本文摘要：数月之前，我阿姨给其同事发送到了一封主题为「数学难题！答案是什么？」的邮件，邮件包括了一个谜题： 她指出自己的答案显著是准确的，她的同事们却指出他们自己的答案才是对的但这两个答案却不一样。那是他们的答案有一个是错的呢？还是谜题本身有问题？ 我阿姨和她的同事偶然间找到了机器学习中的一个基本问题。我们希望计算机做到的所有自学以及我们人类自身的自学都是将信息概括成基本的模式，然后再行用其来推测不得而知。她的谜题也从不值得注意。 作为人类，我们面对的挑战是找到所有模式。

数月之前，我阿姨给其同事发送到了一封主题为「数学难题！答案是什么？」的邮件，邮件包括了一个谜题：　　她指出自己的答案显著是准确的，她的同事们却指出他们自己的答案才是对的但这两个答案却不一样。那是他们的答案有一个是错的呢？还是谜题本身有问题？　　我阿姨和她的同事偶然间找到了机器学习中的一个基本问题。我们希望计算机做到的所有自学以及我们人类自身的自学都是将信息概括成基本的模式，然后再行用其来推测不得而知。她的谜题也从不值得注意。

　　作为人类，我们面对的挑战是找到所有模式。当然，我们有直觉来容许自己的猜测。但计算机没这样的直觉。

从计算机的角度来看，模式识别中的难题是只使用一个模式：在多种模式实质上都不切实际的情况下，什么要求了哪个模式是「准确」的？其它模式都是「错误」的？　　这个问题在近期才沦为人们实际考虑到的问题。20世纪90年代之前，人工智能系统完全不做到过于多自学。

例如，DeepBlue的前身国际象棋系统DeepThought，通过从顺利与告终对赛中自学却并未能很好掌控国际象棋。忽略，国际象棋大师和编程人员慎重的书写规则，教教计算机哪个落子方位是好还是怕。这样可观的人工工作是「专家系统」时代的典型方法。

本文关键词：业界,机器,学习,的,基本,局限性,从,一个,数学,爱游戏app官网下载

本文来源：ayx爱游戏app体育官方下载-www.0352hsy.com