Изменения

Говорят, что компьютерная Компьютерная '''программа обучается''' на опыте основе опыта $E$ относительно некоторой задачи по отношению к некоторому классу задач $T$ и некоторой меры производительности качества $P$, если ее производительность на качество решения задач из $T$, измеренная измеренное на основе $P$, улучшается с опытом приобретением опыта $E$.

$y ∶ \hat y∶ X → Y$ {{---}} неизвестная зависимость (англ. '''unknown target function''' ''(dependency)'') <br />

'''Дано''' <br />${x_1, . . . , x_l} ⊂ X$ {{---}} обучающая выборка (англ. ''training sample set'') <br />$y_i = \hat y(x_i), i = 1, . . . , l $ {{---}} известные метки классов <br />'''Найти''' <br />Найти $ a ∶ X → Y $ {{---}} алгоритм, решающую функцию (англ. '''decision function'''), приближающую $y$ на всём множестве $X$.=== Признаки ===Компьютер всегда имеет дело с признаковым описанием объектов. ''Например:,'' пациента можно описать признаками: имя, возраст, номер полиса, жалобы, давление, температура, результаты анализов. <br />

* бинарный (''binary''): $D_j = \{0, 1\}$;* номинальный , или категориальный (''categorical): $D_j$ конечно;* упорядоченный (''ordinal''): $D_j$ конечно и упорядоченно;* количественный числовой (''numerical''): $D_j = \mathbb{R}$. т.е. объект представляется как набор признаков $(f_1(x),... ,f_n(x))$. Данные обычно представляются в виде матрицы объектов-признаков

* $Y = \{−1, +1\}$ — классификация на 2 класса;* $Y = \{1, . . . , M\}$ — на $M$ непересекающихся классов;

{{main|Восстановление регрессии|l1=Восстановление регрессии^{[на 28.01.2019 не создан]}}}* $Y = \mathbb{R}$ или $Y = \mathbb{R}^m$.

* $Y$ {{---}} конечное упорядоченное множество.

Тренировочные данные Метки классов $y_i$ доступны все сразу и размечены (известны ответы для поставленной задачи).<br/>''Задачи , которые могут решаться этим способом:'' классификация, регрессия.

Изучает широкий класс задач обработки данных, в которых известны только описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами.Т.е . тренировочные данные доступны все сразу, но ответы для поставленной задачи неизвестны. <br/> ''Задачи, которые могут решаться этим способом:'' кластеризация, нахождение ассоциативных правил, выдача рекомендаций (например , реклама), уменьшение размености размерности датасета.

При обучении с подкреплением, в отличии отличие от обучения с учителем,не предоставляются верные пары "входные данные-ответ", а принятие суб оптимальных субоптимальных решений (дающих локальный экстремум) не ограничивается явно. Обучение с подкреплением пытается найти компромисс между исследованием неизученных областей и применением имеющихся знаний.

Отличается тем, что обучаемый имеет возможность самостоятельно назначать следующий прецедент, который станет известен. Используется Применяется когда получать ответ получение истиной метки для объекта, истинный ответ, очень дорого (очень тяжело)затруднительно. Поэтому алгоритм должен уметь определять, на каких объектах ему надо знать ответ,

* бинарные ''Бинарные признаки {{---}} :'' наличие/отсутствие тех или иных пород на территории района. ;* количественные ''Числовые признаки {{---}} :'' физико-химические свойства пород можно описать количественной характеристикой.

''Обучающая выборка'' состоит из двух классов:* районы известных месторождений ; * похожие районоврайоны, в которых интересующее ископаемое обнаружено не было.

В случае физических лиц признаковое описание состоит из :* анкеты, которую заполняет сам заёмщик;* дополнительной информации, которую банк собирает о нём из собственных источников.

* ''Бинарные признаки:'' пол, наличие телефона. ; * ''Номинальные признаки:'' место проживания, профессия, работодатель. ; * ''Порядковые признаки:'' образование, занимаемая должность. ; * ''Количественные Числовые признаки:''сумма кредита, возраст, стаж работы, доход семьи, размер задолженностей в других банках.

* '''Прогнозирование потребительского спросаЗадачи медицинской диагностики''' <br/>Решается современными супермаркетами и торговыми розничными сетями. Для эффективного управления торговой сетью необходимо прогнозировать объёмы продаж для каждого товара на заданное число дней вперёд. На основе этих прогнозов осуществляется планирование закупок, управление ассортиментом, формирование ценовой политики, планирование промоакций (рекламных кампаний). Специфика задачи в том, что количество товаров может исчисляться десятками или даже сотнями тысяч. Прогнозирование и принятие решений по каждому товару «вручную» просто немыслимо. Исходными данными для прогнозирования являются временные ряды цен и объёмов продаж по товарам и по отдельным магазинам. Современные технологии позволяют снимать эти данные непосредственно с кассовых аппаратов. Для увеличения точности прогнозов необходимо также учитывать различные внешние факторы, влияющие на потребительский спрос: уровень инфляции, погодные условия, рекламные кампании, социально-демографические условия, активность конкурентов. В зависимости от целей анализа в роли ''объектов '' выступают либо товары, либо магазины, либо пары «магазин, товар»пациенты. Ещё одна особенность задачи — несимметричность функции потерь. Если прогноз делается с целью планирования закупокПризнаки характеризуют результаты обследований, то потери от заниженного прогноза существенно выше потерь от завышенногосимптомы заболевания и применявшиеся методы лечения.  * ''Бинарные признаки'Принятие инвестиционных решений на финансовом рынке': пол, наличие головной боли, слабости; * '' <br/>В этой задаче умение хорошо прогнозировать самым непосредственным образом превращается в прибыль. Если инвестор предполагаетПорядковый признак'': тяжесть состояния (удовлетворительное, что цена акции вырастетсредней тяжести, он покупает акциитяжёлое, надеясь продать их позже по более высокой цене. И, наобороткрайне тяжёлое);* ''Числовые признаки:''возраст, прогнозируя падение ценпульс, инвестор продаёт акцииартериальное давление, чтобы впоследствии выкупить их обратно по более низкой цене. Задача инвестора-спекулянта содержание гемоглобина в томкрови, чтобы правильно предугадать направление будущего изменения цены — роста или падениядоза препарата. Большой популярностью пользуются автоматические торговые стратегии -алгоритмы Признаковое описание пациента является, принимающие торговые решения без участия человека. Разработка такого алгоритма — тоже задача обучения с учителем. В роли объектов выступают ситуации, фактическипо сути дела, моменты времениформализованной историей болезни. Описание объекта — это вся предыстория изменения цен и объёмов торгов Накопив достаточное количество данных, зафиксированная к данному моменту. В простейшем случае объекты необходимо можно решать различные задачи:* классифицировать на три класса, соответствующих возможным решениям: купить, продать или выжидать. Обучающей выборкой вид заболевания (дифференциальная диагностика);* определять наиболее целесообразный способ лечения;* предсказывать длительность и исход заболевания;* оценивать риск осложнений;* находить наиболее характерные для настройки торговых стратегий служат исторические данные о движении цен и объёмов за некоторый промежуток времениданного заболевания совокупности симптомов. Критерий качества  Ценность такого рода систем в данной задаче существенно отличается от стандартного функционала средней ошибкитом, поскольку инвестора интересует не точность прогнозированиячто они способны мгновенно анализировать и обобщать огромное количество прецедентов — возможность, а максимизация итоговой прибыли. Современный биржевой технический анализ насчитывает сотни параметрических торговых стратегий, параметры которых принято настраивать по критерию максимума прибыли на выбранном интервале историинедоступная специалисту-врачу.  

#*[https://en.wikipedia.org/wiki/Machine_learning Машинное обучение] Wikipedia {{---}} WikiMachine learning]#*[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2%29 Курс лекций по машинному обучению] machinelearning.ru {{---}} Воронцов Машинное обучение (курс лекций, К.В.Воронцов)]#*[https://newtonew.com/tech/machine-learning-novice Статья "Машинное обучение для чайников"]*[https://golos.io/ru--programmirovanie/@randall/kak-ii-nauchit-vsemu-luchshie-otkrytye-nabory-dannykh-dlya-obucheniya Лучшие наборы данных для обучения]