The practical importance of machine

The practical importance of machine learning of this latter kind has been underlined by the advent of knowledge-based expert systems. As their name suggests, these
systems are powered by knowledge that is represented explicitly rather than being implicit
in algorithms. The knowledge needed to drive the pioneering expert systems was
codified through protracted interaction between a domain specialist and a knowledge
engineer. While the typical rate of knowledge elucidation by this method is a few
rules per man day, an expert system for a complex task may require hundreds or even
thousands of such rules. It is obvious that the interview approach to knowledge acquisition
cannot keep pace with the burgeoning demand for expert systems; Feigenbaum
(1981) terms this the 'bottleneck' problem. This perception has stimulated the
investigation of machine learning methods as a means of explicating knowledge
(Michie, 1983).

ผลลัพธ์ (ไทย) 1:

ปฏิบัติความสำคัญของการเรียนรู้ของเครื่องชนิดนี้หลังมีการขีดเส้นใต้ โดยมาของความรู้ระบบผู้เชี่ยวชาญ เป็นชื่อแนะนำ เหล่านี้ระบบนี้ขับเคลื่อน ด้วยความรู้ที่แสดงอย่างชัดเจนแทนที่จะเป็นนัยในอัลกอริทึมการ มีความรู้ที่จำเป็นต้องไดรฟ์ระบบผู้เชี่ยวชาญบุกเบิกประมวลกฎหมายสูงผ่านปฏิสัมพันธ์อันยืดเยื้อระหว่างโดเมนผู้เชี่ยวชาญและความรู้วิศวกร ในขณะอัตราปกติของ elucidation ความรู้โดยวิธีนี้ กี่กฎต่อวันคน เป็นระบบผู้เชี่ยวชาญในงานซับซ้อนอาจต้องใช้หลายร้อย หรือแม้แต่พันของกฎดังกล่าว เป็นที่ชัดเจนว่า การสัมภาษณ์วิธีการซื้อความรู้ไม่สามารถให้ทันกับความต้องการผู้เชี่ยวชาญระบบ ลัทธิ Feigenbaum(1981) เงื่อนไขนี้ปัญหา "คอขวด" มีถูกกระตุ้นนี้รับรู้การตรวจสอบเครื่องจักรเรียนรู้วิธีการของ explicating รู้(Michie, 1983)

ผลลัพธ์ (ไทย) 2:

ความสำคัญของการเรียนรู้ในทางปฏิบัติเครื่องชนิดหลังนี้ได้รับการขีดเส้นใต้โดยการถือกำเนิดของระบบผู้เชี่ยวชาญความรู้ตาม ในฐานะที่เป็นแสดงให้เห็นชื่อของพวกเขาเหล่านี้ระบบจะขับเคลื่อนโดยความรู้ที่เป็นตัวแทนอย่างชัดเจนแทนที่จะเป็นนัยในขั้นตอนวิธี ความรู้ที่จำเป็นในการผลักดันให้ระบบผู้เชี่ยวชาญเป็นผู้บุกเบิกได้รับการประมวลผลผ่านการมีปฏิสัมพันธ์ยืดเยื้อระหว่างผู้เชี่ยวชาญโดเมนและความรู้วิศวกร ในขณะที่อัตราปกติของการชี้แจงความรู้ด้วยวิธีนี้เป็นไม่กี่กฎต่อวันมนุษย์ระบบผู้เชี่ยวชาญสำหรับงานที่ซับซ้อนอาจต้องใช้หลายร้อยหรือหลายพันของกฎระเบียบดังกล่าว เป็นที่ชัดเจนว่าวิธีการสัมภาษณ์เพื่อซื้อความรู้ไม่สามารถให้ทันกับความต้องการที่กำลังขยายตัวสำหรับระบบผู้เชี่ยวชาญ Feigenbaum (1981) ข้อตกลงนี้ 'คอขวด' ปัญหา การรับรู้นี้ได้กระตุ้นการสอบสวนของวิธีการเรียนรู้เครื่องเป็นวิธีการความรู้ explicating (Michie, 1983)

ผลลัพธ์ (ไทย) 3:

ความสำคัญประโยชน์ของการเรียนรู้เครื่องประเภทหลังนี้ถูกขีดเส้นใต้โดยการมาถึงของฐานความรู้ระบบผู้เชี่ยวชาญ . เป็นชื่อแนะนำ , ระบบเหล่านี้
ถูกขับเคลื่อน โดยความรู้ที่แสดงให้เห็นอย่างชัดเจนมากกว่าที่จะไปโดยปริยาย
ในอัลกอริทึม ความรู้ที่จำเป็นในการขับระบบผู้เชี่ยวชาญคือ
ผู้บุกเบิกประมวลผ่านปฏิสัมพันธ์ยืดเยื้อระหว่างผู้เชี่ยวชาญโดเมนและความรู้
วิศวกร ในขณะที่โดยทั่วไปอัตราการประเมินความรู้ โดยวิธีนี้เป็นไม่กี่
กฎต่อผู้ชายวัน ผู้เชี่ยวชาญระบบงานที่ซับซ้อน อาจต้องใช้หลายร้อยหรือแม้กระทั่ง
พันแบบนี้ มันเป็นที่ชัดเจนว่าวิธีการสัมภาษณ์

ซื้อความรู้ไม่สามารถให้ทันกับความต้องการ burgeoning สำหรับระบบผู้ชำนาญการ ไฟเจนบัม
( 1981 ) ปัญหาคอขวดด้าน ' ' นี้ การรับรู้นี้ทำให้การสืบสวนของเครื่อง
เรียนรู้วิธีการเป็นวิธีการ explicating ความรู้
( มิชี , 1983 )