Prior to the actual process of mode

Prior to the actual process of model induction, the learning problem needs to be formalized and modeled appropri-ately; typically, this includes the specification of various data spaces, the mathematical structure of these spaces, the relationship between them, etc. Successful learning requires a suitable formalization of the problem, which is a point that is often overlooked in machine learning. Fuzzy logic has much to offer in this regard, and definitely more than what has been realized so far.
First, one should note that “fuzzy modeling” is not restricted to expressing functional dependencies (fuzzy rules, fuzzy decision trees). Instead, there is much more that can be modeled and formalized in terms of fuzzy concepts (aggregation functions, similarity relations, etc.), albeit in a more subtle way. For example, we already mentioned the idea of “modeling data” [17]. Likewise, the structure of underlying data spaces can be characterized in terms of fuzzy relations, for example by equipping them with fuzzy order relations [7,29], on which learning algorithms can then operate conveniently.
Second, modeling becomes even more an issue in settings that go beyond standard supervised learning, such as constructive induction or reinforcement learning—in the latter, for example, a suitable abstraction of the state space is of critical importance.

ผลลัพธ์ (ไทย) 1:

ก่อนกระบวนการจริงของรุ่น ปัญหาการเรียนรู้ต้องเป็นอย่างเป็นทาง และจำลอง appropri-ately โดยปกติ นี้รวมถึงข้อมูลจำเพาะของช่องข้อมูลต่าง ๆ คณิตศาสตร์โครงสร้างของช่องว่างเหล่านี้ ความสัมพันธ์ระหว่างพวกเขา ฯลฯ เรียนรู้ที่ประสบความสำเร็จต้องการ formalization เหมาะสมของปัญหา ซึ่งเป็นจุดที่มักจะมองข้ามในการเรียนรู้ของเครื่อง ตรรกศาสตร์คลุมเครือมีมากให้ในเรื่องนี้ และแน่นอนมากกว่าที่ได้รับรู้จนครั้งแรก หนึ่งควรหมายเหตุว่า "เอิบโมเดล" ไม่ได้ถูกจำกัดการแสดงอ้างอิงหน้าที่ (กฎเอิบ เอิบตัดสินใจต้นไม้) แทน มีอยู่มากที่สามารถจำลอง และอย่างเป็นทางในแง่ของแนวคิดชัดเจน (รวมฟังก์ชัน ความสัมพันธ์คล้ายคลึง ฯลฯ), แม้ว่าในทางลึกซึ้งยิ่งขึ้น ตัวอย่าง เรากล่าวแล้วความคิดของ "โมเดลข้อมูล" [17] ทำนองเดียวกัน โครงสร้างของช่องว่างของข้อมูลต้นแบบสามารถเป็นลักษณะในแง่ของความสัมพันธ์ที่ชัดเจน เช่น โดยพวกเขามีความสัมพันธ์ใบสั่งเอิบ [7,29], ซึ่งอัลกอริทึมการเรียนรู้สามารถแล้วใช้บริการสอง โมเดลจะ ยิ่งเป็นปัญหาในการตั้งค่าที่เกินมาตรฐานมีการเรียนรู้ เช่นเรียนรู้การเหนี่ยวนำหรือเสริมสร้างสรรค์ – หลัง ตัวอย่าง abstraction ที่เหมาะสมของพื้นที่รัฐเป็นสำคัญที่สำคัญ

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะมีกระบวนการที่เกิดขึ้นจริงของการเหนี่ยวนำรูปแบบการเรียนรู้ปัญหาที่เกิดขึ้นจะต้องมีรูปแบบที่เป็นทางการและ appropri-อย่างปานกลาง; โดยปกตินี้รวมถึงสเปคของพื้นที่ข้อมูลต่างๆโครงสร้างทางคณิตศาสตร์ของช่องว่างเหล่านี้ความสัมพันธ์ระหว่างพวกเขาและอื่น ๆ การเรียนรู้ที่ประสบความสำเร็จต้องมี formalization ที่เหมาะสมของปัญหาซึ่งเป็นจุดที่มักจะมองข้ามในการเรียนรู้เครื่อง ตรรกศาสตร์มีมากที่จะนำเสนอในเรื่องนี้และแน่นอนมากกว่าสิ่งที่ได้รับการตระหนักเพื่อให้ห่างไกล.
ครั้งแรกหนึ่งควรทราบว่า "การสร้างแบบจำลองเลือน" ไม่ได้ จำกัด การแสดงอ้างอิงทำงาน (กฎเลือนต้นไม้ตัดสินใจเลือน) แต่มีอื่น ๆ อีกมากมายที่สามารถสร้างแบบจำลองและกรงเล็บในแง่ของแนวคิดเลือน (ฟังก์ชั่นการรวม, ความสัมพันธ์ที่คล้ายคลึงกัน ฯลฯ ) แม้ว่าในทางที่ลึกซึ้งมากขึ้น ตัวอย่างเช่นเราได้กล่าวถึงความคิดของ "การสร้างแบบจำลองข้อมูล" [17] ในทำนองเดียวกันโครงสร้างของพื้นที่ข้อมูลพื้นฐานสามารถโดดเด่นในแง่ของความสัมพันธ์ที่คลุมเครือเช่นโดยเตรียมพวกเขามีความสัมพันธ์ที่คลุมเครือเพื่อ [7,29] ซึ่งขั้นตอนวิธีการเรียนรู้นั้นสามารถทำงานได้สะดวก.
ประการที่สองการสร้างแบบจำลองแม้จะกลายเป็นปัญหามากขึ้นใน การตั้งค่าที่นอกเหนือไปจากการเรียนรู้ภายใต้การดูแลมาตรฐานเช่นการเหนี่ยวนำที่สร้างสรรค์หรือเสริมการเรียนรู้ในหลังเช่นนามธรรมที่เหมาะสมของพื้นที่รัฐเป็นสิ่งที่สำคัญ

ผลลัพธ์ (ไทย) 3:

ก่อนกระบวนการที่แท้จริงของการอุปนัยแบบ , ปัญหาการเรียนต้องเป็นทางการแบบ ately และเหมาะสม โดยทั่วไปแล้ว ซึ่งรวมถึงการกำหนดเป็นเขตข้อมูลต่างๆ โครงสร้างทางคณิตศาสตร์ของเป็นเหล่านี้ ความสัมพันธ์ระหว่างพวกเขา ฯลฯ การเรียนรู้ที่ประสบความสำเร็จจะต้องมีความเป็นทางการที่เหมาะสมของปัญหา ซึ่งเป็นจุดที่มักถูกมองข้ามใน การเรียนรู้เครื่องตรรกศาสตร์มีมากเพื่อให้ในเรื่องนี้ และแน่นอนกว่าสิ่งที่ได้รับรู้เพื่อให้ห่างไกล .
แรก , หนึ่งควรทราบว่า " แบบจำลอง " แบบไม่ จำกัด การแสดงการอ้างอิงการทำงาน ( กฎฟัซซีแบบต้นไม้ตัดสินใจ ) แทนที่จะมีมากขึ้นที่สามารถจำลอง และเป็นทางการในแง่แนวคิดฟัซซี ( ฟังก์ชันของความเหมือนความสัมพันธ์ , ฯลฯ )แม้ว่าในทางที่ลึกซึ้งมากขึ้น ตัวอย่างเช่น , เราได้กล่าวถึงแนวคิดของแบบจำลองข้อมูล " [ 17 ] อนึ่ง โครงสร้างพื้นฐานเป็นข้อมูลที่สามารถโดดเด่นในแง่ของความสัมพันธ์ที่คลุมเครือ เช่น จัดให้พวกเขาด้วยฟัซซีเพื่อประชาสัมพันธ์ [ 7,29 ] ซึ่งอัลกอริทึมการเรียนรู้สามารถใช้งานสะดวก
2แบบจำลองยิ่งมีปัญหาในการตั้งค่าที่เกินมาตรฐาน มีการเรียนรู้ เช่น การสร้างสรรค์ หรือเสริมการเรียนในส่วนหลัง เช่น เป็นนามธรรมที่เหมาะสม สภาพพื้นที่มีความสําคัญสําคัญ