470
个编辑
更改
小第1,076行：
第1,076行： − 从观测数据中学习一个语言的问题+ + + + +
本周提炼“因果涌现第三季：5.计算力学：量化涌现的另一条路径”的内容，逐步完善到词条中。
自从乔姆斯基【107，108】，已经广为人知形式语言可以被分类成一个层级结构，更高层的拥有严格意义上更强的表达能力。这个层级结构由严格的语法规则形式定义或者，等价的，由限制数量和可用于的自动机内存种类获得。层级结构的最底层是常规语言，或者为Unix用户读者用来作为正则表达式。这些对应于有限状态机和有限维隐马尔科夫模型。在这种情形下，关联到我们的最小和唯一定理是非常好懂的【66】，并且因果态的构造是类似于“尼罗德等值班级”过程【66，109】。我们的定理，不管怎么样，不会限制在这种低存储，非-随机设置。
自从乔姆斯基【107，108】，已经广为人知形式语言可以被分类成一个层级结构，更高层的拥有严格意义上更强的表达能力。这个层级结构由严格的语法规则形式定义或者，等价的，由限制数量和可用于的自动机内存种类获得。层级结构的最底层是常规语言，或者为Unix用户读者用来作为正则表达式。这些对应于有限状态机和有限维隐马尔科夫模型。在这种情形下，关联到我们的最小和唯一定理是非常好懂的【66】，并且因果态的构造是类似于“尼罗德等值班级”过程【66，109】。我们的定理，不管怎么样，不会限制在这种低存储，非-随机设置。
从观测数据中学习一个语言的问题已经被语言学家们，和对自然语言处理感兴趣的计算机科学家们，广泛地研究了。不幸的是，研究充分的学习技术只存在于乔姆斯基层级的两种最底层聚类，常规的和自由内容语言。（需要出色的过程请查阅参考文献【110】。）适应性和扩展这个工作去重构ϵ-机器应该构成一个有用的未来研究领域，这一点我们在结论备注部分婉转提到过。
==== 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）。