Базы знаний как современные интеллектуальные информационные системы

1) Обучение с учителем - для каждого прецедента задаётся  пара «ситуация, требуемое решение»:

- Метод коррекции ошибки

- Метод обратного распространения  ошибки

2) Обучение без учителя  - для каждого прецедента задаётся  только «ситуация», требуется сгруппировать  объекты в кластеры, используя  данные о попарном сходстве объектов, и/или понизить размерность данных:

- Альфа-система подкрепления

- Гамма-система подкрепления

- Метод ближайших соседей

3) Обучение с подкреплением  - для каждого прецедента имеется  пара «ситуация, принятое решение»:

4) Активное обучение - отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ:

5) Обучение с частичным  привлечением учителя (semi-supervised learning) - для части прецедентов задается  пара «ситуация, требуемое решение», а для части - только «ситуация»

6) Трансдуктивное обучение (transduction) - обучение с частичным  привлечением учителя, когда прогноз  предполагается делать только  для прецедентов из тестовой  выборки

7) Многозадачное обучение (multi-task learning) - одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение»

8) Многовариантное обучение (multi-instant learning) - обучение, когда прецеденты  могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»

 

3.1.3 Классические  задачи решаемые с помощью  машинного обучения

- Классификация как  правило, выполняется с помощью обучения с учителем на этапе собственно обучения.

- Кластеризация как  правило, выполняется с помощью  обучения без учителя

- Регрессия как правило,  выполняется с помощью обучения  с учителем на этапе тестирования, является частным случаем задач прогнозирования.

- Понижение размерности  данных и их визуализация выполняется  с помощью обучения без учителя

- Восстановление плотности  распределения вероятности по  набору данных

- Одноклассовая классификация  и выявление новизны

- Построение ранговых зависимостей

 

3.1.4 Типы входных  данных при обучении

- Признаковое описание  объектов — наиболее распространённый  случай.

- Описание взаимоотношений  между объектами, чаще всего  отношения попарного сходства, выражаемые  при помощи матрицы расстояний, ядер либо графа данных

- Временной ряд или  сигнал.

- Изображение или видеоряд.

 

3.1.5 Типы функционалов  качества

При обучении с учителем - функционал качества может определяется 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.

 

3.1.6 Практические  сферы применения

Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.

- Машинное обучение  имеет широкий спектр приложений:

- Распознавание речи

- Распознавание изображений

- Распознавание рукописного  ввода

- Техническая диагностика

- Медицинская диагностика

- Прогнозирование временных  рядов

- Биоинформатика

- Обнаружение мошенничества

- Обнаружение спама

- Категоризация документов

- Биржевой технический  анализ

- Финансовый надзор

- Кредитный скоринг

- Предсказание ухода клиентов

- Хемоинформатика

Сфера применений машинного  обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.

 

3.2 Автоматическое доказательство

 

Автоматическое доказательство— доказательство, реализуемое программно. В основе лежит аппарат математической логики. Используются идеи теории искусственного интеллекта. Процесс доказательства основывается на логике высказываний и логике предикатов.

Логика высказываний (или пропозициональная логика) — это формальная теория, основным объектом которой служит понятие логического высказывания. С точки зрения выразительности, её можно охарактеризовать как классическую логику нулевого порядка. Логика высказываний является простейшей логикой, максимально близкой к человеческой логике неформальных рассуждений и известна ещё со времён античности.

Логика первого порядка (исчисление предикатов) — формальное исчисление, допускающее высказывания относительно переменных, фиксированных функций, и предикатов. Расширяет логику высказываний. В свою очередь является частным случаем логики высшего порядка.