大家说说，Machine Learning学啥？

[forecasting]

Machine Learning学啥？假如的确有遗世独立不依赖于人的世界和人构造的世界（意识），学的是前者还是后者？显然是后者，后者又有真假对错，又怎么能保证现在喂给ML的数据与其中的关系没有真假对错？既然是企图复制人类的意识，那么构造所谓世界模型，也是暂时的，为减轻人的工作量而已，说到创新或者突破，恐怕就是痴人说梦了。

[leuning]

就是curve fitting. Deep learning 也是。

[wass]

Machine Learning学啥？假如的确有遗世独立不依赖于人的世界和人构造的世界（意识），学的是前者还是后者？显然是后者，后者又有真假对错，又怎么能保证现在喂给ML的数据与其中的关系没有真假对错？既然是企图复制人类的意识，那么构造所谓世界模型，也是暂时的，为减轻人的工作量而已，说到创新或者突破，恐怕就是痴人说梦了。

学的是事物的概率

[Bluesky]

能减轻人的日常工作量，让人有更多的精力去创新。

[Bluesky]

其实人的日常有大量精力，时间是浪费在简单重复却又不得不做的事情上的。

[forecasting]

学的是事物的概率

事件的概率？概率空间是？

[leuning]

事件的概率？概率空间是？

您看看二楼。
别闹 纳米怎么吃的笑话!

[Zephyrca]

其实人的日常有大量精力，时间是浪费在简单重复却又不得不做的事情上的。

吃喝拉撒算不算简单重复又不得不做的事情？

[HighFive]

能减轻人的日常工作量，让人有更多的精力去创新。

这是宣传口号，别当真。 能创新的人什么时候都是少数，大多数人只是要一份能养家糊口的工作。AI取代人的工作是工业革命以来机器取代人的工作的继续。 效率提高了，好处是很多的，但工作越来越少也会是现实。而且这一次的浪潮来势凶猛，很多人恐怕来不及调整自己。

[TheMatrix]

这是宣传口号，别当真。 能创新的人什么时候都是少数，大多数人只是要一份能养家糊口的工作。AI取代人的工作是工业革命以来机器取代人的工作的继续。 效率提高了，好处是很多的，但工作越来越少也会是现实。而且这一次的浪潮来势凶猛，很多人恐怕来不及调整自己。

我觉得不用太担心。人工智能发展的好，UBI来得也快。

[HighFive]

我觉得不用太担心。人工智能发展的好，UBI来得也快。

我倒是希望法定四天一周工作日早日到来。

[wass]

事件的概率？概率空间是？

Given a context, the probability distribution of next word

[forecasting]

Given a context, the probability distribution of next word

肯定不是，又歪楼了。

转chatGPT的回答：
Machine Learning（ML）学习的是从数据中提取模式、构建关系并预测结果。就您的问题来看，机器学习更贴近“人构造的世界”，因为它依赖于人类提供的数据集、标签和特征构建。然而，这些数据和模型并不直接反映“客观真理”，而是与人类理解相关，且带有人的主观成分和可能的偏差。这带来了两方面的挑战：模型的训练数据是否足够“真实”或“无偏”，以及模型是否能在不偏的情况下做出可靠的预测。

关于“遗世独立”和“人构造”世界
在理论上，“遗世独立的世界”可能指的是一种独立于人类主观意识的客观真理，而“人构造的世界”则是人类通过数据来建构的知识体系。ML模型学习的是后者，因为模型只能从被构造的数据集和预设的特征空间中寻找模式。换句话说，模型是依赖于人类对世界的理解、数据收集方式、算法选择及目标定义的。

数据的真假对错问题
由于数据并非绝对客观，而是人类采集和标注的结果，因此其中可能会存在偏见、噪声和主观判断。即使是看似客观的数据，比如天气数据、金融数据，仍然依赖于传感器、测量方法和数据处理方式。因此，不可能绝对确保数据中的关系“真实无误”，并且模型的预测结果也只能基于已知数据中体现的关系进行，而无法验证是否与“真正的真理”一致。

解决真假对错的问题
ML领域通过以下方式来尽可能减少数据偏差和真假对错带来的问题：

数据清洗和标准化：尽量清理数据中的噪声、异常值等明显错误。
数据多样性：通过广泛的数据来源和采集多维度数据来减少偏见。
无监督或自监督学习：这种方法减少人为标注的主观影响，帮助模型自主探索数据的内在关系。
可解释性：不断开发解释模型预测的工具，帮助揭示模型决策是否合理和偏差。
总结
ML目前依赖的是“人构造的世界”的数据与关系，所以它本身无法解决数据中的真假对错问题，只能通过数据集的多样性、模型的设计和验证方法来尽量减少偏差。不过，从另一个角度看，这种依赖也在推动ML和人类知识的不断进步，通过学习人的知识体系，模型也逐步扩展了人类对世界的理解和认识。

[wass]

肯定不是，又歪楼了。

转chatGPT的回答：
Machine Learning（ML）学习的是从数据中提取模式、构建关系并预测结果。就您的问题来看，机器学习更贴近“人构造的世界”，因为它依赖于人类提供的数据集、标签和特征构建。然而，这些数据和模型并不直接反映“客观真理”，而是与人类理解相关，且带有人的主观成分和可能的偏差。这带来了两方面的挑战：模型的训练数据是否足够“真实”或“无偏”，以及模型是否能在不偏的情况下做出可靠的预测。

关于“遗世独立”和“人构造”世界
在理论上，“遗世独立的世界”可能指的是一种独立于人类主观意识的客观真理，而“人构造的世界”则是人类通过数据来建构的知识体系。ML模型学习的是后者，因为模型只能从被构造的数据集和预设的特征空间中寻找模式。换句话说，模型是依赖于人类对世界的理解、数据收集方式、算法选择及目标定义的。

数据的真假对错问题
由于数据并非绝对客观，而是人类采集和标注的结果，因此其中可能会存在偏见、噪声和主观判断。即使是看似客观的数据，比如天气数据、金融数据，仍然依赖于传感器、测量方法和数据处理方式。因此，不可能绝对确保数据中的关系“真实无误”，并且模型的预测结果也只能基于已知数据中体现的关系进行，而无法验证是否与“真正的真理”一致。

解决真假对错的问题
ML领域通过以下方式来尽可能减少数据偏差和真假对错带来的问题：

数据清洗和标准化：尽量清理数据中的噪声、异常值等明显错误。
数据多样性：通过广泛的数据来源和采集多维度数据来减少偏见。
无监督或自监督学习：这种方法减少人为标注的主观影响，帮助模型自主探索数据的内在关系。
可解释性：不断开发解释模型预测的工具，帮助揭示模型决策是否合理和偏差。
总结
ML目前依赖的是“人构造的世界”的数据与关系，所以它本身无法解决数据中的真假对错问题，只能通过数据集的多样性、模型的设计和验证方法来尽量减少偏差。不过，从另一个角度看，这种依赖也在推动ML和人类知识的不断进步，通过学习人的知识体系，模型也逐步扩展了人类对世界的理解和认识。

祝贺！你以后不怕没有标准答案

[forecasting]

祝贺！你以后不怕没有标准答案

难道你不认为机器回答得比你的靠谱？

[wass]

难道你不认为机器回答得比你的靠谱？

你喜欢就好

[forecasting]

你喜欢就好

你自嗨吧。啥也不是。