წევრი : შესვლა |რეგისტრაცია |ატვირთე ცოდნა
ძიება
მანქანა სწავლა [ცვლილებები ]
მანქანათმცოდნეობა კომპიუტერული მეცნიერების სფეროა, რომელიც კომპიუტერებს საშუალებას აძლევს, ისწავლონ გარეშე პროგრამების გარეშე.
კომპიუტერული თამაშებისა და ხელოვნური ინტელექტის სფეროში ამერიკელი პიონერი არტურ სამუელი 1959 წელს ტერმინი "მანქანა სწავლა" მოიპოვა IBM- ში. ხელოვნური ინტელექტის კვლევისა და გამოთვლითი სწავლების თეორიის შესწავლიდან გამომდინარე, მანქანათმცოდნეობა იკვლევს ალგორითმების შესწავლასა და მშენებლობას, რომლებიც სწავლობენ და წინასწარმეტყველებენ მონაცემებს - ასეთი ალგორითმები გადალახავს შემდეგ მკაცრ სტატიკურ პროგრამებს ინსტრუქციების მეშვეობით, რომლებიც ახდენენ მონაცემთა ორიენტირებულ პროგნოზებს ან გადაწყვეტილებებს , 2: ნიმუშის შედგენის გზით ნიმუშის შეყვანისგან. მანქანათმცოდნეობა დასაქმებულია მთელ რიგ კომპიუტერულ ამოცანებში, სადაც სათანადო შესრულების მქონე ზუსტი ალგორითმების შემუშავება და დაგეგმვა ძნელია ან არასაკმარისია; მაგალითად განაცხადების მოიცავს ელ ფილტრაცია, გამოვლენის ქსელის intruders ან მუქარის insiders მუშაობს მონაცემთა დარღვევის, ოპტიკური ხასიათი აღიარება (OCR), სწავლის წოდება და კომპიუტერული ხედვა.
მანქანათმცოდნეობა მჭიდროდ უკავშირდება (და ხშირად გადაფარავს) კომპიუტერული სტატისტიკას, რომელიც ასევე ფოკუსირებულია კომპიუტერების გამოყენების პროგნოზით. მას აქვს მჭიდრო კავშირები მათემატიკურ ოპტიმიზაციაში, რომელიც აწვდის მეთოდებს, თეორიასა და გამოყენების დომენებს. მანქანათმცოდნეობა ხანდახან აკრეფილია მონაცემების მოპოვებით, სადაც ამ უკანასკნელის ქვეპროექტი უფრო მეტყველებს ექსპლოატორული მონაცემების ანალიზზე და ცნობილია, როგორც არასაჯარო სწავლა. ვფიქრობ, მანქანათმცოდნეობა ასევე შეიძლება იყოს არასრულფასოვანი და გამოყენებული იქნას სხვადასხვა ორგანიზაციების საბაზისო ქცევითი პროფილები და შემდეგ გამოიყენება იპოვონ მნიშვნელოვანი ანომალიები.
მონაცემთა ანალიზის სფეროში, მანქანური სწავლება არის მეთოდი, რომელიც გამოიყენება კომპლექსური მოდელების და ალგორითმების შესამუშავებლად, რომლებიც წინასწარმეტყველებენ თავიანთ სარგებლობას. კომერციული გამოყენება, ეს ცნობილია როგორც პროგნოზირებადი ანალიტიკა. ეს ანალიტიკური მოდელები საშუალებას აძლევს მკვლევარებს, მონაცემთა მეცნიერებს, ინჟინრებსა და ანალიტიკოსებს "წარმოადგინონ საიმედო, განმეორებითი გადაწყვეტილებებისა და შედეგების გამომუშავება" და მოიძიონ "დამალული ცნობიერება" ისტორიიდან ისტორიულ ურთიერთობებსა და ტენდენციებზე.
2016 წლის გარტერნის ვარდების ციკლის მიხედვით, მანქანათმცოდნეობა გაბერილი მოლოდინების პიკია. ეფექტური მანქანა სწავლის რთულია, რადგან მოძიებაში ნიმუშები რთულია და ხშირად არ არის საკმარისი სასწავლო მონაცემები ხელმისაწვდომია; შედეგად, მანქანათმცოდნეობითი პროგრამები ხშირად ვერ ახერხებენ.
1.მიმოხილვა
1.1.პრობლემები და ამოცანები
2.ისტორია და ურთიერთობები სხვა სფეროებში
2.1.სტატისტიკასთან ურთიერთობა
3.თეორია
4.მიღწევები
4.1.გადაწყვეტილების მიღება ხეზე
4.2.ასოციაციის წესი სწავლა
4.3.ხელოვნური ნერვული ქსელები
4.4.ღრმა სწავლება
4.5.ინდუქციური ლოგიკა პროგრამირება
4.6.ვექტორული მანქანების მხარდაჭერა
4.7.კლასტერული
4.8.ბაიასური ქსელები
4.9.გაძლიერების სწავლება
4.10.წარმომადგენლობის სწავლება
4.11.მსგავსება და მეტრული სწავლება
4.12.Sparse ლექსიკონი სწავლის
4.13.გენეტიკური ალგორითმები
4.14.წესის დაფუძნებული მანქანა სწავლის
4.14.1.სასწავლო კლასიფიკატორის სისტემები
5.პროგრამები
6.მოდელის შეფასებები
7.ეთიკის
8.პროგრამული უზრუნველყოფა
8.1.თავისუფალი და ღია პროგრამული უზრუნველყოფა
8.2.თავისუფალი და ღია ვერსიების მქონე პროგრამული უზრუნველყოფა
8.3.საკუთრების პროგრამული უზრუნველყოფა
9.ჟურნალები
10.კონფერენციები
[ატვირთვა სხვა შინაარსი ]


Copyright @2018 Lxjkh