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