法保证其绝对正确，但又能以某种程度相信它为真。这是归纳推理的一个重要特征。例如，由“麻雀会飞”、“鸽子会飞”、“燕子会飞”……
归纳学习（induction learning）是应用归纳推理进行学习的一种方法。根据归纳学习有无教师指导，可把它分为示例学习和观察与发现学习。前者属于有师学习，后者属于无师学习。
除了有穷归纳与数学归纳以外，一般的归纳推理结论只是保假的，即归纳依据的前提错误，那么结论也错误，但前提正确时结论并不一定正确。从相同的实例集合中，可以提出不同的理论来解释它，应按某一标准选取最好的作为学习结果可以说，人类知识的增长主要得益于归纳学习方法。
归纳学习的模式
归纳学习的一般模式为：
给定：①观察陈述（事实）F，用以表示有关某些对象、状态、过程等的特定知识；②假定的初始归纳断言（可能为空）：③背景知识，用于定义有关观察陈述、候选归纳断言以及任何相关问题领域知识、假设和约束，其中包括能够刻画所求归纳断言的性质的优先准则。
求：归纳断言（假设）H，能重言蕴涵或弱蕴涵观察陈述，并满足背景知识。
假设H永真蕴涵事实F，说明F是H的逻辑推理，则有：
H｜＞F（读作H特殊化为F）
或 F｜＜H（读作F一般化或消解为H）
这里，从H推导到F是演绎推理，因此是保真的；而从事实F推导出假设H是归纳推理，因此不是保真的，而是保假的。
归纳概括规则
在归纳推理过程中，需要引用一些归纳规则。这些规则分为选择性概括规则和构造性概括规则两类。令D1，D2分别为归纳前后的知识描述，则归纳是D1→D：。如果D2中所有描述基本单元（如谓词子句的谓词）都是D1中的，只是对D2中基本单元有所取含，或改变连接关系，那么就是选择性概括。如果D中有新的描述基本单元（如反映D1各单元间的某种关系的新单元），那么就称为构造性概括。这两种概括规则的主要区别在于，后者能够构造新的描述符或属性。设CTX，CTX1和CTX表示任意描述，K表示结论，则有如下几条常用的选择性概括规则：
（1）取消部分条件
（2）放松条件
（3）沿概念树上溯
（4）形成闭合区域
（5）将常量转化成变量
这些规则是只从事例中提取各个描述项之间的某种相互关系，而忽略其他关系信息的方法，这种关系在规则中表现为一种同一关系。
