《人工智能》19.5：深度解析PAC学习理论与样本复杂性

19.5 机器学习理论阅读前导在熟悉了模型选择、损失函数、正则化及超参数调整等机器学习实践流程后，本节将视角从“如何操作”升华为“为何可行”以及“存在何种根本性制约”。它为之前讨论的所有方法提供了坚实的数学保证和边界界定。AI导读1. 探究学习理论的必要性教材内容我们如何确信所学的假设能精准预测未观测的数据？即在不知晓目标函数 f 的情况下，如何判断假设 h 是否逼近 f？这一命题历史悠久，奥卡姆、休谟等学者皆有涉猎。近几十年来，新挑战接踵而至：获取优质假设需要多少样本？应选择何种假设空间？若空间复杂，能