Μηχανική μάθηση: Διαφορά μεταξύ των αναθεωρήσεων
Περιεχόμενο που διαγράφηκε Περιεχόμενο που προστέθηκε
Διάσωση 1 πηγών και υποβολή 0 για αρχειοθέτηση.) #IABot (v2.0 |
|||
Γραμμή 38:
* Η μηχανική μάθηση εστιάζει στην πρόβλεψη, που βασίζεται σε γνωστές ιδιότητες που απορρέουν από το σύνολο εκπαίδευσης.
* Η [[εξόρυξη δεδομένων]] εστιάζει στην [[ανακάλυψη]] ιδιοτήτων μη γνωστών εκ των προτέρων. Αυτό είναι το βήμα ανάλυσης στην [[Ανακάλυψη Γνώσης]] από βάσεις δεδομένων
Η μηχανική μάθηση συνδέεται επίσης με την βελτιστοποίηση: πολλά προβλήματα μάθησης διατυπώνονται ως η ελαχιστοποίηση της συνάρτησης απώλειας από ένα σύνολο δεδομένων εκπαίδευσης. Η συνάρτηση απώλειας εκφράζει τη διαφορά μεταξύ των προβλέψεων του εκπαιδευμένου μοντέλου και των πραγματικών καταστάσεων του προβλήματος.Η διαφορά των δύο τομέων απορέει από τον στόχο της γενίκευσης: ενώ οι αλγόριθμοι βελτιστοποίησης μπορούν να ελαχιστοποιήσουν την απώλεια ενός συνόλου εκπαίδευσης, η μηχανική μάθηση εστιάζει στην ελαχιστοποίηση της απώλειας σε άγνωστες καταστάσεις.<ref>{{Πρότυπο:Cite encyclopedia|last1=Le Roux|first1=Nicolas|first2=Yoshua|last2=Bengio|first3=Andrew|last3=Fitzgibbon|title=Improving First and Second-Order Methods by Modeling Uncertainty|encyclopedia=Optimization for Machine Learning|year=2012|page=404|editor-last1=Sra|editor-first1=Suvrit|editor-first2=Sebastian|editor-last2=Nowozin|editor-first3=Stephen J.|editor-last3=Wright|publisher=MIT Press}}</ref>
Γραμμή 78 ⟶ 79 :
=== Μηχανές διανυσμάτων υποστήριξης ===
Οι μηχανές διανυσμάτων υποστήριξης είναι ένα σύνολο μεθόδων [[επιτηρούμενη μαθηση|επιτηρούμενης μάθησης]] που χρησιμοποιούνται για την [[Στατιστική ταξινόμηση|ταξινόμηση]] και την [[Παλινδρόμηση (στατιστική)|παλινδρόμηση]]. Σ' αυτήν την περίπτωση δίνεται ένα σύνολο παραδειγμάτων εκπαίδευσης και κάθε φορά δηλώνεται σε ποια από τις δύο κατηγορίες ανήκει το παράδειγμα. Μία μηχανή διανυσμάτων υποστήριξης
=== Ομαδοποίηση ===
Γραμμή 87 ⟶ 88 :
=== Ενισχυτική μάθηση ===
=== Εκμάθηση με μέτρο ομοιότητας ===
Γραμμή 101 ⟶ 102 :
* [[Βελτιστοποίηση]]
* [[Βιοπληροφορική]]
* [[Διαδυκτιακή Διαφήμιση|Διαδικτυακή Διαφήμιση]]
* Εντοπισμός
* Εντοπισμός απάτης πιστωτικής κάρτας
* [[Επεξεργασία φυσικής γλώσσας]]
Γραμμή 120 ⟶ 121 :
* [[Χημειοπληροφορική]]
* [[Χρηματιστηριακή ανάλυση]]
Το 2006, η διαδυκτιακή εταιρία ταινιών [[Netflix|το Netflix]] διοργάνωσε τον πρώτο διαγωνισμό "[[Βραβείο Netflix]]" προκειμένου να βρεθεί ένα πρόγραμμα που να προβλέπει καλύτερα τις προβλέψεις των χρηστών και να βελτιώσει την ακρίβεια του αλγορίθμου πρότασης ταινιών Cinematch, που τότε χρησιμοποιούσε, κατά τουλάχιστον 10%. Μια ομάδα αποτελούμενη από ερευνητές από την [[AT&T Labs]]-Research σε συνεργασία με τις ομάδες Big Chaos και Pragmatic Theory κατασκεύασε ένα μοντέλο και κέρδισε το βραβείο του 1εκ.δολαρίων<ref>{{Cite web|url=http://www2.research.att.com/~volinsky/netflix/|title="BelKor Home Page"|last=|first=|date=|website=research.att.com|publisher=|accessdate=}}</ref> το 2009.Λίγο καιρό μετά την απονομή του βραβείου, η διοίκηση της Netflix συνειδητοποίησε ότι τα ποσοστά τηλεθέασης των θεατών δεν ήταν ο καλύτερος δείκτης των μοτίβων τηλεθέασης ("τα πάντα είναι τηλεθέαση")και άλλαξαν ανλόγως την μηχανή σύστασής τους<ref>{{Cite web|url=http://techblog.netflix.com/2012/04/netflix-recommendations-beyond-5-stars.html|title="The Netflix Tech Blog: Netflix Recommendations: Beyond the 5 stars (Part 1)"|last=|first=|date=8 August 2015|website=|publisher=|accessdate=}}</ref>.▼
▲Το 2006, η
Το 2010 το περιοδικό The Wall Street έγραψε ότι η εταιρεία διαχείρησης χρημάτων Rebellion Research's χεησιμοποιούσε την μηχανική μάθηση για να προβλέψει οικονομικές κινήσεις.Το άρθρο περιέγραφε την πρόβλεψη της εταιρείας για την οικονομική κρίση και την οικονομική ανάκαμψη.<ref>{{Cite web|url=http://online.wsj.com/news/articles/SB10001424052748703834604575365310813948080|title="'Artificial Intelligence' Gains Fans Among Investors - WSJ"|last=Scott Patterson (13 July 2010)|first=|date=8 August 2015|website=WSJ.|publisher=|accessdate=}}</ref>▼
▲Το 2010 το περιοδικό The Wall Street έγραψε ότι η εταιρεία
Το 2014 έχει αναφερθεί ότι ένας αλγόριθμος μηχανικής μάθησης έχει εφαρμοστεί στην Ιστορία της Τέχνης για την μελέτη πινάκων ζωγραφικής και ότι θα μπορούσε να αποκαλύψει επιρροές μεταξύ καλλιτεχνών που προηγουμένως δεν είχαν εντοπιστεί.<ref>{{Cite web|url=https://medium.com/the-physics-arxiv-blog/when-a-machine-learning-algorithm-studied-fine-art-paintings-it-saw-things-art-historians-had-never-b8e4e7bf7d3e|title=When A Machine Learning Algorithm Studied Fine Art Paintings, It Saw Things Art Historians Had Never Noticed|last=|first=|date=|website=The Physics at ArXiv blog|publisher=|accessdate=}}</ref>
|