บริบท: SysID และควบคุมคนที่เข้า ML
ฉันคิดว่าคำตอบของ user110686ทำงานได้อย่างเป็นธรรมในการอธิบายความแตกต่างบางอย่าง SysID นั้นจำเป็นเกี่ยวกับตัวแบบไดนามิกจากข้อมูลอินพุต / เอาท์พุตในขณะที่ ML ครอบคลุมปัญหาในวงกว้างขึ้น แต่ความแตกต่างที่ใหญ่ที่สุดที่ฉันเห็นคือเกี่ยวกับ (a) หน่วยความจำ (จำนวนพารามิเตอร์); (b) การใช้ปลายทางของโมเดล "เรียนรู้" การระบุระบบเป็นวิธีการประมวลผลสัญญาณอย่างมากโดยพิจารณาจากการแสดงโดเมนความถี่การวิเคราะห์ความถี่และอื่น ๆ คน ML บางคนเรียกสิ่งนี้ว่า "ฟีเจอร์วิศวกรรม"
(ความทรงจำ:SysID มีความโดดเด่นมานานก่อนที่ ML จะเป็นรูปแบบการวิจัย ดังนั้นสถิติและการประมวลผลสัญญาณจึงเป็นพื้นฐานเบื้องต้นสำหรับรากฐานทางทฤษฎีและการคำนวณก็น่ากลัว ดังนั้นคนที่ทำงานกับโมเดลที่เรียบง่ายมาก (Bias-Variance tradeoff) ที่มีพารามิเตอร์น้อยมาก เรากำลังพูดถึงพารามิเตอร์ 30-40 ส่วนใหญ่และแบบจำลองเชิงเส้นส่วนใหญ่แม้ในกรณีที่ผู้คนรู้อย่างชัดเจนว่าปัญหานั้นไม่ใช่แบบเส้นตรง อย่างไรก็ตามการคำนวณตอนนี้ราคาถูกมาก แต่ SysID ยังไม่ได้ออกมาจากเปลือก ผู้คนควรเริ่มตระหนักว่าเรามีเซ็นเซอร์ที่ดีขึ้นมากในขณะนี้สามารถประมาณ 1,000 พารามิเตอร์ด้วยชุดรูปแบบที่หลากหลาย นักวิจัยบางคนพยายามใช้โครงข่ายประสาทเทียมสำหรับ SysID แต่หลายคนดูเหมือนไม่เต็มใจที่จะยอมรับสิ่งเหล่านี้ว่าเป็น "กระแสหลัก" เนื่องจากไม่มีการรับรองทางทฤษฎีมากมาย
(b) การใช้รูปแบบการเรียนรู้ขั้นสุดท้าย:ตอนนี้นี่เป็นสิ่งหนึ่งที่ SysID ได้รับถูกต้องมาก แต่อัลกอริธึม ML จำนวนมากไม่สามารถดักจับได้ เป็นสิ่งสำคัญที่ต้องตระหนักว่าสำหรับแอปพลิเคชันเป้าหมายคุณจำเป็นต้องสร้างแบบจำลองที่สามารถใช้งานได้อย่างมีประสิทธิภาพสำหรับการเพิ่มประสิทธิภาพออนไลน์โมเดลเหล่านี้จะถูกใช้เพื่อเผยแพร่การตัดสินใจควบคุมใด ๆ และเมื่อตั้งค่านี้เป็นปัญหาการควบคุมที่ดีที่สุดโมเดลจะกลายเป็นข้อ จำกัด ดังนั้นเมื่อใช้โครงสร้างแบบจำลองที่ซับซ้อนมากมันทำให้การเพิ่มประสิทธิภาพออนไลน์นั้นยากขึ้นมาก โปรดทราบว่าการตัดสินใจออนไลน์เหล่านี้ใช้เวลาไม่กี่วินาที ทางเลือกที่เสนอคือการเรียนรู้ฟังก์ชั่นคุณค่าโดยตรงในลักษณะเป็นนโยบายนอกเพื่อการควบคุมที่ดีที่สุด นี่คือการเสริมแรงการเรียนรู้โดยทั่วไปและฉันคิดว่ามีการประสานที่ดีระหว่าง SysID และ RL