Nie ma mowy, wszystkie modele ML nie polegają na zrozumieniu zjawiska, są to metody interpolacji z nadzieją, że „zadziała”. Zacznij od takich pytań pewność siebie, odporność na hałas nie ma odpowiedzi.
Aby więc coś uzyskać, skorzystaj z różnych stosowanych i podstawowych nauk:
Użyj kontroli (i załóż dynamikę)
Użyj optymalizacji wypukłej (z dodatkowym warunkiem funkcji)
Użyj statystyki matematycznej (ze wstępnymi założeniami dotyczącymi dystrybucji)
Użyj przetwarzania sygnału (przy niektórych założeniach, że sygnał ma ograniczone pasmo)
Naukowcy używają pewnych wstępnych założeń (zwanych aksjomatami), aby coś wyprowadzić.
Nie ma sposobu, aby dać jakiekolwiek zaufanie bez pewnych wstępnych założeń, więc problem nie występuje w DL mehtod, ale jest to problem w każdej metodzie, która próbuje interpolować bez ŻADNEGO wstępnego założenia - nie ma sposobu, aby uzyskać algebrę inteligentnie bez założenia.
NN i różne metody ML służą do szybkiego prototypowania w celu stworzenia „czegoś”, co wydaje się działać „jakoś” sprawdzone przy weryfikacji krzyżowej.
Jeszcze głębiej regresja dopasowuje E [Y | X] lub jej oszacowanie może być absolutnie niepoprawnym problemem do rozwiązania (być może pdf w punkcie Y = E [Y | X] ma minimum, a nie maksimum), a jest wiele takich subtelnych rzeczy
Przypomnę też dwa nierozwiązywalne problemy w AI / ML, o których z pewnych powodów można zapomnieć, za hasłami piękna:
(1) To metody interpolacji, a nie ekstrapolacji - nie ma możliwości radzenia sobie z nowymi problemami
(2) nikt nie wie, jak zachowa się każdy model na danych, które nie pochodzą z tej samej dystrybucji (mężczyzna w kostiumie banana do lokalizacji pieszych)