संदर्भों की बहुत सराहना की जाती है।
एक लेखक से अपेक्षा की जाती है कि वह अपने प्रकाशन के आरंभ में संदर्भ और उसके परिणामों की प्रासंगिकता के बारे में पूछे। मैं बस "एल। वैलेन्ट की शुरूआत पर स्किम्ड हो गया। सीखने का एक सिद्धांत। एसीएम, 27, 1984 का संचार।" फिर, और पता चला कि वैलेंट ने वास्तव में आपके प्रश्न को अच्छी तरह से कवर किया है।
Valiant द्वारा मूल कागज दोनों स्वतंत्र रूप से उपलब्ध है और पढ़ने में बहुत मुश्किल नहीं है। (धारा 7 को छोड़कर, जो केवल यह साबित करता है कि लेखक चुनौतीपूर्ण गणितीय समस्याओं से भी निपट सकता है, लेकिन कागज के वास्तविक में ज्यादा योगदान नहीं देता है।) कम से कम इसके परिचय को पढ़ने से यह मेरे लंबे समय तक लंबे उत्तर को पढ़ने की तुलना में अधिक फायदेमंद होगा। सवाल है, तो मैं वास्तव में यह कोशिश करने के लिए सुझाव है।
इस उत्तर का शेष परिचय से कुछ अंशों का हवाला देने की कोशिश करता है, जो यह इंगित करते हैं कि क्या इस परिचय को पढ़ने से ऐतिहासिक संदर्भ के बारे में प्रश्न का उत्तर मिल सकता है। हालांकि ध्यान दें कि एक लेखक के पास इस तरह के सवालों के संबंध में पक्षपाती होने के लिए स्वाभाविक पूर्वाग्रह है।
... ऐसी व्यवस्था, कम से कम, एक बहुत अच्छी शुरुआत होगी। सबसे पहले, जब कोई सिस्टम के सबसे प्रसिद्ध उदाहरणों की जांच करता है जो पूर्वप्रक्रमित ज्ञान का प्रतीक है, अर्थात्, DENDRAL और MYCIN जैसे विशेषज्ञ सिस्टम , अनिवार्य रूप से प्रोपोजल कैलकुलस से परे कोई तार्किक संकेतन का उपयोग नहीं किया जाता है।
यह संदर्भ के लिए दिलचस्प जानकारी है, क्योंकि प्रॉपिकल कैलकुलेशन प्रेडिकल कैलकुलस या टाइप थ्योरी की विभिन्न प्रणालियों की तुलना में आज भी काफी कमजोर है। (अजीब पर्याप्त है, हालांकि, प्रोलॉग (1972) और एमएल (1973) दूसरों के बीच में थे जैसे कि "ऐसी" विशेषज्ञ प्रणालियों के लिए मेटा-भाषाएं हैं, और जहां तक मैं देख सकता हूं, सरल प्रस्तावक तर्क से परे जा रहा हूं। इसके अलावा, संबंधपरक मॉडल ( 1969) डेटाबेस प्रबंधन के लिए विधेय तर्क पर आधारित होने का दावा किया जाता है।)
शायद कागज में निहित मुख्य तकनीकी खोज यह है कि बूलियन फ़ंक्शंस के पूरे वर्गों के लिए उच्च अभिसरण सीखने की इस संभाव्य धारणा के साथ संभव है। यह इस दृष्टिकोण को और अधिक पारंपरिक लोगों से अलग करता है, जहां सीखने को "उत्प्रेरण" की प्रक्रिया के रूप में देखा जाता है, जो सामान्य नियम की जानकारी से उत्पन्न होता है, जो एक विश्वसनीय कटौती के लिए अपर्याप्त है।
मैं यहां पूरी तरह से सहमत हूं। यह समझाने में सक्षम होना महत्वपूर्ण है कि आपका समाधान किसी दिए गए समस्या को कैसे हल करने में सक्षम है, और किस अर्थ में यह एक समाधान है। अन्यथा, आप बस "नो-फ्री लंच" प्रमेयों के साथ समाप्त होते हैं जो आपको एक उचित हेयुरिस्टिक के सही कार्यान्वयन से एक संदिग्ध हेगिस्टिक के छोटी गाड़ी के कार्यान्वयन को भेद करने की अनुमति नहीं देते हैं।
सारांश में, यह पेपर एल्गोरिथम जटिलता द्वारा अनुमत के रूप में सीखने योग्य है की सीमाओं का पता लगाने का प्रयास करता है। परिणाम सीखने पर पिछले काम के विविध शरीर से अलग हैं, क्योंकि वे पहले वर्णित तीन गुणों ((1) - (3)) को समेटने का प्रयास करते हैं। हमारे दृष्टिकोण के प्रति कठोरता में सबसे निकट आगम साहित्य है [...]। सांख्यिकीय और अन्य उपकरणों का उपयोग करते हुए पैटर्न मान्यता और वर्गीकरण पर काम का एक बड़ा निकाय है [...]। लर्निंग, विभिन्न कम औपचारिक इंद्रियों में, कृत्रिम बुद्धिमत्ता की एक शाखा के रूप में व्यापक रूप से अध्ययन किया गया है।
गुण (1) - (3) थे कि (1) "मशीनें अवधारणाओं के पूरे चरित्रवान वर्गों को जान सकते हैं" जो (2) "सामान्य-उद्देश्य ज्ञान के लिए उपयुक्त और अनुवांशिक" हैं और (3) "कम्प्यूटेशनल" प्रक्रिया के लिए केवल एक संभव (यानी, बहुपद) चरणों की संख्या की आवश्यकता होती है ”।