INNE EBOOKI AUTORA
Autor:
Format:
ibuk
„Uczenie się z danych” to zadania algorytmów inteligencji obliczeniowej. W konsekwencji pozytywnego uczenia się z danych następuje „odkrywanie wiedzy”, czyli budowanie matematycznego modelu obrazującego w ściśle określony sposób zdobytą wiedzę. To jakie zostaną stworzone modele zależy od algorytmów, ich konfiguracji i danych, na których nastąpi uczenie.
Odkrywanie wiedzy z danych, oczekiwane od algorytmów inteligencji obliczeniowej, nie zawsze jest realnie osiągalne. Na szczęście w większości przykładów zastosowań algorytmów inteligencji obliczeniowej wystarcza osiągnięcie pewnego progu poprawności rozwiązania, by móc uznać owo rozwiązanie za satysfakcjonujące i użyteczne w praktyce.
Metody meta-uczenia w inteligencji obliczeniowej powstały jako próba automatyzacji doboru modelu do określonego problemu. Autorzy tych metod starają się aby to, co musiał wykonywać ekspert poddać automatyzacji, a także sprawić, aby w miarę możliwości meta-uczenie mogło działać lepiej niż ekspert. Działanie meta-uczenia można więc widzieć jako inteligentną konsolidację metod inteligencji obliczeniowej, która swą skuteczność może czerpać z analizy danych, analizy działania różnych konfiguracji maszyn uczących, które meta-uczenie samo może budować i testować w działaniu.
Rok wydania | 2014 |
---|---|
Liczba stron | 396 |
Kategoria | Inne |
Wydawca | Akademicka Oficyna Wydawnicza EXIT Andrzej Lang |
ISBN-13 | 978-83-7837-521-0 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
INNE EBOOKI AUTORA
POLECAMY
Ciekawe propozycje
Rozpoznawanie i stymulowanie cech...
do koszyka
AI w strategii: rewolucja sztucznej...
do koszyka
Akcja Gestapo przeciwko polskiej...
do koszyka
Badanie i zarządzanie ryzykiem w...
do koszyka
Spis treści
1. Wprowadzenie | |
2. Od algorytmów uczących się do algorytmów meta-uczenia | |
3. Podstawy meta-uczenia | |
3.1. Kroswalidacja używana do uczenia maszyn | |
3.2. Komitety maszyn i meta-uczenie | |
3.3. Meta-uczenie w oparciu o meta-charakterystyki | |
3.4. Inne metody meta-uczenia | |
3.5. O niewystarczalności różnych koncepcji meta-uczenia | |
4. Uniwersalna architektura systemu inteligencji obliczeniowej | |
4.1. Elementy systemu inteligencji obliczeniowej | |
4.2. Unifikacja maszyn i mechanizm podwójnej pamięci podręcznej maszyn | |
4.3. Dyskowy system pamięci podręcznej | |
4.4. Nadzorowanie procesów losowych i ich wpływu na proces unifikacji | |
4.5. Proces tworzenia maszyny i system kolejkowania zadań | |
4.6. System zbierania i analizy wyników | |
5. Uniwersalna maszyna optymalizacji meta-parametrów (UMOM) | |
5.1. Uniwersalna maszyna optymalizacyjna (UMOM) | |
5.2. Realizacje scenariuszy optymalizacyjnych | |
5.3. Ontologia metod optymalizacji maszyn uczących | |
6. Konstrukcje zaawansowanych algorytmów meta-uczenia | |
6.1. Ogólny schemat algorytmów meta-uczenia | |
6.2. Problem określania konfiguracji meta-uczenia | |
6.3. Funkcyjna forma opisu przestrzeni przeszukiwania w meta-uczeniu | |
6.4. Elementy głównego algorytmu meta-uczenia | |
6.5. Aproksymacja złożoności maszyn uczących | |
6.6. Typy meta-wiedzy | |
6.7. Analiza działania algorytmu meta-uczenia | |
A. Metody testowania algorytmów inteligencji obliczeniowej | |
B. Tabele porównawcze dla porównania metod selekcji instancji | |
Bibliografia | |