本篇文章2004字，读完约5分钟
简介:如何让机器学习独立于环境学习和思考是科学家们努力探索的目标。本文的一些观点可能会给研究带来一些启示。
注:本文由沙基尔·穆罕默德翻译自《旁观者》。本文所有观点均由原作者提出，并不代表本网站和本人的观点。沙基尔·穆罕默德是一位研究统计机器学习的科学家。主要集中在贝叶斯推理、变分推理、深度学习和强化学习。
认知机器学习机器学习中最重要的是灵感的来源。至少对我来说，它使机器学习成为一个有价值和令人兴奋的领域。我们从传统的相邻统计学领域获得灵感，如信号处理、控制工程、信息论和统计物理学。我们的运气一直很好，我们可以从许多其他科学领域获得更多的灵感，比如生物学和进化系统，以及对他们来说很重要的东西，认知社会学、心理学和神经科学。
我曾经从神经科学中探索机器学习，解密预测的作用，稀疏性，以及构建学习系统时的模块化和互补学习。除了学习系统，还有其他技能可以在更高的层次上更好地理解，并从认知科学的角度进行研究。
在本系列中，我想探讨四个主题，我认为最重要的一个是:
1.因果推理。我们如何建立一个能够从因果关系中学习并影响和检测因果关系的机器学习系统？人类在这个领域很有能力，所以我们将讨论认知系统中因果归纳、反事实推理和因果学习的各个方面。在机器学习中，我们可以将其与影响图中的推理和有向无环图中的推理联系起来。
2.作为一名科学家。就人类而言，我们在不断探索中研究周围的事物。我们产生假设，测试它们，并从中学习。通过赋予机器学习这样的调查能力，它将引导我们测试追溯推理、主动学习、贝叶斯优化和盗匪。
3.认知语义学。人类如何学习意义和建立知识、对象和关系的概念。我们可以将从认知科学到统计关系人工智能的理解，以及更广泛的关系学习、模块和社区发现结合起来。
4.形成思维理论。人类生活在社会中，并从中学习和获取知识。我们的认知工具包括归因理论、意图生成理论和理论理论。我们可以将其与经济学、博弈论和多智能体系统中的广泛思维相结合。
为了更好地描述认知的概念及其与机器学习的关系，我将把讨论分成两部分。第一部分将涉及认知科学，并提供以下描述:
→认知观察。首先，很明显，我们将观察许多认知任务中的一个，并从生活经验和观察到的事物中找到证据。
→认知灵感。我们将提炼认知的证据，形成认知原则，这将是研究机器学习系统的启示之一。
第二部分将讨论机器学习。我将使用模型推理算法的框架，这正是我在每篇博文中使用的形式:
→概率模型。我们使用属性特定的概率模型，在结构上假设它是问题的最佳描述，也是我们最希望看到结果的原始信息。
→推理原则。模型的选择、假设的类型、近似性、计算和准确性限制了我们对推理原则的有效选择，我们使用推理原则来连接模型中观察到的具体数据
→算法。任何选择的模型和推理都可以用许多不同的方式来实现，还有描述特定建筑构件的算法、使用的计算类型以及如何使用计算平台。
现有的认知框架，我将使用的描述框架，简单地结合了认知科学和机器学习来促进它的描述。然而，认知科学有丰富的概念框架，有助于理解不同的认知现象。总有三个框架提供灵感:
1.分层认知结构1976年，纽厄尔和西蒙通过三个层次解释了这一复杂的认知过程，这三个层次被称为分层结构。它的三级结构是:
1.知识层。通过促进目标和分析实现目标所需的知识库来解释代理的行为。
2.符号层。代理人的知识和目标将被编码成符号结构，这些符号结构可以以不同的方式连接起来，并通过实现目标来操纵。
3.材料层。符号层结构及其操作被放入物理结构中。
2 .玛尔的层次分析法，玛尔的等级，有很大的影响，我发现它在探索神经科学和机器学习之间的关系时非常有效。马尔的水平与纽厄尔和西蒙的理论非常相似:
1.计算。处理需要通过代理实现的高级任务。
2.算法。指定如何解决计算问题。
3.实施。确定的解决方案必须在大脑中实现。
这个框架主要关注认知现象，而不仅仅是一个框架，它鼓励我们从物理和社会学的整体层面来思考代理和它的环境之间的关系。我们可以用四种现象的等级:
1.社会学。集体行为代理非常重要，它解释了代理与社会和文化过程之间的关系。
2.心理学。重点放在个体代理人的行为、信念、知识、概念和技能上。
3.合成主义。认知功能由几个部分组成。我们可以指定一个认知结构(例如，act-r，clarion，nef)，一个计算范式(例如，符号，连接，贝叶斯)，以及可以考虑的潜在生物学约束。
4.生理学。实现生物矩阵中任何定义的组件。
还有其他框架，如抽象认知结构和理性分析。
结论认知科学是一个大市场。我们可以将机器学习和统计学与神经科学甚至哲学结合起来。还有许多其他的事情，我希望在这一系列的过程中，可以提取出许多想法，作为未来机器学习系统的强大灵感来源。
《观察家》
推荐阅读:
什么是机器学习？为什么它如此重要？
人工智能热潮注定要失败？机器学习智能是王道？
