Successful principles of inductive

Successful principles of inductive inference, such as maximum likelihood estimation, minimum description length or structural risk minimization, are deeply rooted in probability and statistics. Yet, not all inference in machine learning is of inductive nature. For example, in problems such as multi-task learning or transfer learning, the goal is to take advantage of what has been learned in one domain while learning in another domain. For example, learning to drive a truck is easier for someone who already knows how to drive a car. The corresponding process of knowledge transfer, i.e., of transferring knowledge from one domain to another, perhaps only partly and not necessarily one-to-one, is largely similarity-basedor analogical. Obviously, formal reasoning of that kind can nicely be supported by fuzzy inference techniques.

ผลลัพธ์ (ไทย) 1:

หลักข้อเหนี่ยว เช่นการประเมินความเป็นไปได้สูงสุด ความยาวอธิบายขั้นต่ำ หรือการลด ภาระความเสี่ยงโครงสร้าง การประสบความสำเร็จจะลึกรากในความน่าเป็นและสถิติ ยัง ข้อเรียนรู้เครื่องไม่เป็นธรรมชาติเชิงอุปนัย ตัวอย่าง เกิดปัญหาเช่นการถ่ายโอนการเรียนรู้หรือเรียนรู้งานหลาย เป้าหมายได้ประโยชน์อะไรได้เรียนรู้ในหนึ่งโดเมนขณะเรียนในโดเมนอื่น ตัวอย่าง เรียนขับรถบรรทุกได้ง่ายขึ้นสำหรับคนที่รู้วิธีการขับรถแล้ว กระบวนการที่สอดคล้องกันของความรู้ เช่น โอนถ่ายโอนความรู้จากโดเมนหนึ่งไปยังอีก อาจเป็นเพียงบางส่วน และไม่จำเป็นต้องเป็นแบบหนึ่งต่อหนึ่ง เป็นส่วนใหญ่คล้าย-basedor analogical อย่างชัดเจน เหตุผลเป็นชนิดที่สามารถดีได้รับการสนับสนุน โดยเทคนิคข้อชัดเจน

ผลลัพธ์ (ไทย) 2:

หลักการที่ประสบความสำเร็จของการอนุมานอุปนัยเช่นการประมาณค่าความน่าจะเป็นสูงสุดความยาวคำอธิบายขั้นต่ำหรือลดความเสี่ยงที่มีโครงสร้างที่ฝังลึกอยู่ในความน่าจะเป็นและสถิติ ยังไม่ได้ข้อสรุปทั้งหมดในการเรียนรู้เครื่องเป็นของธรรมชาติอุปนัย ยกตัวอย่างเช่นในปัญหาเช่นการเรียนรู้หลายงานหรือการเรียนรู้การถ่ายโอนเป้าหมายคือการใช้ประโยชน์จากสิ่งที่ได้รับการเรียนรู้ในโดเมนหนึ่งในขณะที่การเรียนรู้ในโดเมนอื่น ยกตัวอย่างเช่นการเรียนรู้ที่จะขับรถบรรทุกเป็นเรื่องง่ายสำหรับคนที่รู้อยู่แล้วว่าวิธีการขับรถ กระบวนการที่สอดคล้องกันของการถ่ายทอดความรู้คือการถ่ายโอนความรู้จากโดเมนหนึ่งไปยังอีกบางทีเพียงบางส่วนและไม่จำเป็นต้องแบบหนึ่งต่อหนึ่งเป็นส่วนใหญ่คล้ายคลึงกัน-basedor กระเชอ เห็นได้ชัดว่าการให้เหตุผลอย่างเป็นทางการของชนิดที่อย่างได้รับการสนับสนุนโดยใช้เทคนิคอนุมานฟัซซี

ผลลัพธ์ (ไทย) 3:

หลักการที่ประสบความสำเร็จของการอนุมานเชิงอุปนัย เช่น การประมาณความควรจะเป็นสูงสุดความยาวรายละเอียดขั้นต่ำหรือการลดความเสี่ยงเชิงโครงสร้าง มีรากลึกในความน่าจะเป็นและสถิติ ยังไม่สรุปในการเรียนรู้ของเครื่องคือธรรมชาติอุปนัย ตัวอย่างเช่น ในปัญหา เช่น หลายงาน การเรียน การสอน หรือการถ่ายโอนการเรียนรู้เป้าหมายคือการใช้ประโยชน์จากสิ่งที่ได้เรียนรู้ในหนึ่งโดเมนในขณะที่การเรียนรู้ในโดเมนอื่น ตัวอย่างเช่น การเรียนรู้ที่จะขับรถบรรทุกจะง่ายขึ้นสำหรับคนที่รู้วิธีการขับรถ ที่กระบวนการถ่ายโอน ความรู้ เช่น การถ่ายโอนความรู้ จากโดเมนหนึ่งไปยังอีก บางทีแค่บางส่วน และไม่จําเป็นต้องเป็นคนส่วนใหญ่ความเหมือน basedor เล่ม . เห็นได้ชัดว่าเหตุผลอย่างเป็นทางการ ชนิด ที่สามารถเป็นอย่างดีจะได้รับการสนับสนุนโดยเทคนิคอนุมานแบบฟัซซี่