Spring和SpringBoot最核心的3大区别

贝叶斯算法——是根据先验的主观概率，结合客观的信息数据，进行连续地计算，从而逼近准确的结果。

而人类智能可以运用的推理，主要有四种：

• 第一，演绎推理，又称逻辑推理，由一般到特殊。
• 第二，归纳推理，由特殊到一般。
• 第三，类比推理，由特殊到特殊。
• 第四，溯因推理，又称反绎推理(或反向演绎)，由特殊到解释。

其中，演绎与归纳，是基于精确逻辑的，类比与溯因，则是基于概率统计的，而推理的根本作用就是——捕获因果，预测未来。

事实上，直觉、顿悟、闪念所带来的洞见，往往就是运用类比与溯因的推理结果，其过程看似没有逻辑，实则背后是神经网络“遥远连接”所激发的信息的“自由”排列组合——但显然，概率会让这种“洞见”，有时是灵光乍现，有时则是胡说八道(即类比错误、溯因荒谬)。

类比——是形式不同，但逻辑相同的连接。

溯因——是根据现象，寻找最可能的解释。

可见，人类智能在结构与计算之上，必须要引入概率统计的工作模式，才能够展现出其强大的推理预测能力。

那么，基于精确逻辑的计算机，能够基于概率统计来工作吗?

在经典奠基性教材《深度学习》(Deep Learning)一书中，作者指出：

“在人工智能领域，概率论主要有两种用途：首先，概率法则告诉我们，人工智能系统如何推理;其次，可以用概率和统计，从理论上分析人工智能系统的行为。……概率论，使我们能够提出不确定性的声明，以及针对不确定性的情景进行推理;而信息论，则使我们能够量化概率分布中不确定性的总量。”

是的，从某种角度来看：人工智能 = 计算机 + 概率论 + 信息论 + 大数据，其中概率论就是能够让算法创造算法的机制——就如同人脑中概率模型的运作。

对此，作者在《深度学习》中，这样说道：

“学习理论表明，机器学习算法能够在有限个训练集样本中，很好地泛化——这似乎违背一些基本的逻辑原则。通常，归纳推理(即从一组有限的样本中推理出一般性的规则)，在逻辑上不是很有效。因为，为了逻辑推理出一个规则去描述集合中的元素，我们必须具有集合中每个元素的信息——这是很难做到的。但在一定程度上，机器学习仅通过概率法则，就可以避免这个问题，而无须使用纯逻辑推理整个确定性的法则。最终，机器学习可以保证找到一个，在所关注的大多数样本上可能正确的规则。”

那么，应用了概率，就需要接受概率的模糊性与不确定性。

没有免费午餐定理(No Free Lunch Theorem)已经清楚地表明，没有最优的学习算法，特别是没有最优的正则化形式。

正则化(Regularization)——是指向模型中加入某些先验的规则(如正则项，或称规则项)，以减小模型的求解误差。通俗地说，就是把人类的知识，以数学的形式告诉模型。那么，没有最优正则化形式，意思就是人类的知识，没法用完美的数学形式告诉模型。

因此，机器学习研究的目标，不是找一个通用学习算法，或是绝对比较好的学习算法，而是理解什么样的概率分布，与人工智能获取数据的“真实世界”有关，以及什么样的学习算法，在我们所关注的数据分布上，效果比较好。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!