Ohjattu oppiminen

Valvottu oppiminen on tekniikka automaattisen oppimisen, jonka tarkoituksena on ohjata tietokonejärjestelmään, jotta se voi ratkaista tehtäviä itsenäisesti perusteella sarjan ihanteellinen esimerkkejä, koostuvat paria tulon ja halutun tehon, jotka ovat alun perin.

Ohjattu oppiminen algoritmit voidaan käyttää useilla eri toimialoilla. Esimerkkiä koskevat lääketieteen alalla, jossa voit ennustaa puhkeamisen kriisin erityisesti saatujen kokemusten biometristen tietojen, äänen tunnistus, joka parantaa perusteella yleisön ääntä ohi, tunnistaminen käsiala että täydelliseksi havaintoihin esimerkkien kohdistuu käyttäjän.

Kuvaus

Tavoitteena on järjestelmä, joka perustuu ohjattua oppimista on tuottaa induktiivinen hypoteesi, joka on funktio pystyy tuottamaan tulokset syötetään vaiheen aikana esimerkin ja pystyy lähestymään toivottuja tuloksia kaikkien esimerkkien ei ole säädetty.

Looginen Komponentit

Loogisesti näkökulmasta, klassinen täytäntöönpano ohjattua oppimista koostuu:

  • Ja kokea joukko, joka sisältää esimerkkejä käyttäytymisestä haluat järjestelmän. Se on edustettuina joukko paria panos-tuotos.
  • Tulot, jotka ovat panoksia järjestelmään ja jotka ovat tyypillisesti muodossa vektorit.
  • Tai että tuotokset antavat vastauksia järjestelmän ja joka voi olla muodoltaan jatkuvia arvoja tai numeerinen etiketti.
  • Yksi toiminto, kutsutaan induktio-oletuksen, että tiettynä panos tunnen oikean vastauksen hypoteettinen järjestelmä O. on osa järjestelmää, joka tarvitsee vaihtaa optimoimiseksi tehokkuutta sen käyttäytymistä.
  • Hb hypoteettinen toiminto nimeltään kohdefunktio, joka milloin tahansa tulon tunnen oikean vastauksen haluttu suunnittelija-käyttäjä. Se on teoreettinen virallistaminen tahdon suunnittelija-käyttäjä.
  • Hyötysuhde parametri F, joka edustaa järjestelmän tehokkuutta. Yleensä sama tulo, koostuu ero tuotannon välillä hän ja hb.

Yleiset toiminnot

Kaikki valvotut oppimisen algoritmeja olettaa, että jos tarjoamme järjestelmä riittävä määrä esimerkkejä, tämä kertyy kokemusta ja riittävä, jotta hän voi luoda funktion oli riittävä lähentää toiminto hb. Koska samankaltaisuus toimintojen ja on HB, kun ehdotamme järjestelmän lähtötietoja ei ole läsnä hänen kokemuksensa ja, toiminto olisi voitava lähentää riittävän tarkasti toiminto hb ja antaa vastauksia tai riittävän tyydyttävä.

Tämän saavuttamiseksi järjestelmä käyttää kahta periaatetta, jotka ovat usein yksi jakelu- ja todennäköisyys toiminto. Kun olet tunnistanut matemaattinen jakelu joka yhdistää arvojen muuttaminen syöttöarvot halutun lähdön järjestelmä valitsee parametrit maksimoida todennäköisyys tietojen ja ilmaisee todennäköisyyttä toimi kunnolla.

Huomioita

Monet näistä algoritmit tehokkaammin, jos he työskentelevät lineaarinen maailmassa, olettaen että samanlainen panoksia vastaamaan vastaavia tuotoksia. On monia olosuhteita, joissa tällainen lähentäminen on hyväksyttävä, mutta ei ole aina niin. Arvio uskottavuusfunktio palvelee lieventää ongelmia, jotka johtuvat hoidon ongelmista ei täysin lineaarinen.

Yksi voi helposti kuvitella, että sujuvan ja tehokkaan toiminnan näiden algoritmien riippuu merkittävästi kokemus; jos annat vähän kokemusta, algoritmi ei voinut luoda sisäinen toimivat tehokkaasti, kun taas liiallinen sisäinen toiminto voisi tulla hyvin monimutkainen kuin tehdä hidastaa algoritmin suorituksen.

Nämä algoritmit ovat hyvin herkkiä melulle, vaikka muutama huono tietoja voitaisiin tehdä koko järjestelmän ei ole luotettava ja johtaa vääriin päätöksiin. Ratkaisu tähän ongelmaan on liittää ne ohjaimet, jotka perustuvat sumean logiikan.

Perinteisesti tärkein algoritmit olivat:

  • Päätös puu
  • Päätös säännöt
  • Asiantuntijajärjestelmiä

Nykyinen tutkimus keskittyy siihen, mitä pidetään kahteen pääluokkaan algoritmien mahdollista:

  • Generative Menetelmät
  • Discriminative menetelmät

Generatiivinen menetelmät perustuvat luomaan tietomalli, jota sitten käytetään ennustaa vastauksia haluat. Esimerkkejä ovat Bayes-verkot tai yleisemmin graafisia kuvioita.

Erottelevia menetelmät päinvastoin pyritään suoraan mallin välistä suhdetta tulon datan ja lähtö, niin, että minimoidaan tappiofunktion. Esimerkkejä tämän tyyppisestä mallista ovat tukivektorikone ja yleisemmin perustuvat menetelmät ytimen toimintoja.

  0   0
Edellinen artikkeli Romanov Juhlavuoden
Seuraava artikkeli Cobitis bilineata

Kommentit - 0

Ei kommentteja

Lisääkommentti

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Merkkiä jäljellä: 3000
captcha