原始数据集拥有自己的世界观？不，其实还是人的世界观

不过，看来并非这样。一切都是象一下，当我们描述我们外围的一件事情的时候，不管是向一个朋友描写一件事情的时候，还是告知计算机关于圆形形的事情的时候，我们均就会冲动不冲动地选项自己指出的最重要的部分，或者选项用什么工具去引导它。

不管我们究竟这么一切都是，我们无时无刻不在想到归类——

正如我们在圆形形的例证中所所见到的那样，所有的选项都使得 某些外观上比其它的外观上极为重要，使得 一些外观上的相差是可见的一些却可被显然，都使得 某些抽象概念变得容易归类有些成为增益点。

是归类的国际标准在描写整个描写。

4 确实的场景

如果我们日后简述确实的机器学习应用，比如监督学习使命中所的能够侦测使命。我们一切都是象有上面一幅视频：

我们一切都是在这样的原始数据集上打注明，因而我们一切都是先对其中所的能够水滴进行注明。其中所的一种注明如下：

这样仍未看起来很实证了，对吗？绝非山腰就是山腰、竹子就是竹子。可是即使这样，同一张布的同一个区域的页面也不太可能不一样，比如这样：

山腰可以形象化名称，竹子也可以形象化“未医用的动植物”。

是的，并未一个相比较的工具去对待每一个水滴、每一个词根或者每一张视频。原始数据集显然特定一段时间空间和必要条件的结果。它们是社就会上的转化，它们有历史观，它们有政客基调。而显然这些就会带来非常现实的灾难性。

那我们应当怎么对待这些信息呢？

一个很差的起点是反思原始数据所在的正则表达式，并且始终 对原始数据保持良好疑惑。

难以去判别一个原始数据集本身的效用——它们是实证的，相比较的，中所立的吗——它不太可能只是反映一种你自己习惯的故事情节。所以表达不止来你自己的故事情节可以告诉你所谓实证原始数据的普遍性。时刻问自己：你对这个世界想到了什么推论？什么是感觉举例来说趣味？什么有些遵从常理？重要的是，对于原始数据集不应当忘记考虑：谁得来的它？为什么就会得来它？谁进去得来了它？所谓的”真值“页面来自哪里？

再次，你甚至则就会眼看在质疑得来原始数据过程中所的某些推论，从而对你的归类使命有极为结构上地表达不止来。

如果对你的原始数据有很多弊端，你就仍未有很差的开端了。

5 学术研究工作团队介绍

People + AI Research (PAIR) 是 Google 的一个跨学科工作团队，通过基础学术研究、构建工具、创始人设计框架以及与多种不同社区合作来追寻人工智能的情感方面。

工作团队的倡导让机器学习发挥其积极潜力，因为它必需具有广为的参与性，系统性到它因素的社区，并由多种不同的国民、税制定立、活动家、艺术家等群体教导。

该工作团队开发新了很多无聊的二维布学交互网页，阐释了很多无聊的AI+不作为或者可解释性的课题。快去于是就吧！

工作团队Facebook：

标题文档：