本篇将讨论如何按照人类的方式，一次从一个例子获得知识，不同于其他从成千上万的例子和实验中获得知识。
下面是课堂例子
首先我们有一个两个木块上面支撑一个木块的例子，姑且称其为拱形，还有一个相近差错的例子，是三个木块独立放置，在右侧画出示意图，由这个对比我们得出，拱形必须有支撑关系，画红色表示。
再有一个相近差错的例子，下面两个木块接触，不是拱形，由此我们得出，拱形不能有接触关系
再有一个例子，他的上面木块是红色，仍为拱形，由此得出，拱形上面的木块可以是红色
再有一个例子，上面木块是蓝色，仍为拱形，可以得出，拱形上面木块可以是任意颜色
再有一个例子，上面是楔形，仍为拱形，可以得出，拱形上面的木块可以是楔形
在扩展，上面的木块可以是正方形，如果把楔形和正方形定义为积木，那拱形上面可以是积木，积木是玩具，可以得出，拱形上面是玩具。
通过上面5步，（计算机）学到了很多知识，这同神经网络等其他方法有较大不同。
再有一个例子
观察左边这些火车同右边这些火车有什么不同
答案是左边这些火车每一个都有一节车厢封了顶。
计算机如何发现这个不同，这和拱形的例子相似，不过是一次给出了所有例子，而拱形那个是一个例子一个例子的给出。
计算机首先选一个+例作为种子，然后使用启发式，扩大涵盖面，使其包含更多的+例，中间可能会包含-例，但我们可以继续完善启发式，最终包含所有+例。
下面是为这些启发式命名
第一步是往初始模型中加入了一些必要元素，称其为求链启发式（request link）
下一步是不允许某些情况发生，称其为禁止链启发式（forbid link）
第三步是扩展颜色集合，称其为扩展启发式（expend set）
第四部是扩展到所有颜色，称其为丢链启发式（drop link）
最后一步，我们考虑了这颗类别树，往上爬了一步，称其为爬树启发式（climb tree）
这些启发式不仅有限制还有推广，其中一二是限制，三四五是推广。
然后我们发现，相近差错对应限制，例子对应推广。
这样我们就能够扩大或缩小匹配范围。
如何把上述讲的理清，一种是考虑妥适条件
以老师教学生为例，目的是让知识得初始状态转化为新状态，让学生更聪明并有能力使用这些新知识。
学生有一个学习器和一个使用知识得机器。老师有一种教学风格，一边需要对另一边有所了解，如老师对学生得初始状态有所了解，那对教学就会非常有用。
老师还需要知道学生得学习能力和使用知识得能力。
学生也需要理解老师，例如相信老师教的内容是正确得，喜欢老师的讲课风格。
最后，总结一些，如何好好包装自己的思想，需要五个特质
如上，分别是符号，口号，故事，突出点，惊喜
来源：CSDN
作者：wuwei178
链接：https://blog.csdn.net/wuwei178/article/details/104060164