Общие понятия — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
м (Save)
м (Save)
Строка 11: Строка 11:
 
'''Машинное обучение''' (англ. ''Machine learning'') {{---}} процесс, который даёт возможность компьютерам обучаться выполнять что-то без явного написания кода.
 
'''Машинное обучение''' (англ. ''Machine learning'') {{---}} процесс, который даёт возможность компьютерам обучаться выполнять что-то без явного написания кода.
 
}}
 
}}
A.L. Samuel Some Studies in Machine Learning Using the
+
A.L. Samuel Some Studies in Machine Learning Using the Game of Checkers // IBM Journal. July 1959. P. 210–229.
Game of Checkers // IBM Journal. July 1959. P. 210–229.
 
  
 
{{Определение
 
{{Определение
 
|definition=
 
|definition=
Говорят, что компьютерная программа '''учится''' на опыте $E$ относительно некоторой задачи $T$ и некоторой меры производительности $P$, если ее производительность на T, измеренная P, улучшается с опытом <tex>E</tex>.
+
Говорят, что компьютерная '''программа учится''' на опыте $E$ относительно некоторой задачи $T$ и некоторой меры производительности $P$, если ее производительность на $T$, измеренная $P$, улучшается с опытом $E$.
 
}}
 
}}
 
 
 
T.M. Mitchell Machine Learning. McGraw-Hill, 1997.
 
T.M. Mitchell Machine Learning. McGraw-Hill, 1997.
 
-----
 
-----

Версия 04:12, 24 января 2019

WARNING

СТАТЬЯ В АКТИВНОЙ РАЗРАБОТКЕ


О чём писать

Объекты и признаки, классификация задач и подходов (с учителем и тд, классификация и тд), примеры задач

Машинное обучение

Определение:
Машинное обучение (англ. Machine learning) — процесс, который даёт возможность компьютерам обучаться выполнять что-то без явного написания кода.

A.L. Samuel Some Studies in Machine Learning Using the Game of Checkers // IBM Journal. July 1959. P. 210–229.


Определение:
Говорят, что компьютерная программа учится на опыте $E$ относительно некоторой задачи $T$ и некоторой меры производительности $P$, если ее производительность на $T$, измеренная $P$, улучшается с опытом $E$.

T.M. Mitchell Machine Learning. McGraw-Hill, 1997.


Классификация задач машинного обучения

  1. Обучение с учителем (англ. Supervised learning)
  2. Обучение без учителя (англ. Unsupervised learning)
  3. Обучение с частичным привлечением учителя (англ. Semi-supervised learning)
  4. Обучение с подкреплением (англ. Reinforcement learning)
  5. Активное обучение (англ. Active learning)
  6. Обучение в реальном времени (англ. Online learning)
  7. Структурное предсказание (англ. Structured prediction)
  8. Выбор модели и валидация (англ. Model selection and validation)


Supervised learning A set of examples with answers is given. A rule for giving answers for all possible examples is required: • classification; • regression; • learning to rank; • forecasting.


Unsupervised learning A set of examples without answers is given. A rule for finding answers or some regularity is required: • clustering; • association rules learning; • recommender systems*; • dimension reduction**.


How are the objects described? f j ∶ X → D j , j = 1, ... , n are features or attributes. Feature types: • binary: D j = 0, 1 ; • categorical: D j is finite; • ordinal: D j is finite and ordered; • numerical: D j = R.


См. также

Примечания

Источники информации

  1. [1] $-$ курс лекций Воронцова