More recently, fuzzy concepts have

More recently, fuzzy concepts have also been used in machine learning, giving birth to the field of fuzzy machine learning. This development has largely been triggered by the increasing popularity of machine learning as a key methodology of artificial intelligence (AI), modern information technology and the data sciences. Moreover, it has come along with a shift from knowedge-basedto data-drivenfuzzy modeling, i.e., from the manual design of fuzzy systems by human experts to the automatic construction of such systems by fitting (fuzzy) models to data.
In more classical applications like information processing and expert systems, fuzzy logic is primarily used for the purpose of knowledge representation, and inference is mostly of a deductivenature. Machine learning, on the other hand, is mainly concerned with inductiveinference, namely, the induction of general, idealized models from specific, empirical data. Thus, while the key importance of probability theory and statistics as mathematical foundations of machine learning is immediately understandable and indisputable, the role of fuzzy logic in this field is arguably much less obvious at first sight.

ผลลัพธ์ (ไทย) 1:

เมื่อเร็ว ๆ นี้ แนวคิดที่ชัดเจนยังใช้ในการเรียนรู้ของเครื่อง ให้กำเนิดด้านการเรียนรู้เครื่องเอิบ พัฒนานี้ได้ส่วนใหญ่ถูกทริกเกอร์ โดยความนิยมเพิ่มขึ้นของเครื่องจักรการเรียนรู้เป็นวิธีการหลักของปัญญาประดิษฐ์ (AI), เทคโนโลยีสารสนเทศที่ทันสมัย และความรู้ข้อมูล นอกจากนี้ มาพร้อมกะจาก knowedge basedto drivenfuzzy ข้อมูลโมเดล เช่น การออกระบบ fuzzy มนุษย์ผู้เชี่ยวชาญด้านการก่อสร้างโดยอัตโนมัติของระบบดังกล่าวด้วย (เอิบ) แบบจำลองข้อมูลด้วยตนเองในโปรแกรมประยุกต์ที่คลาสสิกมากขึ้นเช่นการประมวลผลข้อมูลและระบบผู้เชี่ยวชาญ ตรรกศาสตร์หลักจะใช้เพื่อแสดงความรู้ และข้อเป็นของ deductivenature เป็นส่วนใหญ่ เครื่องเรียนรู้ ในทางกลับกัน ส่วนใหญ่เกี่ยวข้องกับ inductiveinference ได้แก่ เหนี่ยวนำรุ่น idealized ทั่วไปจากข้อมูลเฉพาะ ประจักษ์ ดังนั้น ขณะความสำคัญหลักของทฤษฎีความน่าเป็นและสถิติเป็นรากฐานทางคณิตศาสตร์เรียนรู้เครื่องทันทีเข้าใจ และเถียงไม่ได้ บทบาทของตรรกศาสตร์คลุมเครือในฟิลด์นี้เป็นชัดเจนมากน้อยที่ตา

ผลลัพธ์ (ไทย) 2:

เมื่อเร็ว ๆ นี้แนวความคิดเลือนได้ถูกนำมาใช้ในการเรียนรู้เครื่องให้กำเนิดด้านการเรียนรู้เครื่องเลือน การพัฒนานี้ได้รับส่วนใหญ่เกิดจากความนิยมที่เพิ่มขึ้นของการเรียนรู้เครื่องเป็นวิธีการที่สำคัญของปัญญาประดิษฐ์ (AI), เทคโนโลยีสารสนเทศที่ทันสมัยและวิทยาศาสตร์ข้อมูล นอกจากนี้ยังมาพร้อมกับการเปลี่ยนแปลงจาก Knowedge-basedto ข้อมูล drivenfuzzy การสร้างแบบจำลองเช่นจากการออกแบบด้วยตนเองของระบบเลือนโดยผู้เชี่ยวชาญของมนุษย์กับการก่อสร้างโดยอัตโนมัติของระบบดังกล่าวโดยการปรับ (เลือน) รุ่นให้ข้อมูล.
ในการใช้งานคลาสสิกมากขึ้น เช่นการประมวลผลข้อมูลและระบบผู้เชี่ยวชาญตรรกศาสตร์ใช้งานเป็นหลักเพื่อวัตถุประสงค์ในการเป็นตัวแทนของความรู้และการอนุมานเป็นส่วนใหญ่ของ deductivenature การเรียนรู้เครื่องในมืออื่น ๆ ที่เป็นส่วนใหญ่ที่เกี่ยวข้องกับ inductiveinference คือการเหนี่ยวนำของทั่วไปรุ่นที่เงียบสงบจากเฉพาะข้อมูลเชิงประจักษ์ ดังนั้นในขณะที่มีความสำคัญที่สำคัญของทฤษฎีความน่าจะเป็นและสถิติรากฐานทางคณิตศาสตร์ของการเรียนรู้เครื่องทันทีเถียงไม่เข้าใจและบทบาทของตรรกศาสตร์ในด้านนี้คือเนื้อหาน้อยมากอย่างเห็นได้ชัดตั้งแต่แรกเห็น

ผลลัพธ์ (ไทย) 3:

เมื่อเร็วๆ นี้ แนวคิดฟัซซี่ยังถูกใช้ในการเรียนรู้เครื่องให้กำเนิดด้านการเรียนรู้ของเครื่องแบบฟัซซี่ การพัฒนานี้ส่วนใหญ่ได้ถูกทริกเกอร์ โดยความนิยมที่เพิ่มขึ้นของเครื่องเรียนเป็นวิธีการหลักของปัญญาประดิษฐ์ ( AI ) , เทคโนโลยีข้อมูลที่ทันสมัยและข้อมูลวิทยาศาสตร์ นอกจากนี้มันได้มาพร้อมกับเปลี่ยนจาก basedto drivenfuzzy แบบมีข้อมูล เช่น จากการออกแบบของระบบฟัซซี่ โดยคู่มือผู้เชี่ยวชาญเพื่อการก่อสร้างระบบโดยอัตโนมัติ เช่น ข้อต่อ ( Fuzzy ) แบบจำลองข้อมูล .
ในโปรแกรมเช่นคลาสสิก การประมวลผลข้อมูล และระบบ ตรรกศาสตร์คลุมเครือเป็นหลักสำหรับวัตถุประสงค์ของการใช้ ความรู้และการอนุมาน คือ ส่วนใหญ่ของ deductivenature . การเรียนรู้ของเครื่อง , บนมืออื่น ๆที่เกี่ยวข้องกับ inductiveinference เป็นหลัก ได้แก่ การทั่วไปในอุดมคติแบบเฉพาะเจาะจงจากข้อมูลเชิงประจักษ์ ดังนั้น , ในขณะที่ความสำคัญหลักของทฤษฎีความน่าจะเป็นและสถิติเป็นรากฐานทางคณิตศาสตร์ของเครื่องจักรการเรียนรู้ทันที และไม่อาจโต้แย้งได้ ,บทบาทของตรรกศาสตร์คลุมเครือในด้านนี้เป็นอย่างมากที่เห็นได้ชัดน้อยกว่าครั้งแรก