机构名称：
¥ 3.0
摘要：学习概念具有多种解释，从获得知识或技能到构建意义和社会发展。机器学习（ML）被认为是人工智能（AI）的分支，并开发算法可以通过利用主要统计方法来从数据中学习并将其判断概括为新观察。新千年已经看到了人工神经网络（ANN）的扩散，这是一种形式主义，能够在复杂问题（例如计算机视觉和自然语言识别）中取得非凡的成就。尤其是设计师声称，这种形式主义与生物神经元的运作方式非常相似。这项工作认为，尽管ML具有数学/统计基础，但至少从方法论的角度来看，它不能严格视为一门科学。主要原因是ML算法具有显着的预测能力，尽管它们不一定会对所实现的预测提供因果关系的解释。例如，可以在大量的消费者财务信息数据集中对ANN进行培训，以预测信誉。该模型考虑了各种因素，例如收入，信用记录，债务，支出模式等。然后输出信用评分或信用批准的决定。但是，神经网络的复杂和多层性质几乎无法理解该模型所用来的因素的哪些特定因素或组合来制定其决策。学习过程要复杂得多，因为它需要对学习能力或技能的充分理解。缺乏透明度可能会出现问题，特别是如果该模型拒绝信贷并且申请人想知道拒绝的具体原因。该模型的“黑匣子”性质意味着它无法对其在决策过程中如何权衡各种因素提供明确的解释或分解。其次，这项工作拒绝了这样的信念，即仅通过应用统计方法，机器就可以通过监督或无监督模式从数据中学习。从这个意义上讲，进一步的ML进步，例如加强学习和模仿学习表示鼓励与人类学习中使用的类似认知技能的相似之处。
机器学习的挑战：关键评论
主要关键词
相关文件推荐
