S01.md · 可读全文

这里保留原文的中文、公式标记、代码和链接。可直接交给 Agent 读取，也可选取下方原文复制。此入口返回 HTML；原始 .md / .py 文件仍保留，完整候选包同时包含 UTF-8 原件。

# S01 · 统计系统已经在从数据学习

可工作的传统系统并非所有规则都由人逐条写下。大量文本已为双语对应和目标表达提供统计证据。

<span id="s01-b0"></span>

## 状态 b0

平行语料学习翻译对应与重排，单语语料帮助评价目标表达；Google在2006年已公开其统计翻译系统。

## 公式与算例详情

Google 2006年4月28日官方文章《Statistical machine translation live》说明了利用双语及单语文本训练统计翻译系统的路线。课堂把它放在传统流程已经成立之后，用于解释学习来源，而不是编造一条2006同题输出。

平行语料使系统观察源与目标如何对应；单语目标文本帮助估计目标语言规律。上下文也不是神经网络的专属能力。接下来改变的是统计共享与表示方式。

### 继续学习

[把预测、训练与评价摊在同一张样本表上](https://codingai-lec05.pages.dev/course/knowledge/objectives-and-evaluation.html) · [LAB01：B · 同一预测目标，三个模型；训练一次，生成多次](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/Fall-26-Lecture-05-841ec8e7-e352-4840-b628-d3742b03d6d0/notebook/LAB-01-ec403d28cc2c400ba661cd270588669f?utm_content=ec403d28cc2c400ba661cd270588669f&utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_term=get_notebook)

[从2017计算图到2020组合，再看持续状态系统](https://codingai-lec05.pages.dev/course/knowledge/architecture-choices-and-state.html) · [LAB02：接着研究 · 哪个实验最便宜，又能区分解释？](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/Fall-26-Lecture-05-841ec8e7-e352-4840-b628-d3742b03d6d0/notebook/LAB-02-bba1d024d8e64a589c290b09381de692?utm_content=bba1d024d8e64a589c290b09381de692&utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_term=get_notebook)

保留的完整推导：[R03](course/R03.html)。

### 原始来源

- [https://research.google/blog/statistical-machine-translation-live/](https://research.google/blog/statistical-machine-translation-live/)：本页说明所列原版本。本页原始出处与适用条件见正文