運算學習論
From Wikipedia, the free encyclopedia
運算學習論(粵拼:wan6 syun3 hok6 zaap6 leon6;英文:computational learning theory,CLT)係機械學習上嘅一套理論,重點在於用數學模型模擬認知系統-人腦或者人工智能程式-做歸納(induction)嘅過程,即係研究「認知系統普遍係點樣由手上嘅(有限)數據嗰度,學識搵出一啲描述世界點運作嘅普遍法則」呢條問題[1][2]。
舉個例說明,想像一個人類,佢見過嘅天鵝冚唪唥都係白色嘅,所以佢就作出咗一個歸納性嘅推論,
- 由「我見過嘅天鵝都係白色嘅」(有限嘅數據),
- 作出「全宇宙古往今來嘅天鵝冚唪唥都係白色嘅」(普遍法則)呢個推斷;
原則上,呢個過程可以出錯-可能世界上真係有黑天鵝,而個學習者只係咁啱得咁橋從來都未見過黑天鵝。基於呢個基本諗法,運算學習論會思考「要用幾多數據做學習,先至可以令推導出正確嘅普遍法則嘅機率有返咁上下高」等嘅問題,處於認知科學、人工智能同統計學嘅交界[3]。
運算學習論同機械學習(machine learning)息息相關:事實經已說明咗,機械學習喺實用上表現好好,但由對歸納嘅邏輯分析已知,「由手上數據推斷普遍法則」呢家嘢絕對唔係冇漏洞嘅,例如係喺製作機械學習程式嚟預測股價嘅過程當中,一般都假設咗個樣本代表到總體-「手上嘅股票嘅行為」(樣本)正確噉反映到「古往今來所有嘅股票嘅行為」(總體);運算學習論會用到大量嘅統計學技巧,分析要點做歸納先可以令得到真相嘅機會最大化,對機械學習嘅技術發展相當有幫助[4][5]。