第758章流形学习
姚梦娜提出的这个问题，对于常浩南来说，不难理解。
只是很难解决。
真要说起来的话，这涉及到文本挖掘、数据可视化、信息检索、数据挖掘、机器学习乃至人工智能等一系列问题。
如果真做到姚梦娜所设想的那样全自动化生产，那就是工业4。o了。
在1999年这个时间点上，显然不大现实。
但不可能完全实现这一整套东西，并不意味着其中没有可以作为突破口的部分。
比如数据挖掘和信息检索，就是千禧年附近很火热的研究方向。
其核心目的是从海量数据库和大量繁杂信息中提取出有价值的知识，并进一步提高信息的利用率。
实际上，在常浩南重生之前，飞机设计和制造领域已经开始应用这方面的技术，他本人也接触过不少。
但当年的他作为一个工科出身的普通技术人员，并没有太多理论功底。
而系统，则先需要构建出一个完整且可行的思路出来。
这就导致如今他脑子里空有一大堆名词，但却不知道哪個是破局的关键——
实际上，他此时就面临着无法从大量繁杂信息中提取出有价值信息的困境。
“信息……”
常浩南从旁边扯过一张纸，在纸的最中间写下了两个字。
在理想化的模型中，最好是一个数据就可以精确且唯一地描述一个含义。
也就是一维数据。
小学和中学时候做的应用题，大体上就是这样。
实际生活中面临的，其实大多数也是这种问题。
而对于稍复杂一些的情况来说，要完全描述一个含义，往往需要一组数据。
但与此同时，这一组数据又往往不只能描述这一个含义。
要想在数学上描述这种一组（多个）数据对应多个含义的现象，就需要将一组数据在不同的维度上进行展开。
这是由数学理论推向现实的情况。
而反过来，现实中收集到的信息，在多数情况下，本身就是已经展开过的高维数据。
而如果想要让计算机处理这些高维数据……
常浩南思索半晌，又在纸上写下了三个基本条件：
1、对原始高维数据进行压缩，降低原始高维数据的维度，进而节省存储空间，同时也降低高维数据的计算复杂度。
2、消除，或者至少降低隐藏在原始高维数据中的噪声。
3、提取到高质量的数据特征，提升后续的数据表示和分类任务的效果。
他在脑子里把这三条内容过了一下，然后试图让系统给出一个结果。
没有反应。
显然，这并不能被算作是“完整且可行”的思路。