Meta-uczenie w inteligencji obliczeniowej

Meta-uczenie w inteligencji obliczeniowej

1 opinia

Format:

ibuk

WYBIERZ RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em

32,50

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

„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.


Liczba stron396
WydawcaAkademicka Oficyna Wydawnicza EXIT Andrzej Lang
ISBN-13978-83-7837-521-0
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

Ciekawe propozycje

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
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia