本书其他地方将讨论机器学习（l e a r n）的方法。本章将讨论S R 机器执行动作的选择计算是
　　如何通过与每个输入的适当的动作配对的一组输入实例来学习的。虽然存在许多不同的可用的
　　计算结构，但在这儿将集中讨论具有可调节权值的T L U 网络。网络系统通过不断调节权值，直
　　至其动作计算表现令人满意来完成学习。如上一章所述，T L U 网络称为神经网络（n e u r a l
　　n e t w o r k）是因为它模仿了生物神经元的一些特性。这里不讨论神经网络与大脑或部分大脑功能
　　的关系，而是把这些网络严格地视为有趣且有用的工程设备。
　　考虑以下学习问题：给定一个由n 维向量X 组成的集合X ，分量为x i ，i等于 1 ， 。 。 。 ，n 。这些向量将
　　是由一个响应a g e n t 的感知处理单元计算出的特征向量。这些分量的值可以是数值，也可以是
　　布尔值（如前所述）。也已知集合X 中每个X 所对应的恰当的动作a 。这些动作也许是学习者所
　　观察到的一个教师对一组输入的响应。这些相关的动作有时称为向量的“标号（l a b e l ）”或
　　“类别（c l a s s）”。集合X 与相应的标号组成了“训练集合（training set）”。机器学习的问题就是寻
　　找一个函数，如f （X） ，“令人满意地”与训练集合的成员相对应。通常，我们希望，由f 计算出
　　的动作尽可能与X 中向量的标号一致。因为同时给出了标号和输入向量，所以我们认为这一学
　　习过程“受到监控”。
　　即使能找到一个可对训练集合做出正确响应的函数，我们又有何理由相信它能对训练过程
　　中未遇到过的输入做出正确的响应呢？一些实验证据证明它可以，另外，还有一种理论证明：
　　（在一定条件下）若此训练集合对于其他可能会遇到的输入种类来说具备“代表性”，那么，这
　　些输入“可能”会“引发”“几乎正确”的输出。有关此论题的其他论述，请参阅有关“可能
　　接近正确（p robably approximately corre c t， PA C ）”的机器学习理论【Kearns amp ； Vazirani 1994 ，
　　Haussler 1998 ，Haussler 1990】。实际上，许多方法可用来评测一个已学习过的函数对相似（但
　　尚未觉察）输入的反应的准确程度。