Strojové učenie zo slabého dohľadu: Empirický prístup k minimalizácii rizika

Recenzie čitateľov

Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 3 hlasoch.

Pôvodný názov:

Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach

Obsah knihy:

Základná teória a praktické algoritmy slabo kontrolovanej klasifikácie s dôrazom na prístup založený na minimalizácii empirického rizika.

Štandardné techniky strojového učenia vyžadujú veľké množstvo označených údajov, aby dobre fungovali. Keď však strojové učenie aplikujeme na problémy vo fyzickom svete, je mimoriadne ťažké zhromaždiť takéto množstvo označených údajov. Táto kniha predstavuje teóriu a algoritmy pre slabo kontrolované učenie, paradigmu strojového učenia zo slabo označených dát. Kniha kladie dôraz na prístup založený na minimalizácii empirického rizika a vychádza z najnovších poznatkov výskumu v oblasti učenia so slabým dohľadom a poskytuje základy tejto oblasti, ako aj pokročilé matematické teórie, ktoré sú ich základom. Môže sa používať ako referencia pre odborníkov z praxe a výskumných pracovníkov, ako aj v učebni.

V knihe sú najprv matematicky formulované klasifikačné problémy, definované bežné pojmy a prehľad rôznych algoritmov pre binárnu a viactriednu klasifikáciu pod dohľadom. Potom skúma problémy binárnej klasifikácie so slabým dohľadom vrátane klasifikácie s pozitívnym neoznačením (PU), klasifikácie s pozitívnym negatívnym neoznačením (PNU) a klasifikácie bez označenia (UU). Potom sa venuje klasifikácii viacerých tried a rozoberá klasifikáciu s doplnkovou značkou (CL) a klasifikáciu s čiastočnou značkou (PL). Nakoniec sa kniha zaoberá pokročilejšími otázkami vrátane rodiny korekčných metód na zlepšenie generalizačnej výkonnosti slabo kontrolovaného učenia a problému odhadu triedy-prílohy.