引言 通常学习 这个词在现代社会有很多种解释，特别是从计算机语言来看。它已经被用来解释 很多事物，从传输数据到怎样去识别视觉结构，这些领域 最有价值 参数的定义都将 可以 得到 解释。所以，我们应该试着去理解这个世界的现象 ，就像它出现在 认知领域相关 数学方程式中的问题样 。在下面的部分，我们首先要 从电脑视角 去了解学习 的意义，同时去探究 这个世界的两种定义 之间的可能联系 。 学习的主 要 特征 和认知 任务 有关的第算法的 部分内容 已经被提上日程， 它们的主要内容主要是有关的神经网络的。 神经网络的支持者 们 经常评论他们所开发的神经网络的归纳能力 。归纳是学习的主要特点之。 事实上，我们 在 教我们的孩子 时 常常用童话故事和比喻， 通常假定他们 有能力 把它们 推广到实际情况 中去 。 为了能确保我们能够教会我们的孩子，我们时常希望把 生活中可能遇到的情况都交给他们，我想这种情形是十分可笑的。 因此我们可以肯定 推断归纳总结的能力是学习中最重要的能力。 , , , 这意味着这种利用训练样本区间 跨越特征空间的经典模型识别方法并不是这个世界认知 意识的真正的学习方法。为了能够更好的推广，这种建立在规律 上的神经网络通常在很大程度上依赖于 有 足够的训练样本才能 填充足够的 特征 空间。 神经网络的这种训练方法通常被用来去靠近与分段线性部分特征空间中的类边界。当个未知的模式到来时，它能够和已经确定的填充空间联系起来，从而能 够 把模型出现的地方填充起来。些旧的和些最近刚开发的 方法是通过选择在类边界中其主要作用的模型实现的， 而不是使用高级的归纳能力，这些方法都是些简单可行的方法。 所以 ,神经网络和模式识别方法 并 不是 这个世界认知意识上的 学习方法。 问题 在于 是 这种被 认知科学家和心理学家 理解意义上的学习就是算法 ,还是种超越目前掌握 的 数学形式 反对 学习 就是 算法 的证据 是人类 的学习能力来自于些简单的 例子。同样相反的观点 是人类花大量的时间去学习 ,我们所见证的是个简单的学习 是 这些新方法的应用的表现 ,比如 些通用的规则 , 元知识 直 慢慢 刻画在 潜意识里了。我要澄清下 , 学 习 在这里 不是 指取得 个大学学位。这的确是个很漫长的过程 ,这是需要大约三分之的寿命的个人。学习这里喻指生存技能 ,操作技能在日常生活中。由 于人类 成长期在 大约 岁之间 ,我们可以假定自然认为人类儿童 已经准备好怎样 面对生活在那个阶段。所以 ,我们可以说 ,人类 作为独立的实体生命 学习 他们 要 学习 的东西 要 经过 年 的时间 ，这将是他们生命中很长的段时间 。所以 ,人类似乎 是个很慢的 学习者。他们花很多时间 去了解 元知识 的规则。正是这些 被人们从数学算法的角度掌握 的 规则使 人们能够很快的掌握知识，这就是 我们经常的 见到的例子 。我们也许会 从以上的观点 得出 以下 结论 归纳总结的个重要特征是 学习 在算法学习 中 ,概括必须得到足够的训练 ,从而能够填充整个类空间部分，或者是类边界的部分地方 我们 都 有真实的归纳命题能力 ,只有当由训练的例子学会 知识变成 如何 间接地 提取物体 的身份 而不是对象的类。如果这样的学习发生 ,完全未知的 东西 可能 会得到 正确的解释 ,即使在没有先前的例子 的情况下。 这个结论意味着我们必须教导计算机 怎样去做 ,为 的是 建造个认知系统 ,这 是关系 ,而不是事实 。 例如 ,背字典的种语言 ,没有教个人的语言 。这个人必须去 学习单词之间的关系 ,以掌握这门语言。这是同意温斯顿的创新实验教 计算机 认识拱门 ，但 不给计算机所有 它可能遇到 拱 门 。他把这 个 例子和柜台拱的例子 教给它 ,教它识别组件之间的关系 ,如 支持 和 被 支持 之间的关系 。 知识和元知识 至少有 个 学习方面的 理论的 已经被 认知科学家 写出来了 。在计算机科学中 ,我们往往会区分两种形式的学习 试验 式的 学习和 证明式的 学习。归纳学习也 被 计算机科学家 使用了 ,但是我们不应该 像那样去处理 ,因为它意味着学习者已经学会了逻辑法则。所以 ,归 纳学习可能被认为是已学中的应用元知识规则实验的能力 ， 学习意味着尝试 和 给出结果 ,并从中得出结论。它最简单的形式 就像 全自动的 过程样 。全自动分割算法 ,例如 ,将工作如下 进行分割 ,评估结果质量 ,调整参数 ,然后再试次。直接的结论是 实验式的学习 需要反馈回路。还要求 个 可用的标准进行系统 工作怎样的个判断依据 。 这个 标准的 成为 独立知识或信息用于进行 信息 分段 ,是非常重要的， 否则结果将是个预言 式的幻想而已 。在半自动系统 ,则是由人 来决定 。报告的结果则包括文学的声明类型 最好的阈值 是通过 尝试与 发现的 。 这 种方 法是种 非常合理的学习方式。就 像个 受到监督式学习的雨伞 ,它对 于帮助人类学习 来说就像 个教师。飞往完全自动化的方法是相当于假设计算机可能通过学习元知识阶段 ,需要构建规则 ,现在学习收益很快 ,利用这些 元规则 。例如 ,如果我们知道农业等行业倾向于有直的边界 ,可以分辨 部分 输出捕捉到的图像 的 好与坏 ,它是 通过空气传播的传感器 捕捉到的， 根据 它 是否 产生了地区边界直。 那个 领域的知识是个元知识是直的边界。 部分 可能操作 只使用纹理和边缘信息。边界推断何以直 ,可用于作为标准来驱动系统使用其反馈回路 ,以制定出个更好的分割。问题于是变为 系统 如何获得这元知识 早些时候 ,那定是元知识必须要由人类的孩子 或计算机学习者 痛苦地缓慢 掌握通过 大量观察 农业领域 的例子 。虽然没有 发现 可以将这些元知识 移植到 人类 孩子 的大脑中的有效方法。 从 老师的大脑中 ,计算机 的 优势在这里 更像个 老师，就是我们 人类 ,我们 可插入 把元知识 进 入 系统 当正 在 进行 的标准算法的自我评估。从这个的论点 ,我们得出结论 可能 在 出现 时 不仅 有 未注册的关系 ,而且特点 ,类对象都有。 在交互系统中 ,元知识 被人类老师人为地 插入到计算机学习 者大脑中 。 在自动化系统 , 元知识 被用来 对计算机的学习者提 供人类的老师绩效考核 的标准的形式 。 出现了 两个问题 是 什么 把 知识和 元知识连接起来 开始的时候 如何学 习 元知识 论证式学习 为了回答上述问题，我们得到了个从我们前面提到的第二种类型学习的机会，即通过示范学习线索。这里的示范者是老师。接下来是个故事，我从我奶奶听到。请记住，儿童的传统的教学方式直被通过故事和比喻。这个故事提供的线索，是我们正在寻找的内容 。 很久 以前有个陶工 ，他得到个 学徒并且 可以 让他有 学习陶艺技术的机会 。陶工把他的陶壶 放在烤箱里。两个小时后，他 把火灭了 坐下来休息，抽 起 烟 来，就像 他是个老人 样 。然后，他把盆 拿 出烤箱。 它们 看上去真是 太 完美了。学徒后来决定做自己的盆。他让他们拿出粘土，放在烤箱里。两个小时之后，他也把他们拿出来 。 但是 这些壶 都坏了。他重复 同样的工作但却得到同样的结果。他找到 那个陶工 并 问他 说 你没 真正的教我。这样 事情 不可能发生如果你真的教我的话。 难道你停止吸烟后，您 关掉 火 了 不，我不吸烟。 那 是因为 你拿 出 了烤箱盆出得太早了。 我相信这个故事是有关我为了教我 们 要注意细节 而讲的 。事实上，如果陶工的 徒弟 看了陶工来回几十次表演的时候注意些轻微变化 ， 而且 始 终与前稍作停，他 可能学到做陶盘 至关重要的过程。另方面， 如果老师给 出了明确的信息 的话，那么这个 老师可能 就是个更好的老师了。所以，这个故事告诉我们 ， 我们学习新知 识是 从很少的例子 当中获得的 ， 如果想快速获得的话 只有当有人向我们解释 他么不是怎样做到的才行 。个孩子 直问为什么，这 才 是个孩子如何 才能 学习 好 的办法 。这告诉我 们 我们不能 撇清学习认识到每个对象的学习，为什么它是这样的 。有人可能会 想到下面的 老师 和学生 之间的交流和学习 这是什么 这是个窗口。 为什么 因为它让光 进来 ，并允许人们 看到了。 那怎样做呢 通过具有个宽阔的视野 。 这是 是真的吗 这种学习顺序如图 所示 。这个数字建议在我们的大脑 ，知识是由个网络 ，形成 系列 复杂的结构，我称之为 知识之塔 。名词的网络是个对象名称，标签网络，例如 窗口 ，烟囱，门 等动词或行动网络，是网络功能，例如 看出来，进入，退出 等表象网络是个功能所需的基本形状网络实现，如 这是人类 以自己的视野对外 认识的 水平。因此，知识的 洪流 是 上面那段谈话内容样 。 当系统循环结束时，我们可以证明 ，我们正在研究 的 对象 其 功能用途的特点可以 实现 这项任务，因此，对于人工视觉科学家来说，他们的任务是去建立网络及其相互连接层之间的模型。我们有我们所掌握的各种工具马尔可夫随机域 ， 推理规则，贝叶斯网络，模糊推理等我 从开始就排除任何确定性的办法，或者是因为事情是真正随机的性质 或至少有个显着的随机成分，或者 当为制定 清晰的决策规则和决定时 因为我们的模式和我们的知识是太粗糙和不完美 而不能胜任 。 马尔可夫随机场 最 近的些工作发现的证据表明，网络 名词 最贴切的说法是 思想 ，如果从 网络心理加以描述是个随机网络拓扑 ，而由些想法组成的关系网络 ，它们是拓扑无尺度的 。例如，像叉刀，门窗口 比门 或 窗口 出现地更加频繁 。这 表明，这些网络相互之间的连接总是不断变化的 ， 而且 实际上并不总是对称的。例如，想法 门 的可能引发的 窗口 的想法比 窗口 引发的想法 门 的想法更加频繁 。这种不对称的相互作用 表明 马尔可夫随机场 马尔科夫场 不适用于 它们在图像处理应用 上的 贯的形式 。个在 网格上定义的 马尔可夫随机场邻里之间的相互作用的例子 如 下 图 所示。 马尔可夫随机场以及它提供给 邻近的相互作用 的重力 ，不能由 吉布斯联合概率密度函数 来 表示 。例如，在中心的细胞 被顶部左邻重力 影响，而他自己，作为顶部左下角的单元格的右边的邻居，通过重力 来影响它 。 当个试图释放这样个随机场时， 这种不对称 会 导致 系统的不稳定 ，因为创建的本地模式不是全