論文の概要: Machine Learning: Progress and Prospects

• arxiv url: http://arxiv.org/abs/2512.07519v1
• Date: Mon, 08 Dec 2025 12:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.892741
• Title: Machine Learning: Progress and Prospects
• Title（参考訳）: 機械学習: 進歩と展望
• Authors: Alexander Gammerman,
• Abstract要約: この最初の講義は1996年にロイヤル・ホロウェイ大学 (Royal Holloway University of London) で行われた。 機械学習の紹介と、この分野における様々な理論的進歩と実践的なプロジェクトについて説明する。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This Inaugural Lecture was given at Royal Holloway University of London in 1996. It covers an introduction to machine learning and describes various theoretical advances and practical projects in the field. The Lecture here is presented in its original format, but a few remarks have been added in 2025 to reflect recent developments, and the list of references has been updated to enhance the convenience and accuracy for readers. When did machine learning start? Maybe a good starting point is 1949, when Claude Shannon proposed a learning algorithm for chess-playing programs. Or maybe we should go back to the 1930s when Ronald Fisher developed discriminant analysis - a type of learning where the problem is to construct a decision rule that separates two types of vectors. Or could it be the 18th century when David Hume discussed the idea of induction? Or the 14th century, when William of Ockham formulated the principle of "simplicity" known as "Ockham's razor" (Ockham, by the way, is a small village not far from Royal Holloway). Or it may be that, like almost everything else in Western civilisation and culture, the origin of these ideas lies in the Mediterranean. After all, it was Aristotle who said that "we learn some things only by doing things". The field of machine learning has been greatly influenced by other disciplines and the subject is in itself not a very homogeneous discipline, but includes separate, overlapping subfields. There are many parallel lines of research in ML: inductive learning, neural networks, clustering, and theories of learning. They are all part of the more general field of machine learning.
• Abstract（参考訳）: この最初の講義は1996年にロイヤル・ホロウェイ大学 (Royal Holloway University of London) で行われた。 機械学習の紹介と、この分野における様々な理論的進歩と実践的なプロジェクトについて説明する。 ここでの講義はオリジナルの形式で紹介されているが、最近の発展を反映するために2025年にいくつかの発言が追加されており、読者の利便性と正確性を高めるために参照のリストが更新されている。 機械学習はいつ始まったのか? 1949年、クロード・シャノンはチェスのプログラムの学習アルゴリズムを提案した。 あるいは、1930年代にロナルド・フィッシャー(Ronald Fisher)が差別的分析(差別的分析)を開発し、そこでは2種類のベクトルを分離する決定ルールを構築することが問題となる。 それとも、デービッド・ヒュームが帰納法のアイデアを議論したのは18世紀なのだろうか? あるいは、14世紀にウィリアム・オブ・オッカムが「Ockham's razor」として知られる「simplicity」の原則を定式化したとき(ところでオッカムはロイヤル・ホロウェイから遠くない小さな村である)。 あるいは、西洋文明や文化の他のほとんどと同様に、これらの思想の起源は地中海にあるのかもしれない。 結局のところ、アリストテレスは「我々は物事をすることでのみ学習する」と言った。 機械学習の分野は、他の分野の影響を大きく受けており、その主題はそれ自体は、非常に均質な分野ではなく、別々の重複するサブフィールドを含んでいる。 MLには、インダクティブラーニング、ニューラルネットワーク、クラスタリング、学習理論など、多くの並列的な研究線がある。 これらはすべて、機械学習のより一般的な分野の一部です。

関連論文リスト

• Machine Learning: a Lecture Note [51.31735291774885]
  この講義ノートは、データサイエンスの初等生と博士課程の学生、あるいは機械学習の基礎的アイデアに関する規律を準備することを目的としている。 それは、機械学習の基本的なアイデアから始まり、分類を主なターゲットタスクとする。 これらの基本的な考え方に基づいて、講義ノートは教師なし学習に対する確率論的アプローチを深く探求する。
  論文  参考訳（メタデータ） (2025-05-06T16:03:41Z)
• Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
  人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。 このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。 興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
  論文  参考訳（メタデータ） (2024-03-07T15:12:06Z)
• Why we care (about quantum machine learning) [0.0]
  量子機械学習の焦点は幅広い要因からきており、そのうちのいくつかは規律そのものの外側にある、と私は主張する。 量子機械学習において提起される中核的な質問の概要を概説し、それらの背後にあるモチベーションとそれら間の相互作用の社会的な解釈を提案する。
  論文  参考訳（メタデータ） (2024-01-15T09:21:17Z)
• Heckerthoughts [6.381783966294293]
  この原稿は、スタンフォードとMicrosoft Researchでの私の仕事に関する技術的な回想録です。 基本的な概念は、機械学習と人工知能、これらの概念の応用、そしてそれらの創造の背後にある物語などである。
  論文  参考訳（メタデータ） (2023-02-13T14:42:15Z)
• Navigating causal deep learning [78.572170629379]
  因果ディープラーニング(Causal Deep Learning, CDL)は、機械学習の大きな分野において、新しく重要な研究分野である。 本稿では、パールの因果関係のはしごを越えて、因果関係の深層学習の手法を分類する。 私たちのパラダイムは、研究者がベンチマークを見つけ、メソッドを比較し、そして最も重要なのは、研究のギャップを識別するのを助けるツールです。
  論文  参考訳（メタデータ） (2022-12-01T23:44:23Z)
• Can Machine Learning be Moral? [5.911540700785974]
  複数の社会的文脈における機械学習システムの展開は、これらのシステムの設計、開発、応用に関するより深い倫理的な精査をもたらした。 多くの議論を悩ませている重要な問題は、倫理的に説明可能な機械学習システムを構成するものなのだ。 我々の根本的提案は、教師あり学習が倫理的に保護可能な唯一の機械学習手法であるように見えることである。
  論文  参考訳（メタデータ） (2021-12-13T07:20:50Z)
• Machine Learning and Computational Mathematics [8.160343645537106]
  機械学習がすでにどのような影響を及ぼし、さらに計算数学、科学計算、計算科学に影響を及ぼすかについて論じる。 これらの問題について、最も重要な進展をいくつか紹介する。 私たちの希望は、機械学習と計算数学を統合するのに役立つ視点に物事を組み込むことです。
  論文  参考訳（メタデータ） (2020-09-23T23:16:46Z)
• An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
  本稿では,予測とユーザ知識のための簡易確率モデルを提案する。 説明と予測の間の条件付き相互情報による説明の効果を定量化する。
  論文  参考訳（メタデータ） (2020-03-01T13:06:29Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。