{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":177,"pdf_page":192,"physical_index":192,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"fb5dcd9b4bd8b92e483c23f2177e93708faf67bd7f6dcea94c0659c1d3bf005d"},"chapter":"内容简介","content":"所以，现在机器学习依旧备受关注，它代表了一种人类使用计算机的全新方式，很可能是未来我们应对越来越复杂、超过人类智力能够处理的问题时，人与计算机合作、交互的主要形式。\n\n6.4 机器学习的分类\n\n机器学习除了此前提过的可按照学习方法的差异划分为无监督学习（Unsupervised Learning）、 监 督 学 习（Supervised Learning） 和 强 化 学 习（Reinforcement Learning）三类外<sup>○一</sup>，从不同的角度出发，还有其他剖析机器学习的分类方式。\n\n如按照机器学习的不同应用类型来划分，可以分为判别模型学习（Discriminative-Model Learning）和生成模型学习（Generative-Model Learning）两大类。判别模型着重寻找出不同类别数据之间的隐含差异，广泛应用于分类、决策、预测等任务中，譬如用户画像、广告推荐、文字识别、人机对弈等，本章稍后要实践的“垃圾邮件判断模型”是最为经典的判别模型应用之一。不同于判别模型，生成模型是在 2014 年才真正开始崛起的，虽然“ 年轻”<sup>○二</sup>，却展现出了势不可挡的燎原之势，将机器学习乃至整个人工智能学科推到了一个史无前例的高度，即使不是业内人士，对 ChatGPT、Stable Diffusion、Sora等词语也多有耳闻。生成模型关注的问题本质是联合概率分布，适用于诸如根据提问产生答案、文章自动摘要、机器绘画、视频生成、作曲编程等需要机器具备“创造力”的场景。这部分内容既是当前人工智能的热点，也是快速发展变化的前沿，我们将在第 8 章专门讨论。\n\n第 6 章 机器学习概览\n\n177\n\n○一 部分资料中将“半监督学习”（Semi-Supervised Learning，SSL）也作为一种基本学习方法。○二 这里的“年轻”仅是指被公众所熟知的时间。第一个生成模型甚至可以追溯到人工智能概念被提出之前的 1948 年，香农给出过一个由英语双词频率表生成句子的例子，可以生成如“ Representing and speedily is an good”这样语法并不正确的英文句子。生成模型以前也诞生过一些不那么被大众了解的成果，如前文曾提到的隐马尔可夫模型，下一章介绍深度学习时顺带提到的受限玻尔兹曼机也属于生成模型。","previous_page":176,"next_page":178}