Uczenie się z danych to zadania algorytmów inteligencji obliczeniowej. W konsekwnecji pozytywnego uczenia się z danych następuje odkrywanie wiedzy, czyli budowanie matematycznego modelu obrazującego w ściśle określony sposób zdobytą wiedzę.
To jakie zostaną stworzone modelezależy od algorytmów, ich konfiguracji i danych, na których nastąpi uczenie. Metody meta-uczenia w inteligencji obliczeniowej powstały jako próba automatyzacji doboru modelu do określonego modelu.
Rozdziały:
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 Najniższa cena z 30 dni przed obniżką 47,25zł
Meta-uczenie w inteligencji obliczeniowej
|