機器學習與結構設計?雅典學院是世界上最着名的壁畫之一這是一幅文藝複興時期的傑作，描繪了古典時代的偉大哲學家，由拉斐爾于1509-1511年間所畫，今天小編就來聊一聊關于機器學習與結構設計?接下來我們就一起去研究一下吧!

機器學習與結構設計

雅典學院是世界上最着名的壁畫之一。這是一幅文藝複興時期的傑作，描繪了古典時代的偉大哲學家，由拉斐爾于1509-1511年間所畫。

雅典學院，拉斐爾的壁畫，1509-11

雖然在這幅壁畫中有很多值得讨論的内容，但我想提請你注意兩個核心人物：柏拉圖指向天空，他的學生亞裡士多德指向地球。

柏拉圖（左）和亞裡士多德（右）

但拉斐爾為什麼要這樣描繪他們呢？

柏拉圖認為，我們所生活的世界，物質世界，隻是理想世界的陰影。例如，我們在這個世界上看到的蘋果是一個完美蘋果的不完美反映，它存在于理想世界中。柏拉圖稱這些完美或理想的東西是他們的形式，從而形成了他的形式理論。形式理論不僅限于對象，我們還可以談論教育形式，友誼形式等。然而，亞裡士多德反對他的老師并聲稱物質世界是真實的。他認為，在物質世界中，形式存在于所讨論的事物中。如果沒有蘋果，就沒有蘋果。他們都相信形式，但不同意它們是存在于另一個世界（柏拉圖）還是存在于這個世界（亞裡士多德）。

現在你可能會猜到拉斐爾想傳達的信息，柏拉圖指出天空，因為他相信形式在另一個世界，相反亞裡士多德指出地球說形式實際上可以在物質世界中找到。

這一讨論涉及到形而上學的普遍性問題。普遍性是兩個或兩個以上的實體有共同之處的事物(例如，根據柏拉圖的說法，是一隻貓或一隻理想的貓)，而普遍性有被稱為特殊性的實例。加菲貓是一種特殊的貓。他擁有所有貓科動物的共同特征，還有其他一些不是每隻貓都有的屬性，如懶惰、橙色等。

但是這一切與機器學習有什麼關系呢？在回答這個問題之前，我将嘗試解釋在數據，信号和噪聲方面的機器學習。我們首先澄清這些術語：

Data：您觀察或測量的值。

Signal：觀察或測量的預期值。

Noise：不完美導緻預期值和觀察值不同。

基于這些定義，我們可以說Data = Signal Noise。讓我試着用一個具體的例子來解釋這個概念。

如何描繪物體（m = 2 kg）的力（N）與加速度（m /s²）的關系呢？理想情況下，它應遵循牛頓第二定律，F = m * a。然而，在我們生活的世界裡，我們知道事情并不完美。因此，觀察到的行為将類似于F = m * a Noise。您可以在下面看到用于生成它們的圖表和Python示例代碼：

m=2 #mass of the object a=10*np.random.rand(50,1) #50 random acceleration values F_ideal=m*a #Ideal F F_observed=m*a np.random.randn(50,1) #Observed F

理想與觀察行為

Data = Signal Noise

本質上，機器學習算法試圖學習數據内部的信号。重要的是要強調這些算法被賦予數據，但他們不知道數據的哪個部分是Signal，哪個部分是Noise。

例如，讓我們将線性回歸應用于上面生成的數據。您可以看到拟合幾乎等于信号。機器學習算法不知道我用來生成這些數據的Signal，但它能夠找到非常接近的數據。Python示例代碼

import sklearn from sklearn import linear_model model = linear_model.LinearRegression() model.fit(a, F_observed)

Fit試圖找到Signal

現在我們可以看到機器學習和普遍性問題之間的對應關系。

機器學習：Data = Signal Noise

通用問題：我們看到的=通用 特殊屬性

想象一下，你的朋友要求你建造一個孟加拉貓分類器。你收集孟加拉貓圖像（數據）并訓練卷積神經網絡（CNN）來完成這項任務。算法查看數據，将Signal（通用孟加拉貓）與Noise分開（特别是一隻貓有疤痕，另一隻圖像背景有樹等），從而了解一隻理想的孟加拉貓應該是什麼樣子。該機器學習算法将其學習的内容存儲為稱為“權重”的參數。換句話說，訓練後卷積神經網絡（CNN）的權重對應于通用孟加拉貓 - Signal。

孟加拉貓（理想的孟加拉貓）的藍圖由卷積神經網絡（CNN）的權重捕獲。邊緣由第一層捕獲，第二層學習輪廓，第三層學習眼睛，耳朵和尾巴。

這篇文章的關鍵點是機器學習算法的目的是學習數據中的通用（也稱為Forms or signal）。希望這能幫助你從不同的角度看待機器學習中的一些概念，并更容易地理解它們。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!