五千年(敝帚自珍)

主题:【原创】机器学习的基础是什么?(0) -- 看树的老鼠

共:💬154 🌺509 🌵1
全看分页树展 · 主题 跟帖
家园 谢谢您把问题变得更清楚

关于因果性,我完全同意您的说法。

关于您的整篇文章,我不确定我是否理解了。如果理解的不对,请指正。

简单来说,我觉得以后的机器学习会知道怎么自己做地球仪。

以下我不加区分的使用“模型”、“假设”、“理论”这三个词语。但是按照您的要求,我会区分模型和算法。

传统方法+统计学都是这么干的。

1. 创造高斯模型(高斯假设)。这个假设扭曲的很过分。

2. 在这个模型基础上跑训练算法

3. 得到一个训练后的模型

机器学习

1. 创造宽松的机器学习假设。

2. 在这个模型上跑训练算法

3. 得到训练后模型

训练后的模型可以用于我们的supervised任务,我们管它叫算法还是叫模型比较好?我暂时称为训练后模型吧

机器学习放松了假设,所以效果更好。所以,我很认同机器学习的这种做法。

我只是觉得它还不够好。比如给定这样一个任务:已知球面上点A的坐标和点B的坐标,输出是两点间最短球面距离。

今天的机器学习只能利用训练数据(如一系列坐标对和相应的距离),给出一个无法理解的训练后模型。

而人看到这个任务,他能够利用的知识是对这个问题的物理理解和一些训练数据。如果之前人没有几何的知识,他会创造出一个几何假设(几何理论),来解决这个问题。如果我们管人的成果也叫做训练后模型,那么人的训练后模型中包含了新的假设(几何理论)。

我期待的就是:机器能够像人一样利用更广泛的信息,如物理理解。然后输出更优雅的训练后模型,比如几何理论。

你可能会说,这怎么可能?你已开始的机器学习假设是什么,机器最多帮你调整一下参数,假设的形式不会变。怎么会变成几何假设呢?

我只好说,人脑其实也就是一个参数化的神经连接假设,但是人脑就知道怎么解释神经连接中的参数,把这些参数用清晰的语言表达出来,成为几何假设。

从数学角度来讲也是可行的,参数和模型真的有那么大的区别吗?如果我们把数字和模型之间建立一一对应的关系,参数调整过程就是创造新模型的过程。谁说模型只能是人提出来的,机器只能计算?到这一步,或许您可以看出我为什么不太愿意区分模型、参数和算法这三个概念。

这种说法目前看不到任何实现的可能性。想要走到这一步,机器学习或许还要往前走很远,结合大家所说的脑神经研究和量子力学。

但是,有人脑这个例子在前,我相信基于一个参数可调整的神经连接假设(或许还要加上更多的脑神经假设和量子力学假设),可以创造并表达出简洁、清晰的理论(如几何理论),所以这是可行的。

全看分页树展 · 主题 跟帖


有趣有益,互惠互利;开阔视野,博采众长。
虚拟的网络,真实的人。天南地北客,相逢皆朋友

Copyright © cchere 西西河