In which we view learning as a form of uncertain reasoning from observ dịch - In which we view learning as a form of uncertain reasoning from observ Việt làm thế nào để nói

In which we view learning as a form

In which we view learning as a form of uncertain reasoning from observations.
Part V pointed out the prevalence of uncertainty in real environments. Agents can
handle uncertainty by using the methods of probability and decision theory, but first they
must learn their probabilistic theories of the world from experience. This chapter explains
how they can do that. We will see how to formulate the learning task itself as a process
of probabilistic inference (Section 20.1). We will see that a Bayesian view of learning is
extremely powerful, providing general solutions to the problems of noise, overfitting, and
optimal prediction. It also takes into account the fact that a less-than-omniscient agent can
never be certain about which theory of the world is correct, yet must still make decisions by
using some theory of the world.
We describe methods for learning probability models-primarily Bayesian networksin Sections 20.2 and 20.3. Section 20.4 looks at learning methods that store and recall specific
instances. Section 20.5 covers neural network learning and Section 20.6 introduces kernel
machines. Some of the material in this chapter is fairly mathematical (requiring a basic understanding of multivariate calculus), although the general lessons can be understood without
plunging into the details. It may benefit the reader at this point to review the material in
Chapters 13 and 14 and to peek at the mathematical background in Appendix A.
The key concepts in this chapter, just as in Chapter 18, are data and hypotheses. Here, the
data are evidence-that is, instantiations of some or all of the random variables describing
the domain. The hypotheses are probabilistic theories of how the domain works, including
logical theories as a special case.
Let us consider a very simple example. Our favorite Surprise candy comes in two
flavors: cherry (yum) and lime (ugh). The candy manufacturer has a peculiar sense of humor
and wraps each piece of candy in the same opaque wrapper, regardless of flavor. The candy is
sold in very large bags, of which there are known to be five kinds-again, indistinguishable
from the outside:
0/5000
Từ: -
Sang: -
Kết quả (Việt) 1: [Sao chép]
Sao chép!
Trong đó chúng tôi xem việc học như là một hình thức của các lý do không chắc chắn từ những quan sát.Phần V chỉ ra sự phổ biến của sự không chắc chắn trong các môi trường thực tế. Đại lý có thểxử lý sự không chắc chắn bằng cách sử dụng các phương pháp của lý thuyết xác suất và quyết định, nhưng lần đầu tiên họphải tìm hiểu lý thuyết xác suất của họ trên thế giới từ những kinh nghiệm. Chương này giải thíchlàm thế nào họ có thể làm điều đó. Chúng tôi sẽ xem làm thế nào để xây dựng chính nó nhiệm vụ học tập là một quá trìnhxác suất suy luận (phần 20,1). Chúng ta sẽ thấy rằng nhìn Bayes học tậpcực kỳ mạnh mẽ, cung cấp các giải pháp chung cho vấn đề tiếng ồn, overfitting, vàdự đoán tối ưu. Nó cũng sẽ đưa vào tài khoản một thực tế là một đại lý ít hơn omniscient thểkhông bao giờ là chắc chắn về những lý thuyết của thế giới là chính xác, nhưng vẫn phải thực hiện các quyết định bởisử dụng một số lý thuyết của thế giới.Chúng tôi mô tả các phương pháp học xác suất mô hình chủ yếu là Bayes networksin phần 20,2 và 20.3. Phần 20.4 nhìn học phương pháp lưu trữ và gọi lại cụ thểtrường hợp. Phần 20.5 bao gồm mạng lưới thần kinh học và giới thiệu phần 20.6 hạt nhânmáy. Một số các vật liệu trong chương này là khá toán học (đòi hỏi một sự hiểu biết cơ bản của giải tích đa biến), mặc dù những bài học chung có thể được hiểu khôngchìm vào các chi tiết. Nó có thể có lợi cho người đọc vào thời điểm này để xem xét tài liệu trongChương 13 và 14 và để peek tại nền toán học ở phụ lục A.Các khái niệm then chốt trong chương này, cũng giống như trong chương 18, là dữ liệu và giả thuyết. Ở đây, cácdữ liệu là bằng chứng-có nghĩa là, instantiations một số hoặc tất cả các biến ngẫu nhiên mô tảtên miền. Những giả thuyết là các lý thuyết xác suất của cách thức tên miền hoạt động, bao gồm cảCác giả thuyết hợp lý như là một trường hợp đặc biệt.Chúng ta hãy xem xét một ví dụ rất đơn giản. Chúng tôi yêu thích kẹo bất ngờ đến trong haihương vị: cherry (yum) và chanh (ugh). Các nhà sản xuất bánh kẹo có một cảm giác kỳ dị hài hướcvà kết thúc tốt đẹp mỗi mảnh kẹo trong cùng một wrapper đục, bất kể hương vị. Kẹo làbán trong túi rất lớn, trong đó có biết được năm loại một lần nữa, không thể phân biệttừ bên ngoài:
đang được dịch, vui lòng đợi..
Kết quả (Việt) 2:[Sao chép]
Sao chép!
Trong đó chúng tôi xem các học như một hình thức lý luận không chắc chắn từ những quan sát.
Phần V chỉ ra sự phổ biến của sự không chắc chắn trong môi trường thực. Đại lý có thể
xử lý không chắc chắn bằng cách sử dụng các phương pháp xác suất và lý thuyết quyết định, nhưng trước tiên họ
phải học lý thuyết xác suất của họ về thế giới từ kinh nghiệm. Chương này giải thích
làm thế nào họ có thể làm điều đó. Chúng tôi sẽ xem làm thế nào để xây dựng các nhiệm vụ học tập chính nó như là một quá trình
suy luận theo xác suất (Phần 20.1). Chúng ta sẽ thấy một cái nhìn Bayesian của việc học là
vô cùng mạnh mẽ, cung cấp giải pháp tổng thể cho các vấn đề của tiếng ồn, overfitting, và
dự đoán tối ưu. Nó cũng sẽ đưa vào tài khoản thực tế là một chất ít hơn, toàn trí có thể
không bao giờ chắc chắn về những lý thuyết của thế giới là chính xác, nhưng vẫn phải đưa ra quyết định bằng cách
sử dụng một số lý thuyết của thế giới.
Chúng tôi mô tả các phương pháp học tập các mô hình chủ yếu là xác suất Phần networksin Bayesian 20,2 và 20,3. Mục 20.4 nhìn vào phương pháp học tập lưu trữ và gọi lại cụ thể
các trường hợp. Mục 20.5 bao gồm học tập mạng lưới thần kinh và phần giới thiệu 20,6 kernel
máy. Một số vật liệu trong chương này là khá toán học (đòi hỏi một sự hiểu biết cơ bản của giải tích đa biến), mặc dù những bài học nói chung có thể được hiểu mà không
lao vào các chi tiết. Nó có thể mang lại lợi ích cho người đọc vào thời điểm này để xem xét các tài liệu trong
Chương 13 và 14 và để peek tại nền toán học trong Phụ lục A.
Các khái niệm chính trong chương này, cũng giống như trong chương 18, là những dữ liệu và giả thuyết. Ở đây, các
dữ liệu là bằng chứng đó là, sự khởi tạo của một số hoặc tất cả các biến ngẫu nhiên mô tả
miền. Các giả thuyết là lý thuyết xác suất như thế nào tên miền hoạt động, bao gồm cả
lý thuyết hợp lý như là một trường hợp đặc biệt.
Chúng ta hãy xem xét một ví dụ rất đơn giản. Kẹo Surprise yêu thích của chúng tôi có hai
hương vị: cherry (yum) và vôi (ugh). Các nhà sản xuất bánh kẹo có một ý nghĩa đặc biệt của sự hài hước
và kết thúc tốt đẹp mỗi viên kẹo trong wrapper đục nhau, bất kể hương vị. Các kẹo được
bán trong túi rất lớn, trong đó có được biết là năm loại một lần nữa, không thể phân biệt
từ bên ngoài:
đang được dịch, vui lòng đợi..
 
Các ngôn ngữ khác
Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.

Copyright ©2024 I Love Translation. All reserved.

E-mail: