Методические указания к лабораторным занятиям Интеллектуальные системы обработки информации и машинное обучение Ставрополь, 2017
Download 4.3 Mb. Pdf ko'rish
|
78Metod IntelectSysObrInf 10.05.03 12.02.2017
- Bu sahifa navigatsiya:
- Машинное обучение
|
5.5. Понятие машинного обучения.
Изучение алгоритмов, которые позволяют компьютерам развивать их представления и базы знаний называется машинным обучением. Исследования по этой теме начались еще в середине 1950- х годов. Первые значительные успехи принадлежат программе Артура Самьюэла, которая играла в шашки на уровне профессионала. Она выбирала наиболее подходящий ход исходя из сложившейся ситуации и использовала математические функции, 16 параметров 21 5 которых описывали позиции на доске. Программа развивала их представление через выяснение значимости ходов для выбора наиболее удачных ходов. Машинное обучение появилось как отдельная область исследований, приблизительно в 1980 и с тех пор была темой семинаров, конференций и журнала "Машинное Обучение", который появился в 1986 году. Многочисленные технологии развивались чтобы позволить компьютерам учиться разными путями. Хотя не было единой теории обучения, различные подходы доказывались вычислительно сильно и когнитивно интересно. Машинное обучение (англ. MachineLearning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам (индуктивное обучение) основано на выявлении закономерностей в эмпирических данных. 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 дискретной математики, 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 21 6 тесно связаны с интеллектуальным анализом данных (DataMining). Различаюттриосновныхнаправления в машинном обучении: обучение на примерах, искусственные нейронные сети, генетические алгоритмы. Хотя вместе эти подходы не предлагают полной теории того, как люди и машины учатся, но они представили строгие описания обучения, которые были проверены на компьютерную силу и психологическое соответствие (релевантность). Каждый из этих подходов может быть охарактеризован в терминах ввода, вывода, алгоритмов и приложений. Разные подходы к машинному обучению получили разные приложения к практическим проблемам и когнитивному моделированию. Кратко охарактеризуем каждый подход. Download 4.3 Mb. Do'stlaringiz bilan baham: 
|