Abstract
近年來由於人工智慧蓬勃發展，許多的理論與技術已經應用在各個不同的領域裡，如專家系統的發展、計算機視覺、自然語言與語音的處理等，說明了今日的計算機科學已能建立強而有力的大型推理系統。這些箹統必須要有足夠的知識來作推理，且當愈來愈複雜的工作進來時，所需要的知識也愈多，根據以往建立這些知識系統的經驗指出，知識的獲居已成為發展系統的主要瓶頸。因為機器學習理論使用了歸納法來作推理，不同於一般人工智慧系統所使用的演繹法，因此能自動產生新的知識，也成為克服知識獲取瓶頸的有效途徑。機器學習依其學習性質可以分成以下數類：強記式的學習、教導式的學習、類比式的學習、歸納學習法。而歸納學習法又可分成〞例舉學習法〞和〞觀察與發現學習法〞。前者是有老師的學習法，後者則不需要老師。目前機器學習理論的研究很明顯的致力於觀念的歸納上，尤其是從低階的例子學習高階觀念的〞例舉學習法〞，這種學習法特別適合用來解決專家系統發展時所遭遇的知識獲取瓶頸。然而，大都分的學習方法都是非漸次的一次完成學習法，應用在複雜領域時的計算複雜度很不經濟。為了要能夠有效率的學習，必須要發展漸次完成的學習法，藉由修改舊有觀念來降低計算複雜度。在本篇論文中，提出了一個〞例舉學習法〞問題的漸次完成演算法，並且還實作了目前解決這問題的幾個學習演算法，包括ID３、GS和perceptron tree 的學習法，同時舉例來比較我們的新方法與這些方法的學習的結果。