图灵汇官网

标题：机器学习的未来：平衡数据拟合与解释

引言： 在人工智能领域，以数据为中心的方法主导了研究方向，尤其在语音识别、计算机视觉和自然语言处理等关键领域取得了显著进展。然而，这种方法并未完全满足研究需求。本文将从便利性、透明度和可解释性三个维度，探讨数据拟合与数据解释之间的关系，旨在恢复数据科学的平衡。

便利性： 进化过程缓慢且成本高昂，而机器学习任务往往要求快速解读稀疏数据并迅速做出反应。因此，依赖现有科学知识和已收集数据，利用机器学习技术解决健康、教育、生态和经济等社会问题，显得尤为重要。科学知识指导数据选择和实验设计，加速了进化速度。

透明度： 知识的编译与表征是将发现过程分摊至多个推理任务的关键步骤，以避免重复工作。这不仅有助于高效决策，还涉及到知识的数学性质、局限性及其支持的推理类型。因果模型为预测假设性干预和反事实情况提供了工具。

可解释性： 机器学习的发现必须以易于理解的方式呈现给用户，涵盖政策评估、个人决策、生成解释和认知世界等方面。因此，理解和优化用户对机器学习算法功能的解读至关重要。

结论： 将知识内容等同于其数据来源是错误的观点。知识的存储格式及其隐式与显式成分的平衡同样重要。激进经验主义虽能反映进化过程，但在机器学习研究中并非理想策略。混合策略，兼顾数据拟合与解释，更能促进知识编译的各个阶段发展。

展望未来： 2021年亚马逊云科技中国峰会将汇聚行业领导者，探讨构建新秩序和重塑云计算时代的故事与经验。针对开发者和行业人士，峰会将提供深入的行业见解和技术分享，包括来自合作伙伴、客户和技术专家的实践分享及技术成果解读。欲了解更多详情并报名参会，请访问下方小程序。

结束语： 未经授权，禁止转载本文内容。