机器学习的红色药丸
一个引人入胜的方法论提议。
模型包括科学模型、理论和假设。 它们还包括公式、方程式和朴素的个人模型。 模型是科学模型、理论、假设和公式。 它们也可以是基于个人经验或迷信的原始模型（！在还原论范式中，这些模型首先由人类（表面上是科学家）创建，然后由工程师用于解决现实世界的问题。模型创建和模型使用都需要人类理解 问题的领域、具体问题、以前共享的模型以及如何创建和使用模型。博士学位可以被视为创建新模型的正式许可[2]。数学可以被视为一门学科 允许模型操作。
通过从人造模型转向整体方法，数据科学家、程序员和其他专业人员不再需要理解他们所面临的问题。 不要求数据科学家、程序员和其他人创建计算机代码或使用还原论或科学方法解决问题。 像 DNN 这样的整体系统能够为许多问题提供解决方案。 他们首先通过分析数据和解决示例来了解领域。 然后，他们将新情况与获得的经验相匹配。 匹配只是猜测，但通过足够的学习，结果可以变得非常可靠。
一开始，我们将使用基于计算机的整体方法来解决特定的和个性化的问题，例如自动驾驶汽车。 随着时间的推移，人工理解者有望能够立即回答更广泛的问题。 您可以期望在手机上找到精通该语言的应用程序，感觉就像您在与同事交谈。 语音将是与我们的 AI 交互的首选方法。
来源和详细信息：
https://experimental-epistemology.ai/the-red-pill-of-machine-learning/