470
个编辑
更改
小第1,080行：
第1,080行： − 计算学习理论【111，112】的目标是识别快速，可靠，和容易导向目标“概念”良好展现的算法。后者是典型的定义成特定属性或输入空间的一个二值二分法。部分聚焦于支持关于“可能性优化修正”（PAC）过程【113】的结果：那些拥有一个高度可能的搜索成员的一个固定“展现类”（比如，神经网络，选言正则形式的布尔函数，和确定性有限自动机）。+ + + + + + +
开始附录“描述长度原则和统一编码理论”的翻译。需要一边了解当前现状一边协调翻译进度。
==== 计算和统计学习理论 ====
==== 计算和统计学习理论 ====
计算学习理论【111，112】的目标是识别快速，可靠，和容易导向目标“概念”良好展现的算法。后者是典型的定义成特定属性或输入空间的一个二值二分法。部分聚焦于支持关于“可能性优化修正”（PAC）过程【113】的结果：那些拥有一个高度可能的搜索成员的一个固定“展现类”（比如，神经网络，选言正则形式的布尔函数，和确定性有限自动机）。这里关键的单词是“稳态”；作为在当代时间序列分析，知晓获得正确表征原则的实践者。（获取错误将使简单问题难以处理。）在实践中，无论如此，他们简单地拾取表征类作为给定的，甚至假设我们总能靠它拥有至少一种表征能够捕获目标概念。尽管这个是在大多数学统计里字里行间带有隐含假设，它似乎没有把握在真实世界去分析学习【5，114，115】。
在任何情况下，前人的研究没有做出这样的假设。计算力学的一个目标，准确来说，发掘最好的表征。这并不是说机器学习理论的结果不够显著可用和优雅，也不是说某人不应该拾取他们在实现ϵ-机器重构上每一种可能的优势。在我们的视角中，然后，这些理论更多属于满足推理，部分对应算法参数估计，对比于关于自然斑图和学习动态的基本问题。
最后，可感知的计算力学聚焦于因果态是一种对于一个过程某类结构分解的研究。这种分解几乎反映在因果态推导的过去和将来条件无关。这种分解提示条件无关在对于人工智能在现代方法中扮演的其中最重要的职能，都为了开发在有扰环境【116】的系统和图形模型更加完善的算法【117，118】。
==== 描述长度原则和统一编码理论 ====