Whereas solutions to problems in th

Whereas solutions to problems in these domains are difficult to program, learning may offer a
viable and effective alternative. In most inductive learning systems, human interaction is typically
limited to the gathering and compilation of examples (i.e., instances of the application to be learned).
As research on autonomous agents continues, this process itself may eventually become automated.
However, the strong knowledge principle [24], and early work on bias [16] suggest that examples
should be augmented by prior knowledge. Human learning, for example, is not the sole result of
exposure to random examples. Rather, built-in mechanisms (e.g., pain), and social structures (e.g., the
family, school) account for much of humans ability to efficiently learn complex problems. In many
cases, useful information is indeed available as, for example, an instantiation of domain knowledge or
commonsense. Though such knowledge is not necessarily correct, it can beneficially be used as a
learning bias to supplement inductive mechanisms (see, for example [7]). As a first attempt (and
currently the only viable one), this prior knowledge can be obtained from an expert or teacher. It may
be given to the system interactively or a priori, and can take many different forms (see, for example
[5]).

ผลลัพธ์ (ไทย) 1:

ในขณะที่การแก้ไขปัญหาในโดเมนเหล่านี้ยากต่อการโปรแกรม เรียนรู้อาจมีการอื่นได้ และมีประสิทธิภาพ สุดเหนี่ยวระบบเรียนรู้ มนุษย์โต้ตอบโดยปกติจำกัด(มหาชน)เพื่อรวบรวมและรวบรวมตัวอย่าง (เช่น อินสแตนซ์ของโปรแกรมประยุกต์จะได้เรียนรู้)เป็นวิจัยตัวแทนอิสระยังคง กระบวนการนี้อาจในที่สุดกลายเป็นแบบอัตโนมัติอย่างไรก็ตาม หลักความรู้ที่แข็งแกร่ง [24], และการทำงานช่วงบนอคติ [16] แนะนำที่ตัวอย่างควรจะขยาย โดยความรู้ก่อนหน้านี้ เรียนรู้มนุษย์ ตัวอย่าง ไม่ได้ผลแต่เพียงผู้เดียวสัมผัสกับตัวอย่างที่สุ่ม ค่อนข้าง กลไกภายใน (เช่น ความเจ็บปวด), และโครงสร้างทางสังคม (เช่น การครอบครัว โรงเรียน) บัญชีสำหรับมากของมนุษย์ความสามารถในการเรียนรู้ปัญหาที่ซับซ้อนได้อย่างมีประสิทธิภาพ ในหลายกรณี ข้อมูลที่เป็นประโยชน์มีแน่นอนเป็น ตัวอย่าง การ instantiation ความรู้โดเมน หรือcommonsense แม้ว่าความรู้นั้นไม่จำเป็นต้องถูกต้อง มันแอ๊บใช้เป็นการเรียนรู้ความโน้มเอียงเพื่อเสริมกลไกเหนี่ยว (ดู เช่น [7]) เป็นความพยายามครั้งแรก (และปัจจุบันทำงานได้เพียงหนึ่ง), ความรู้ก่อนหน้านี้ได้จากผู้เชี่ยวชาญหรือครู มันอาจสามารถให้ระบบโต้ตอบ หรือมี priori และสามารถใช้หลายรูปแบบแตกต่างกัน (ดู เช่น[5]).

ผลลัพธ์ (ไทย) 2:

ในขณะที่การแก้ปัญหาในโดเมนเหล่านี้เป็นเรื่องยากในการเขียนโปรแกรมการเรียนรู้อาจมีทางเลือกที่ทำงานและมีประสิทธิภาพ ในที่สุดระบบการเรียนรู้อุปนัยปฏิสัมพันธ์ของมนุษย์มักจะ
จำกัด อยู่ที่การรวบรวมและการสะสมของตัวอย่าง (เช่นกรณีของการประยุกต์ใช้ในการเรียนรู้).
ในฐานะที่เป็นงานวิจัยเกี่ยวกับตัวแทนอิสระยังคงกระบวนการนี้เองในที่สุดก็อาจจะกลายเป็นอัตโนมัติ.
แต่ความรู้ที่แข็งแกร่ง หลักการ [24] และการทำงานในช่วงต้นของอคติ [16]
ตัวอย่างแสดงให้เห็นว่าควรจะเติมโดยความรู้ก่อน
การเรียนรู้ของมนุษย์เช่นการไม่ได้ผลเพียงอย่างเดียวของการสัมผัสกับตัวอย่างแบบสุ่ม แต่ในตัวกลไก (เช่นความเจ็บปวด) และโครงสร้างทางสังคม
(เช่นครอบครัวโรงเรียน) บัญชีสำหรับมากของความสามารถของมนุษย์ที่จะเรียนรู้ได้อย่างมีประสิทธิภาพปัญหาที่ซับซ้อน
ในหลายกรณีข้อมูลที่เป็นประโยชน์เป็นจริงที่มีอยู่เป็นตัวอย่างเช่นการเริ่มของความรู้โดเมนหรือ
commonsense แม้ว่าความรู้ดังกล่าวไม่ถูกต้องจำเป็นต้องกอบมันสามารถนำมาใช้เป็นอคติการเรียนรู้เพื่อเสริมกลไกการอุปนัย (ดูตัวอย่างเช่น [7])
ในฐานะที่เป็นความพยายามครั้งแรก
(และขณะหนึ่งที่ทำงานได้เท่านั้น) ความรู้ก่อนที่จะได้รับจากผู้เชี่ยวชาญหรือครู มันอาจจะได้รับการโต้ตอบหรือระบบเบื้องต้นและสามารถใช้รูปแบบที่แตกต่างกัน (ดูตัวอย่างเช่น [5])

ผลลัพธ์ (ไทย) 3:

ส่วนแนวทางการแก้ไขปัญหาใน โดเมนเหล่านี้จะยากที่จะโปรแกรมการเรียนรู้อาจเสนอ
ที่มีศักยภาพและมีประสิทธิภาพทางเลือก ในระบบการเรียนรู้แบบอุปนัยส่วนใหญ่ ปฏิสัมพันธ์ของมนุษย์มักจะ
( รวบรวมและเรียบเรียงของ ตัวอย่าง เช่น กรณีของโปรแกรมที่จะเรียนรู้ ) .
เป็นวิจัยอิสระตัวแทนต่อไป กระบวนการนี้เองอาจจะกลายเป็นอัตโนมัติ .
อย่างไรก็ตาม แข็งแรง ความรู้เกี่ยวกับหลักการ [ 24 ] และก่อนทำงานบนอคติ [ 16 ] แนะนำว่าควรเติมโดยตัวอย่าง
ความรู้ก่อน การเรียนรู้ของมนุษย์ ตัวอย่างเช่น ไม่มีผล แต่เพียงผู้เดียวของ
เปิดรับตัวอย่างสุ่ม แต่กลไกในตัว ( เช่นความเจ็บปวด และโครงสร้างทางสังคม ( เช่น
ครอบครัว โรงเรียน ) บัญชีสำหรับมากของมนุษย์ ความสามารถในการได้อย่างมีประสิทธิภาพเรียนรู้ปัญหาที่ซับซ้อน ในหลายกรณี
,ข้อมูลที่เป็นประโยชน์ก็ใช้ได้เช่น , ตัวอย่างเช่น , instantiation ของความรู้โดเมนหรือ
สติ แม้ว่าเรื่องดังกล่าวไม่ใช่เรื่องที่ถูกต้อง มันสามารถถูกใช้เป็นประโยชน์กับการเรียนรู้เพื่อเสริมกลไกเชิงอุปนัยอคติ
( เห็นตัวอย่าง [ 7 ] ) เป็นครั้งแรก ( และ
ปัจจุบันเท่านั้น ที่จะ ) ความรู้นี้สามารถหาได้จากผู้เชี่ยวชาญหรือครู มันอาจ
ให้กับระบบโต้ตอบหรือ priori , และสามารถใช้รูปแบบที่แตกต่างกันมาก ( เห็นตัวอย่าง
[ 5 ] )