是的，PAC 学习可能与实践相关。有一个研究领域结合了 PAC 学习和贝叶斯学习，称为PAC-贝叶斯（或PAC-贝叶斯）学习，其目标是为贝叶斯估计器找到类似 PAC 的界限。

例如， Benjamin Guedj的论文Aprimer on PAC-Bayesian learning (2019) 中的定理 1（McAllester 界）对该主题进行了很好的概述，显示了可用于设计贝叶斯估计器的特定界。PAC-Bayes 的一个优点是您可以限制贝叶斯估计器的泛化能力，因此您不一定需要在测试数据集上测试您的估计器。论文的第 5 节和第 6 节详细介绍了 PAC-Bayes 的实际应用。

参见如多数投票的风险界限：从 PAC-贝叶斯分析到学习算法(2015)，P. Germain 等人。对于 PAC-Bayes 的特定应用。还有相关的 Python 实现。

另请参阅这些相关幻灯片和此博客文章（由同一作者和 John Shawe-Taylor 撰写），它们将指向他们有关该主题的视频教程。

VC 维度在实践中也很有用。例如，在论文Model Selection via the VC Dimension (2019) M. Mpoudeu 等人中。描述了一种基于VC维度的模型选择方法。