ES: 機器學習、專家系統、控制系統的數學映射

1、基本定義   

       1.機器學習維基定義：機器學習有下面幾種定義： 「機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能」。 「機器學習是對能經過經驗自動改進的計算機算法的研究」。 「機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準。」 一種常常引用的英文定義是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

       2.專家系統維基定義：能夠看做是一類具備專門知識和經驗的計算機智能程序系統，通常採用人工智能中的知識表示和知識推理技術來模擬一般由領域專家才能解決的複雜問題。通常來講，專家系統=知識庫+推理機。

       3.控制系統尚未維基定義：自動控制系統是在無人直接參與下可以使生產過程或其餘過程定期望規律或預約程序進行的控制系統。自動控制系統是實現自動化的主要手段。

       4.語義維基定義：語義學（英語：Semantics，法語：La sémantique），也做「語意學」，是一個涉及到語言學、邏輯學、計算機科學、天然語言處理、認知科學、心理學等諸多領域的一個術語。雖然各個學科之間對語義學的研究有必定的共同性，可是具體的研究方法和內容截然不同。語義學的研究對象是天然語言的意義，這裏的天然語言能夠是詞彙，句子，篇章等等不一樣級別的語言單位。可是各個領域裏對語言的意義的研究目的不一樣：

• 語言學的語義學研究目的在於找出語義表達的規律性、內在解釋、不一樣語言在語義表達方面的個性以及共性；
• 邏輯學的語義學是對一個邏輯系統的解釋，着眼點在於真值條件，不直接涉及天然語言；
• 與計算機科學相關的語義學研究在於機器對天然語言的理解；
• 認知科學對語義學的研究在於人腦對語言單位的意義的存儲及理解的模式。

        5.語法維基定義：語言學中語法（英語：Grammar）是指任意天然語言中控制子句、詞組以及單詞等結構的規則，這一律念也被用來指對於這些規則進行研究的學科，例如詞法學、語法學或音韻學等，並和其餘學科如語音學、語義學或語用學互相補充。在不少文獻中，語言學家一般不用「語法」來指正寫法。

2、語法論   

       叔本華先生的表明做之一爲《做爲意志和表象的世界》，這本書是我惟一讀完三遍的哲學著做，雖然讀完以後大概內容會徹底忘掉，感受卻慢慢加深。世界是個人表象，整個世界的表象隨着時間不斷變化發展，而做爲智能體的人對世界表象的反射做爲思想和記憶存儲在大腦裏。大腦的容量老是不夠的，若存儲表象太困難了，還好表象與本質有本質的聯繫，其中有一種聯繫：叫作規則，有時候人存儲了少許規則和少許表象，即可以瞭解大部分世界或者世界的大部分。

       天然語言做爲人類的概念工具，是世界表象的映射，若語言對錶象世界的描述是雙射的，那麼這種天然語言即是無二義性的。只是現代語言其豐富度還難以精細描述表象世界，有意或者無心之間藉助於規則，語言對世界的描述層面通常顯示出二義性。

       天然語言的天生二義性緩慢演進，暫且擱置。天然語言是世界的一個很好的表象描述，分析天然語言能夠對其表明的本質——天然世界有一個很好的理解。

       天然語言對世界的描述，形式化爲「語義」，便是咱們所說的「概念」。天然語言的表現有其內在要求，這就是語法，便是天然語言的規則。天然語言是一個AI難的問題，根本在於世界太複雜，對世界的描述必須上升到 智能 的水平，必須瞭解「智能」 的含義。

      「智能」最主要的一個方面是可演進性，智能首先是一個系統，系統要素最終使系統進化或者滅亡。進化的「智能」更好的與世界適應，富不然滅亡。

       再回到哲學，黑格爾的哲學 語義價值 受到馬克思先生的極大批判，但其學說曾經如此流行，必有過人的地方，這就是黑格爾的 辯證法。哲學不可否認前向鏈和因果論的正確性，這是一切系統運行的基礎。黑格爾的邏輯辯論能力很是強大，對哲學思想這個語義系統的語法——邏輯推理運用的恰到好處，才奠基了他在哲學的地位。

       一個好的語法系統能夠構建一個強有力的語義系統.....

       語義 的模型論 和語法的證實論 關聯 暫時還不明白...。

2、語義論   

      專家系統所闡述的語義爲知識狀態，經過邏輯規則進行推理，獲得終止狀態即解決方案。維基的闡述：專家系統適合於完成那些沒有公認的理論和方法、數據不精確或信息不完整、人類專家短缺或專門知識十分昂貴的診斷、解釋、監控、預測、規劃和設計等任務。通常專家系統執行的求解任務是知識密集型的。

      維基的中文解釋不是特正確，專家系統的肯定性是專家系統的內在要求之一，具備模糊邏輯的專家系統其本質上是肯定的。

      值得修改的地方是：專家系統使用的是有肯定的公理和方法的系統。即便具備模糊規則，模糊規則的可能性機率必須是能夠預測的，這才符合咱們對科學可驗證的初始要求。專家系統更符合語義系統的追逐——完備性，專家系統的語義系統必須是完備的，從任何一個初始狀態出發，通過一系列的推理規則，不能獲得矛盾的結果。

      而機器學系系統呢，對於完備性的映射是「過擬合」。 過擬合同於目標泄露。 

      專家系統的能夠形式化爲狀態機模型。有限狀態機（英語：finite-state machine，縮寫：FSM）又稱有限狀態自動機，簡稱狀態機，是表示有限個狀態以及在這些狀態之間的轉移和動做等行爲的數學模型。

       FSM（有限狀態機）可使用上面圖1那樣的狀態圖（或狀態轉移圖）來表示。此外可使用多種類型的狀態轉移表。下面展現最多見的表示：當前狀態（B）和條件（Y）的組合指示出下一個狀態（C）。完整的動做信息能夠只使用腳註來增長。包括完整動做信息的FSM定義可使用狀態表。

狀態轉移表

當前狀態→ 條件↓	狀態A	狀態B	狀態C
條件X	…	…	…
條件Y	…	狀態C	…
條件Z	…	…	…

        狀態轉移表 映射爲 規則，即爲狀態轉移規則。

        專家系統是一個反覆驗證擴增的過程。專家是基於規則的系統，規則的粒度決定了專家系統正確性和穩定性，通常兩種特性不可得兼。專家系統的語義是稀疏的，規則的粒度決定語義的表達空間疏密程度。語義的完備性要求狀態點能夠徹底且惟一解析。若狀態點不能被規則系統解析，一個可行的方法爲規則細分化，經過增長語義空間密度來解析狀態點。一樣若狀態點獲得了矛盾的解析，可行的方法爲規則細分化，或者修改規則。在修改規則和規則細分化的同時，仍然要保持語義的完備性，遍歷整個專家系統狀態。

        機器學習呢，能夠看作是側重於專家系統的規則提取過程的專家系統預處理方法。若規則是顯式的，且必須保持完備性，則爲專家系統；若規則難以描述，則是神經網絡。貝葉斯網絡也是專家系統的一中，MCMC方法依然能夠劃分爲規則系統的範疇。

3、機器學習

       機器學習側重於規則的正確性，經過模型的泛化性能來調整機器學習規則粒度和規則走向（參數），與專家系統的完備性要求側重點不一樣。ML的模型又稱爲算法，機器學習與泛函分析聯繫緊密。

       對於世界模型的實例分類，同態於名詞範疇，林奈分類法是一個成功的實例。先驗經驗和特徵提取的隱式規則 是世界表象的本質聯繫所決定的。爲什麼一直推崇標準建類模型？標準建類模型意指使用標準的建類規則，使用合適的類定義粒度，合適的類劃分層次，擬合世界表象的概念模型，促進計算機語義描述的標準化和擬人化。

       對於世界模型的聯繫分類，同態於動詞範疇，聯繫範疇的定義比名詞少的多，謂詞的細分化比主賓的細分化要簡單的多，名詞的組合規則複雜，生成的實例多樣紛雜。而聯繫能夠被隔離，實例系統具備類似性，實體組合新名詞一個聯繫發生變化即可以產生新的實體，今後意義上說，聯繫的量級爲實體的ln級別。動詞的一個特性即是能夠泛化，相似於計算機語言設計C++中的規則「多態」或者JAVA中的「藉口」。多態和接口的實現極大地減小了語言描述世界的複雜度。

       名詞表明的實例經過和其餘實例或聯繫，服從特定的「組合規則」，構建無限可能多的組合，深入的闡述了「組合爆炸」這個特性。實例的粒度和實例的量級有着千絲萬縷的關係，實例的內部和外部聯繫構建規則。規則或許和聯繫從屬於一個量級，規則也許和聯繫能夠封裝。

 

       1.機器學習對實例的分類受到實例粒度和實例組分複雜度的限制，表現爲特徵工程的特徵抽取維度。即便是離散空間，實例粒度越小、實例組分越多，特徵維度越高，機器學習的模型必然會更復雜，就像「英國的海岸線」同樣。從這個尺度上說，機器學習對規則的抽取性能一開始就是被限定的。

       機器學習對實例的判別模型與專家系統對狀態的解析模型相似。

       特徵工程是機器學習最重要的部分。使用人力對實例進行特徵提取，企圖但願用X個維度的（離散/連續）特徵（數）值來描述無限維度的表象世界，期待特徵是表象實例的單射，這個過程使用了大量的經驗。特徵工程有一勞永逸的方法嗎？應該沒有吧！人力在應用目標和表象初始狀態中構建特徵提取規則，這是一個基於規則的特徵提取專家系統，會表現出專家系統的全部特徵。

        圖像模式識別是一個「AI」難的過程，由於特徵工程的專家系統構建過程是一個真正的智能過程，而咱們所謂的「語義鴻溝」是由於咱們追逐極度降維，仍然能保持概念映射的單射性質。

        2.機器學習對聯繫的分類會簡單的多，由於聯繫的特徵通常是明晰的，維度也較低。對規則抽取規則，引入元機器學習。

4、元機器學習

       證實語義完備性的理論爲模型論，證實語法完備性的理論爲證實論。人工智能必定會實現的，且強人工智能必定會實現的，只是一旦他實現，若不依賴於與人相似的天然資源，那麼他會爲自身的生存構建一個更合適的天然界，這纔是生存爭奪戰的源頭。

       咱們構建了「三北防禦林」，抵擋沙漠，由於咱們所依賴的資源不能從沙漠這種環境中獲取。經濟基礎決定上層建築，人類意識不可能對自身軀殼不加保護，人類軀殼所須要的存在資本依然與這個天然界不可分割。

       狀態的轉換須要能量，咱們須要消化做用，須要食物和氧氣。咱們更須要這個軀殼正常的運行，保持能量源源不斷地能夠被供應，維持意識的狀態轉變。咱們更須要這個能量機器穩定存在的環境並實施對她維護，所以咱們和這個原始天然界有着千絲萬縷的聯繫。

       森林和海洋用於光合做用產生氧氣和食物，咱們不能永遠地開闢城市到任何地方。還要保證能量產生機器的正常運轉，所以治理「霧霾」。保證潔淨的飲用水做爲能量載體，和能量產生的重要容器。

       智能的緣由還未能探測到，所以，「元認知「仍是處於哲學的認知階段。對人類智能的認識不只是天然界和科學自己在阻礙，生存本能的延伸——倫理也在限制這 對認知/智能的剖析，元認知的過程困難重重。

       幸虧，機器學習系統是人類專家從0開始構建的系統，機器學習的整個模型生成的規則是能夠被公理化描述，規則的規則也能夠被描述，深刻到」元機器學習「。

       對機器學習這個專家系統來解析一番，進入元認知的階段。

5、模型的複雜度和完備性

       專家系統的完備性和機器學習的完備性不在一個層次，專家系統的完備性爲語義的完備性，是一個永無止境的過程。機器學習系統的完備性是語法的完備性，能夠 從邏輯 層面獲得嚴謹的證實。

       那麼機器學習的完備性即是證實整個規則的正確性。

       一個機器學習系統，構建一個專家系統，而後構建過程依賴了控制系統。