─── 《邂逅 W!o ？！》

 

Aurélien Géron 似輕描淡寫沒『代表性』的『訓練資料』容易造成一般化 generalize 預測錯誤︰

 

實則強調不要發生『取樣偏見』才是『訓練關鍵』乎？

一如維基百科『機器學習』詞條所言︰

Limitations

Although machine learning has been transformative in some fields, machine-learning programs often fail to deliver expected results.^[59][60][61] Reasons for this are numerous: lack of (suitable) data, lack of access to the data, data bias, privacy problems, badly chosen tasks and algorithms, wrong tools and people, lack of resources, and evaluation problems.^[62]

In 2018, a self-driving car from Uber failed to detect a pedestrian, who was killed after a collision.^[63] Attempts to use machine learning in healthcare with the IBM Watson system failed to deliver even after years of time and billions of investment.^[64][65]

Bias

Machine learning approaches in particular can suffer from different data biases. In healthcare data, measurement errors can often result in bias of machine learning applications.^[66] A machine learning system trained on current customers only may not be able to predict the needs of new customer groups that are not represented in the training data. When trained on man-made data, machine learning is likely to pick up the same constitutional and unconscious biases already present in society.^[67] Language models learned from data have been shown to contain human-like biases.^[68][69] Machine learning systems used for criminal risk assessment have been found to be biased against black people.^[70][71] In 2015, Google photos would often tag black people as gorillas,^[72] and in 2018 this still was not well resolved, but Google reportedly was still using the workaround to remove all gorilla from the training data, and thus was not able to recognize real gorillas at all.^[73] Similar issues with recognizing non-white people have been found in many other systems.^[74] In 2016, Microsoft tested a chatbot that learned from Twitter, and it quickly picked up racist and sexist language.^[75] Because of such challenges, the effective use of machine learning may take longer to be adopted in other domains.^[76]

─── Wikipedia Machine learning

 

人們應當要嚴肅的看待這個問題呦！

如果人工智慧演算法之學習能力就像人類一樣的好，甚至還更好！那麼面對亙古至今的星空數據，它會歸結出

『地心說』︰

托勒密總結了希臘古天文學的成就，寫成《天文學大成》十三卷。其中確定了一年的持續時間，編制了星表，說明旋進、折射引起的修正，給出日月蝕的計算方法等。他利用希臘天文學家們特別是喜帕恰斯（Hipparchus，又譯伊巴谷）的大量觀測與研究成果，把各種用均輪和本輪解釋天體運動的地心學說給以系統化的論證，後世遂把這種地心體系冠以他的名字，稱為托勒密地心體系。

巨著《天文學大成》十三卷是當時天文學的百科全書，直到克卜勒的時代，都是天文學家的必讀書籍。《地理學指南》八卷，是他所繪的世界地圖的說明書，其中也討論到天文學原則。他還著有《光學》五卷，其中第一卷講述眼與光的關係，第二卷說明可見條件、雙眼效應，第三卷講平面鏡與曲面鏡的反射及太陽中午與早晚的視徑大小問題，第五卷試圖找出折射定律，並描述了他的實驗，討論了大氣折射現象。此外，尚有年代學和占星學方面的著作等。

托勒密體系的宇宙圖

─── Wikipedia 克勞狄烏斯·托勒密

 

或是

『日心說』呢？

克卜勒定律是克卜勒所發現、關於行星運動的定律。他於1609年在他出版的《新天文學》科學雜誌上發表了關於行星運動的兩條定律 ，又於1618年，發現了第三條定律。

克卜勒幸運地得到了著名丹麥天文學家第谷·布拉赫所觀察與收集、且非常精確的天文資料。大約於1605年，根據布拉赫的行星位置資料，克卜勒發現行星的移動遵守著三條相當簡單的定律。同年年底，他撰寫完成了發表文稿。但是，直到1609年，才在《新天文學》科學雜誌發表，這是因為布拉赫的觀察數據屬於他的繼承人，不能隨便讓別人使用，因此產生的一些法律糾紛造成了延遲。

在天文學與物理學上、克卜勒的定律給予亞里士多德派與托勒密派極大的挑戰。他主張地球是不斷地移動的；行星軌道不是圓形（epicycle）的，而是橢圓形的；行星公轉的速度不等恆。這些論點，大大地動搖了當時的天文學與物理學。經過了幾乎一個世紀披星戴月，廢寢忘食的研究，物理學家終於能夠運用物理理論解釋其中的奧秘。艾薩克·牛頓應用他的第二定律和萬有引力定律，在數學上嚴格地証明了克卜勒定律，也讓人們了解了其中的物理意義。

圖示遵守克卜勒行星運動定律的兩個行星軌道。 （1）行星軌道是橢圓軌道。第一個行星的軌道焦點是f1與f2，第二個行星的軌道焦點是f1與f3。太陽的位置是在點f1。 （2）A1與A2是兩個面積相等的陰影區域。太陽與第一個行星的連線，掃過這兩個陰影區域，所需的時間相等。（3）各個行星繞太陽公轉週期的比率為a1^3/2:a2^3/2 ；這裡，a1與a2分別為第一個行星與第二個行星的半長軸長度。

克卜勒定律

克卜勒的三條行星運動定律改變了整個天文學，徹底摧毀了托勒密複雜的宇宙體系，完善並簡化了哥白尼的日心說。

克卜勒第一定律

克卜勒第一定律，也稱為橢圓定律、軌道定律：每一個行星都沿各自的橢圓軌道環繞太陽，而太陽則處在橢圓的一個焦點中。^[1]

克卜勒第二定律

克卜勒第二定律，也稱為等面積定律：在相等時間內，太陽和運動著的行星的連線所掃過的面積都是相等的。^[1]

這一定律實際揭示了行星繞太陽公轉的角動量守恆。用公式表示為

  。

克卜勒第三定律

克卜勒第三定律，也稱為週期定律：各個行星繞太陽公轉週期的平方和它們的橢圓軌道的半長軸的立方成正比。^[1]

由這一定律不難導出：行星與太陽之間的重力與半徑的平方成反比 。這是艾薩克·牛頓的萬有引力定律的一個重要基礎。

用公式表示為

；

這裡， 是行星公轉軌道半長軸，   是行星公轉週期， 是常數。

─── Wikipedia 克卜勒定律

 

這時若問為什麼克卜勒沒有發現『萬有引力』定律呢？？

只怕那時還沒有牛頓『三大運動定律』吧！！

此後人們相信

行之於地上的原理，也行之於天上◎

但反過來說

我們真的知道了嗎☁

 

曾經科學附屬於哲學，如今有一些哲學家嘗試棌用科學的研究方法來進行哲學研究，所謂的『實驗哲學』experimental philosophy 隨之因勢而起，有人說它簡稱作『 x-phi 』。一九八零年美國的分析哲學家索爾‧ 阿倫‧克里普克 Saul Aaron Kripke 出版了一本名為《命名與必然性》Naming and Necessity 的書。在該書中他虛構了一個關于『哥德爾和施密特』的故事︰

假使『哥德爾』實際上不是『哥德爾定理』的發現者，而是一個叫做『施密特』的人發現了這個定理。出於某種原因，哥德爾以一種莫名的方法得到了朋友施密特之手稿，於是人們便將這個發現歸之於哥德爾了。

然而從分析哲學中的羅素之『摹狀詞』theory of descriptions 理論來看，當人們使用『哥德爾』一詞時，事實上『指稱』denote 的應該是『施密特』── 那個發現算術系統的不完備定理之人 ──。不過歐美哲學家卻普遍的直覺認為︰這個故事的大部分讀者幾乎都會同意『哥德爾』這個詞事實上並不是指稱『施密特』的。任何宣稱『它是的』之指稱理論最後都會被認定是錯誤的。因此實驗哲學家馬克亨利 E. Machery 、馬倫 R. Mallon 、尼克爾斯和斯蒂克等就這個問題進行了一項實驗研究。他們將這個虛構的『哥德爾和施密特的故事』呈現給所有的受試者 ── 美國學生和香港學生兩類 ──。

實驗結果是︰絕大部分的美國學生認同上述的哲學家『直覺』，然而香港學生則顯現了一種相異的回應，其中大多數認為『哥德爾』這個詞的確指的是『施密特』。

或許『文化的差異將產生判斷之不同』的『直覺』自然會預期這個『結果』的吧！！

─── 摘自《思想實驗！！》