豬＝吃飯＋睡覺

代入上式則得：人＝豬＋上班＋玩

即是：人－玩＝豬＋上班
—————————-

『僅可能讓演算法資料本身自我演化來達成目標』這一點要反駁一下，其實他不僅對於參數可以做演化，連演算法的結構也可以做演化（看 model 的設計）… 有興趣可以再參考一下 Koza 的 Genetic Programming。

以 neural network 為例子，在設計時不外乎你要用什麼結構，幾個node 以及你的學習相關參數。

假設，你可以讓你的 neural network，視為一個一個的染色體，裡面包含了基因，而這些基因則代表你的 neural network 的參數與結構。

Okay，現在你有一個染色體的 pool，這個 pool 中有剛剛說的代表 neural network 的染色體共有 100 條。我們讓這 100 條染色體代表的 neural network 開始針對我們的問題去做學習，一段時間後（或是固定的 iteration 後），我們來測試學習結果，在這裡我們只留下結果最好的 10 條染色體。

然後，讓他們開始交配(crossover)與突變(mutation)，再產生新的其他 90 條染色體。然後在經歷剛剛的過程，再繼續塞選結果好的染色體。

幾個 iteration 後，其實我們就可以找到不錯的 neural network 結構，加上參數。

大概是這樣 ….

可是問題來了，我們由基因演算法，來決定 neural network 的參數與結構，但是我們要用什麼方法來幫我們決定基因演算法的參數與結構，以及他的運算子設計。

雞生蛋，蛋生雞。這問題永遠無解。所以要講人工智慧，裡面還有一個很重要的課題，就是知識的累積與表示 …

以目前不管是 SVM 還是 Neural Network，雖然有不錯的學習效果，但是他們的知識是一堆的 weights … 根本沒人看的懂。要拿來再加以利用，根本不可能。

除非你要把 SVM 與neural network 當作一個黑盒子來用，就是反正我 input，你給我 output 就對了。實驗當然可以這樣玩，但是把這樣的技巧用在醫療診斷，這就很恐怖了 ….

所以為什麼 symbolic rules 比 neural network 在醫學界更被接受，因為這些 rules 醫生看的到，可以修改 … 這是很重要的。

而這就是 learning classifier system 的強項了，透過 genetic algorithm 讓他可以自行產生薪的 symbolic rules，透過 bucket algorithm，他可以有類似 Back Propagation 的學習與參數傳遞。甚至可以做到 rule chaining …

而學出來的結果，可以轉化成專家系統可以用的 rules … 這是很有趣的啦！

雜七雜八講了一堆 … 實在沒什麼條理。看看就好

Mark