一个人的经历越丰富,学习的知识钺多,是不是总结的模型越可信越可靠?
类似的,机器学习的数据量越大,模型是不是越稳定、越收敛呢?
你看,不管人的成长,还是机器学习,都有一个前提:数据。当然,这里我们把人的经历、知识抽象成数据了。
一、宏观——哲学
宏观看,机器学习的本质是:经验认识观。
机器学习是经验认识观的一种。
因为机器学必须依赖数据,如果哪天机器学习完全是演绎逻辑,自主化学习,那我的观点肯定是错的。
二、中观——抽象
中观看,机器学习的本质是:学习思维模型。
机器学习的本质是学习思维模型
思维模型可分归纳型思维模型和演绎型思维模型。
- 归纳型思维模型比如:金字塔模型、AARRR模型等;
- 演绎型思维模型比如:自然选择 、相对论等。
当前,机器学习的本质上是归纳法,即首先从具体的事实归纳出一般性规律,然后利用规律去做预测。
这个一般性规律类似人们工作、生活、学习中归纳总结的思维模型,只是这个思维模型是归纳类型的,而不是演绎类型的。
由于现阶段的机器学习还是归纳型的,哪一天机器学习可以演绎推理了,那可能才是真正的人工智能。这里用思维模型揭示机器学习的本质,而不加限定条件,不区分归纳还是演绎,是希望能适用未来的机器学习。
所以,机器学习本质上是让机器学习到一种思维模型。即机器基于数据,学习到一个抽象模型,然后在某个场景做出预测。
每个思维模型有它的假设、边界,适用场景,同样的机器学习模型也有它的假设、边界、适用场景。
三、微观——具体
微观看,机器学习的本质是:数学量化数据关系。
机器学习是基于数学,量化数据特征与目标的关系。
关系可以是相似度、相关度、最优等。
总结:
因为宏观太大,抓不住;微观太小,门槛高。
所以,基于中观视角看,机器学习的本质是:学习思维模型。 |