Обсуждение:Принцип эмпирической индукции Бэкона в машинном обучении

Задача: Написать глубокую и объемную статью "Принцип эмпирической индукции Бэкона в машинном обучении" для энциклопедии MachineLearning.ru. Формат: MediaWiki-разметка. Математику строго оборачивать в теги <tex>...</tex>. Модель: Gemini 3.1 Pro Preview. Ограничения и структура: 1. Введение: связь эмпирической индукции и парадигмы обучения по прецедентам. 2. Исторический контекст: Фрэнсис Бэкон, "Таблицы открытия" как прообраз датасетов. 3. Формализация идей: описать переход от философии к математике (выборка X^\ell, признаки f_j(x)). 4. Минимизация эмпирического риска: ЯВНО прописать формулу эмпирического риска Q(w) и функции потерь \mathcal{L}. 5. Автоматизация научного метода: провести аналогию шагов познания (Верификация Бэкона -> Обучение/ERM; Фальсифицируемость Поппера -> Кросс-валидация и ошибка на тесте X^k).

ОБЯЗАТЕЛЬНАЯ СТРУКТУРА СТАТЬИ И ТРЕБОВАНИЯ К ОФОРМЛЕНИЮ: В самом начале исходного кода строго выведи три строки: {{well|Статья написана с использованием LLM '''Gemini 3.1 Pro Preview''' и проверена участником ~~~~}} Промпт приводится полностью в Обсуждение:Принцип эмпирической индукции Бэкона в машинном обучении {{TOCright}}

== Введение == Дай чёткое определение концепции. Напиши, что машинное обучение — это алгоритмическая автоматизация индуктивного метода (вывод общего правила из частного набора прецедентов).

== Исторический контекст и «Таблицы открытия» == Расскажи про Фрэнсис Бэкона, его труд "Новый Органон" (1620) и критику дедукции Аристотеля. Подробно опиши его "Таблицы открытия" (таблицы присутствия, отсутствия и степеней) и покажи, как они концептуально предвосхитили современные датасеты (матрицы объект-признак, бинарную классификацию и регрессию).

== Математическая формализация: от индукции к эмпирическому риску == Переведи философию Бэкона на строгий язык математики, используя обозначения из лекций К.В. Воронцова: 1. Задай обучающую выборку X^\ell = { (x_1, y_1), ..., (x_\ell, y_\ell) }. 2. Задай признаки объектов f_j(x) и параметрическое семейство моделей a(x, w). 3. Объясни, как поиск бэконовской "формы" (закона) сводится к принципу минимизации эмпирического риска (ERM). Выведи формулу эмпирического риска Q(w) через функцию потерь \mathcal{L}(a(x,w), y).

== Автоматизация научного метода: от Бэкона к Попперу == Объясни, почему чистая индукция ведет к переобучению (overfitting). Покажи, как в современном ML решается конфликт между верификацией по Бэкону (обучение на train-выборке) и фальсифицируемостью по Карлу Попперу (проверка обобщающей способности на независимой test-выборке X^k). Выведи формулу ошибки на тесте Q_{test}(w).

== См. также == Добавь ссылки на внутренние статьи портала: Минимизация эмпирического риска, Переобучение, Скользящий контроль.

== Примечания == Добавь только тег.

== Литература == Укажи 2-3 источника (Новый Органон Бэкона, лекции Воронцова).

КРИТИЧЕСКИ ВАЖНЫЕ ПРАВИЛА ФОРМАТИРОВАНИЯ (MediaWiki):

• Движок сайта КАТЕГОРИЧЕСКИ не поддерживает маркдаун (знаки доллара $). Их использование ЗАПРЕЩЕНО.
• Абсолютно все переменные, индексы и формулы в тексте должны быть строго внутри HTML-подобных тегов <tex>...</tex> (например: X^\ell, y_i, a(x,w)).
• Выключные (отдельные) формулы начинай с двойного двоеточия: ::<tex>...</tex>
• Везде используй букву "ё".

Пожалуйста, перепиши статью заново, выполнив следующие важные доработки:

1. Упрости язык изложения: сделай предложения короче, замени избыточные философские нагромождения (вроде "эпистемологический сдвиг", "гносеологическая парадигма") на более простые и понятные для студентов формулировки. Текст должен читаться легко и интересно, но при этом сохранять строгий академический стиль. 2. Углуби структуру статьи: разбей основные разделы на подразделы, используя заголовки третьего уровня (=== Название ===). Это сделано для того, чтобы автоматическое оглавление (Содержание) статьи на портале стало древовидным, подробным и структурированным.

• Обязательно выдели в отдельные подразделы: критику Аристотеля Бэконом, подробный разбор его трёх таблиц открытия (присутствия, отсутствия, степеней), математическое описание выборки и признаков, аналогию между четырьмя "идолами разума" Бэкона и систематическими смещениями данных (data bias) / переобучением в машинном обучении.

3. Полностью сохрани всю математическую строгость и все формулы (формулу эмпирического риска, ошибку на тестовой выборке). 4. Строго соблюдай технические ограничения форматирования MediaWiki:

• Абсолютно все переменные, индексы и формулы (включая одиночные латинские буквы X, Y, a, w, M, h, l, k, d) в тексте оберни в теги <tex>...</tex>.
• Выключные формулы начни с двойного двоеточия: ::...
• Списки оформляй только через вики-звёздочки (*).
• Запрещено использовать обратные апострофы (backticks) и маркдаун-код.
• Строго используй букву "ё".

Пожалуйста, перепиши статью заново, исправив ТОЛЬКО следующие технические косяки оформления (весь текст, стиль изложения, логику и примеры оставь абсолютно нетронутыми!):

1. Убери "страшные синие рамочки": Движок MediaWiki ломается, если перед строкой стоит хотя бы один пробел. Категорически запрещено ставить пробелы перед звёздочками списков (например, " * Таблица" или " * Идолы"). Начни все пункты списков СТРОГО с начала строки с символа "*" без единого пробела перед ним. 2. Перенеси оглавление налево: Удали тег {{TOCright}} из самого начала кода статьи. Оглавление должно встать на свое стандартное место слева перед текстом. 3. Исправь пропущенные теги: Ты всё ещё пропустила много одиночных латинских переменных (таких как X, Y, a, w, M, h, l, k, d) внутри предложений. Пожалуйста, найди абсолютно каждую математическую переменную, индекс и формулу в тексте и аккуратно оберни их в теги <tex>...</tex>. Например: <tex>X</tex>, <tex>M</tex>, <tex>y_i = -1</tex>. 4. Запрещено использовать обратные апострофы (backticks) и маркдаун-код.