Реферат На Тему Машинное Обучение
Реферат На Тему Машинное Обучение
Вход
Помощь
Заказать работу
РЕФЕРАТ.docx
— 72.02 Кб ( Скачать файл )
© 2009 — 2020 Я неуч! — тысячи рефератов, курсовых и дипломных работ
Предметы
Поиск
Помощь
Автор работы: Пользователь скрыл имя, 24 Ноября 2013 в 23:23, курсовая работа
Машинное обучение (Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам, или индуктивное обучение, основано на выявлении общих закономерностей по частным эмпирическим данным. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
Введение 1 Общая постановка задачи обучения по прецедентам 2 Основные стандартные типы задач 3 Специфические прикладные задачи 4 Практические сферы применения
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ
БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО
ОБРАЗОВАНИЯ
"САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ
УНИВЕРСИТЕТ
ТЕЛЕКОММУНИКАЦИЙ ИМ. ПРОФ. М.А. БОНЧ-БРУЕВИЧА"
Дисциплина:
«Интеллектуализация управления инфокоммуникационными
системами и сетями»
Курсовая
работа на тему: «Машинное обучение»
Выполнил Карачун А.В. группа ИСТ-91
______________________________ ______
______________________________ ______
1 Общая постановка
задачи обучения по прецедентам
Машинное
обучение (Machine Learning) — обширный подраздел
искусственного интеллекта, изучающий
методы построения алгоритмов, способных
обучаться. Различают два типа обучения.
Обучение по прецедентам, или индуктивное
обучение, основано на выявлении общих
закономерностей по частным эмпирическим
данным. Дедуктивное обучение предполагает
формализацию знаний экспертов и их перенос
в компьютер в виде базы знаний. Дедуктивное
обучение принято относить к области экспертных
систем, поэтому термины машинное обучение
и обучение по прецедентам можно считать
синонимами.
Машинное
обучение находится на стыке математической
статистики, методов оптимизации
и классических математических дисциплин,
но имеет также и собственную
специфику, связанную с проблемами
вычислительной эффективности и
переобучения. Многие методы индуктивного
обучения разрабатывались как альтернатива
классическим статистическим подходам.
Многие методы тесно связаны с
извлечением информации и интеллектуальным
анализом данных (Data Mining).
Наиболее
теоретические разделы машинного
обучения объединены в отдельное
направление, теорию вычислительного
обучения (Computational Learning Theory, COLT).
Машинное
обучение — не только математическая,
но и практическая, инженерная дисциплина.
Чистая теория, как правило, не приводит
сразу к методам и алгоритмам,
применимым на практике. Чтобы заставить
их хорошо работать, приходится изобретать
дополнительные эвристики, компенсирующие
несоответствие сделанных в теории
предположений условиям реальных задач.
Практически ни одно исследование в
машинном обучении не обходится без
эксперимента на модельных или реальных
данных, подтверждающего практическую
работоспособность метода.
1. Общая постановка
задачи обучения по прецедентам
Дано
конечное множество прецедентов (объектов,
ситуаций), по каждому из которых
собраны (измерены) некоторые данные.
Данные о прецеденте называют также
его описанием. Совокупность всех имеющихся
описаний прецедентов называется обучающей
выборкой. Требуется по этим частным
данным выявить общие зависимости,
закономерности, взаимосвязи, присущие
не только этой конкретной выборке, но
вообще всем прецедентам, в том числе
тем, которые ещё не наблюдались.
Говорят также о восстановлении
зависимостей по эмпирическим данным
— этот термин был введён в работах
Вапника и Червоненкиса.
Наиболее
распространённым способом описания прецедентов
является признаковое описание. Фиксируется
совокупность n показателей, измеряемых
у всех прецедентов. Если все n показателей
числовые, то признаковые описания
представляют собой числовые векторы
размерности n. Возможны и более сложные
случаи, когда прецеденты описываются
временными рядами или сигналами, изображениями,
видеорядами, текстами, попарными отношениями
сходства или интенсивности взаимодействия,
и т. д.
Для
решения задачи обучения по прецедентам
в первую очередь фиксируется
модель восстанавливаемой зависимости.
Затем вводится функционал качества,
значение которого показывает, насколько
хорошо модель описывает наблюдаемые
данные. Алгоритм обучения (learning algorithm)
ищет такой набор параметров модели, при
котором функционал качества на заданной
обучающей выборке принимает оптимальное
значение. Процесс настройки (fitting) модели
по выборке данных в большинстве случаев
сводится к применению численных методов
оптимизации.
Замечание
о терминологии. В зарубежных публикациях
термин algorithm употребляется только в указанном
выше смысле, то есть это вычислительная
процедура, которая по обучающей выборке
производит настройку модели. Выходом
алгоритма обучения является функция,
аппроксимирующая неизвестную (восстанавливаемую)
зависимость. В задачах классификации
аппроксимирующую функцию принято называть
классификатором (classifier), концептом (concept)
или гипотезой (hypothesys); в задачах восстановления
регрессии — функцией регрессии; иногда
просто функцией. В русскоязычной литературе
аппроксимирующую функцию также называют
алгоритмом, подчёркивая, что и она должна
допускать эффективную компьютерную реализацию.
При
обучении с учителем — функционал
качества может определяться как
средняя ошибка ответов. Предполагается,
что искомый алгоритм должен его
минимизировать. Для предотвращения
переобучения в минимизируемый функционал
качества часто в явном или неявном виде
добавляют регуляризатор.
При обучении без учителя
— функционалы качества могут
определяться по-разному, например, как
отношение средних межкластерных
и внутрикластерных расстояний.
При
обучении с подкреплением — функционалы
качества определяются физической средой,
показывающей качество приспособления
агента.
Некоторые
задачи, возникающие в прикладных
областях, имеют черты сразу нескольких
стандартных типов задач обучения,
поэтому их трудно однозначно отнести
к какому-то одному типу.
Формирование
инвестиционного портфеля (portfolio selection)
— это динамическое обучение с подкреплением,
в котором очень важен отбор информативных
признаков. Роль признаков играют финансовые
инструменты. Состав оптимального набора
признаков (портфеля) может изменяться
со временем. Функционалом качества является
долгосрочная прибыль от инвестирования
в данную стратегию управления портфелем.
Коллаборативная
фильтрация (collaborative filtering) — это прогнозирование
предпочтений пользователей на основе
их прежних предпочтений и предпочтений
схожих пользователей. Применяются элементы
классификации, кластеризации и восполнения
пропущенных данных.
Целью
машинного обучения является частичная
или полная автоматизация решения сложных
профессиональных задач в самых разных
областях человеческой деятельности.
Машинное обучение имеет широкий спектр
приложений:
Реферат . Машинное обучение - PDF Скачать Бесплатно
Введение в машинное обучение / Хабр
Научно-исследовательская работа обучающегося " Машинное ..."
Реферат Машинное обучение
Машинное обучение – тема научной статьи по компьютерным...
Управление Портфелем Проектов Реферат
Сочинение На Тему Встреча С Морем
Инновационные Технологии В Строительстве Реферат
Роль Антитезы В Романе Евгений Онегин Сочинение
Контрольная Работа По Математике Деление