Общие понятия — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
м (Save)
м (Save)
Строка 11: Строка 11:
 
}}
 
}}
 
T.M. Mitchell Machine Learning. McGraw-Hill, 1997.
 
T.M. Mitchell Machine Learning. McGraw-Hill, 1997.
 
  
 
== Задача обучения ==
 
== Задача обучения ==
Строка 17: Строка 16:
 
$Y$ {{---}} множество ответов (англ. '''label set''', or ''output set'') <br />
 
$Y$ {{---}} множество ответов (англ. '''label set''', or ''output set'') <br />
 
$y ∶ X → Y$ {{---}} неизвестная зависимость  (англ. '''unknown target function (dependency)''') <br />
 
$y ∶ X → Y$ {{---}} неизвестная зависимость  (англ. '''unknown target function (dependency)''') <br />
 +
 +
Компьютер всегда имеет дело с признаковым описанием объектов. ''Например:'' пациента можно описать признаками: имя, возраст, номер полиса, жалобы, давление, температура, результаты анализов. <br />
 +
$f_j∶ X → D_j,j = 1, ... , n$ are (англ. '''features''', or ''attributes'')
 +
 +
Типы признаков:
 +
• Бинарный: $D_j = {0, 1}$
 +
• categorical: Dj is finite;
 +
• ordinal: Dj is finite and ordered;
 +
• numerical: Dj = R.
 
==== Дано ====
 
==== Дано ====
 
${x_1, . . . , x_l} ⊂ X$ {{---}} обучающая выбока (англ. ''training sample set'') <br />
 
${x_1, . . . , x_l} ⊂ X$ {{---}} обучающая выбока (англ. ''training sample set'') <br />
Строка 22: Строка 30:
 
==== Найти ====  
 
==== Найти ====  
 
Найти $ a ∶ X → Y $ {{---}} алгоритм, решающую функцию (англ. '''decision function'''), приближающую $y$ на всём множестве $X$.
 
Найти $ a ∶ X → Y $ {{---}} алгоритм, решающую функцию (англ. '''decision function'''), приближающую $y$ на всём множестве $X$.
 
  
 
== Классификация задач машинного обучения ==
 
== Классификация задач машинного обучения ==

Версия 05:12, 24 января 2019

Понятие машинного обучения в искусственном интеллекте

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.

Задача обучения

$X$ — множество объектов (англ. object set, or input set)
$Y$ — множество ответов (англ. label set, or output set)
$y ∶ X → Y$ — неизвестная зависимость (англ. unknown target function (dependency))

Компьютер всегда имеет дело с признаковым описанием объектов. Например: пациента можно описать признаками: имя, возраст, номер полиса, жалобы, давление, температура, результаты анализов.
$f_j∶ X → D_j,j = 1, ... , n$ are (англ. features, or attributes)

Типы признаков: • Бинарный: $D_j = {0, 1}$ • categorical: Dj is finite; • ordinal: Dj is finite and ordered; • numerical: Dj = R.

Дано

${x_1, . . . , x_l} ⊂ X$ — обучающая выбока (англ. training sample set)
$y_i = y(x_i), i = 1, . . . , l $ — известные ответы

Найти

Найти $ a ∶ X → Y $ — алгоритм, решающую функцию (англ. decision function), приближающую $y$ на всём множестве $X$.

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)

Обучение с учителем (англ. Supervised learning)

Обучение без учителя (англ. Unsupervised learning)

Обучение с частичным привлечением учителя (англ. Semi-supervised learning)

Обучение с подкреплением (англ. Reinforcement learning)

Активное обучение (англ. Active learning)

Обучение в реальном времени (англ. Online learning)

Структурное предсказание (англ. Structured prediction)

Выбор модели и валидация (англ. Model selection and validation)

Примеры задач

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. Wiki $-$ Машинное обучение
  2. Курс К.В.Воронцова