機器學習研究進展-wenkub.com
2024-08-28 10:15 本頁面
【正文】 42 數(shù)據(jù)流機器學習 ? 在網(wǎng)絡(luò)數(shù)據(jù)分析與處理中，有一類問題，從一個用戶節(jié)點上流過的數(shù)據(jù)，大多數(shù)是無意義的，由于數(shù)據(jù)量極大，不能全部存儲，因此，只能簡單判斷流過的文件是否有用，而無法細致分析 ? 如何學習一個模型可以完成這個任務(wù)，同時可以增量學習，以保證可以從數(shù)據(jù)流中不斷改善 (或適應(yīng) )用戶需求的模型 43 研究現(xiàn)狀 ? 上述的五類機器學習范式還處于實驗觀察階段，沒有堅實的理論基礎(chǔ)！ ? 這些范式主要以任務(wù)為驅(qū)動力，大多數(shù)采用的方法是傳統(tǒng)機器學習的方法 ? 應(yīng)用效果還不十分明顯 44 總結(jié) ? 目前，我們所面臨的問題是：數(shù)據(jù)復雜，需求多樣。人通過閱讀這個文本就可以了解數(shù)據(jù)集合的內(nèi)容 ? 這個目標與泛化能力無關(guān)，計算結(jié)果只是給定數(shù)據(jù)集合根據(jù)特定需求的一個可以被人閱讀的縮影 ? 這與傳統(tǒng)數(shù)據(jù)分析的目標一致 31 符號數(shù)據(jù)分析 (數(shù)據(jù)挖掘 ) ? 數(shù)據(jù)分析的主要工具是統(tǒng)計，“統(tǒng)計顯現(xiàn)”是分析的主要指標 ? 符號數(shù)據(jù)分析，盡管統(tǒng)計工具是必要的，但是，主要是通過將符號數(shù)據(jù)集合約簡為簡潔形式 32 符號機器學習的最新進展 ? Rough sets中的 reduct理論是近幾年符號機器學習最重要的研究結(jié)果之一 ? 這個理論理論可以作為符號機器學習的數(shù)學基礎(chǔ) ? 這個理論可以作為符號數(shù)據(jù)分析的基礎(chǔ)(數(shù)據(jù)挖掘 ) 33 Reduct與符號數(shù)據(jù)分析 ? 在任務(wù)上， association rules派生于統(tǒng)計相關(guān)分析，其方法可以使用 reduct理論來刻畫 ? Reduct具有很多重要的數(shù)學性質(zhì)，可以保證根據(jù)不同需求識別不同的例外 ? 我們建議，將符號數(shù)據(jù)分析建立在reduct理論之上 34 什么是 outlier/exception ? 不能被模型 (統(tǒng)計分布、規(guī)則集合等 )概括的某些觀察稱為相對這個模型的outlier/ exception ? 注釋： 在統(tǒng)計學中，這類觀察稱為 outlier，在認知科學中，有意義的 outlier稱為exception 35 方法 ? R是給定 U, C?nhcuj7d3的 reduct，使用 R構(gòu)造新信息系統(tǒng) U, R?nhcuj7d3， R是這個信息系統(tǒng)的 Core ? 只要刪除一個核屬性，必然產(chǎn)生例外，同時縮短規(guī)則集 36 例外研究的意義 ? 刪除例外，可以使得規(guī)則更為簡潔，從而突出信息的重點。 27 符號機器學習的數(shù)學基礎(chǔ) ? 符號機器學習不同于統(tǒng)計機器學習，劃分樣本集合的等價關(guān)系是學習所得，符號機器學習是事先定義等價關(guān)系，學習只是在這個等價關(guān)系下約簡樣本集合 ? 等價關(guān)系為： {(x, y) : a(x)=a(y), x, y?U} 28
教學課件相關(guān)推薦
鄂ICP備17016276號-1