亚里士多德和机器学习雅典学院是世界上最着名的壁画之一这是一幅文艺复兴时期的杰作，描绘了古典时代的伟大哲学家，由拉斐尔于1509-1511年间所画雅典学院，拉斐尔的壁画，1509-11虽然在这幅壁画中有很多值得讨论的内容，。
机器学习与结构设计?雅典学院是世界上最着名的壁画之一这是一幅文艺复兴时期的杰作，描绘了古典时代的伟大哲学家，由拉斐尔于1509-1511年间所画，今天小编就来聊一聊关于机器学习与结构设计?接下来我们就一起去研究一下吧!
机器学习与结构设计
雅典学院是世界上最着名的壁画之一。这是一幅文艺复兴时期的杰作，描绘了古典时代的伟大哲学家，由拉斐尔于1509-1511年间所画。
雅典学院，拉斐尔的壁画，1509-11
虽然在这幅壁画中有很多值得讨论的内容，但我想提请你注意两个核心人物：柏拉图指向天空，他的学生亚里士多德指向地球。
柏拉图（左）和亚里士多德（右）
但拉斐尔为什么要这样描绘他们呢？
柏拉图认为，我们所生活的世界，物质世界，只是理想世界的阴影。例如，我们在这个世界上看到的苹果是一个完美苹果的不完美反映，它存在于理想世界中。柏拉图称这些完美或理想的东西是他们的形式，从而形成了他的形式理论。形式理论不仅限于对象，我们还可以谈论教育形式，友谊形式等。然而，亚里士多德反对他的老师并声称物质世界是真实的。他认为，在物质世界中，形式存在于所讨论的事物中。如果没有苹果，就没有苹果。他们都相信形式，但不同意它们是存在于另一个世界（柏拉图）还是存在于这个世界（亚里士多德）。
现在你可能会猜到拉斐尔想传达的信息，柏拉图指出天空，因为他相信形式在另一个世界，相反亚里士多德指出地球说形式实际上可以在物质世界中找到。
这一讨论涉及到形而上学的普遍性问题。普遍性是两个或两个以上的实体有共同之处的事物(例如，根据柏拉图的说法，是一只猫或一只理想的猫)，而普遍性有被称为特殊性的实例。加菲猫是一种特殊的猫。他拥有所有猫科动物的共同特征，还有其他一些不是每只猫都有的属性，如懒惰、橙色等。
但是这一切与机器学习有什么关系呢？在回答这个问题之前，我将尝试解释在数据，信号和噪声方面的机器学习。我们首先澄清这些术语：
Data：您观察或测量的值。
Signal：观察或测量的预期值。
Noise：不完美导致预期值和观察值不同。
基于这些定义，我们可以说Data = SignalNoise。让我试着用一个具体的例子来解释这个概念。
如何描绘物体（m = 2 kg）的力（N）与加速度（m /s²）的关系呢？理想情况下，它应遵循牛顿第二定律，F = m * a。然而，在我们生活的世界里，我们知道事情并不完美。因此，观察到的行为将类似于F = m * aNoise。您可以在下面看到用于生成它们的图表和Python示例代码：
m=2 #mass of the objecta=10*np.random.rand(50,1) #50 random acceleration valuesF_ideal=m*a #Ideal FF_observed=m*a np.random.randn(50,1) #Observed F
理想与观察行为
Data = SignalNoise
本质上，机器学习算法试图学习数据内部的信号。重要的是要强调这些算法被赋予数据，但他们不知道数据的哪个部分是Signal，哪个部分是Noise。
例如，让我们将线性回归应用于上面生成的数据。您可以看到拟合几乎等于信号。机器学习算法不知道我用来生成这些数据的Signal，但它能够找到非常接近的数据。Python示例代码
import sklearnfrom sklearn import linear_modelmodel = linear_model.LinearRegression()model.fit(a, F_observed)
Fit试图找到Signal
现在我们可以看到机器学习和普遍性问题之间的对应关系。
机器学习：Data = SignalNoise
通用问题：我们看到的=通用 特殊属性
想象一下，你的朋友要求你建造一个孟加拉猫分类器。你收集孟加拉猫图像（数据）并训练卷积神经网络（CNN）来完成这项任务。算法查看数据，将Signal（通用孟加拉猫）与Noise分开（特别是一只猫有疤痕，另一只图像背景有树等），从而了解一只理想的孟加拉猫应该是什么样子。该机器学习算法将其学习的内容存储为称为“权重”的参数。换句话说，训练后卷积神经网络（CNN）的权重对应于通用孟加拉猫 - Signal。
孟加拉猫（理想的孟加拉猫）的蓝图由卷积神经网络（CNN）的权重捕获。边缘由第一层捕获，第二层学习轮廓，第三层学习眼睛，耳朵和尾巴。
最后这篇文章的关键点是机器学习算法的目的是学习数据中的通用（也称为Forms or signal）。希望这能帮助你从不同的角度看待机器学习中的一些概念，并更容易地理解它们。
