Uczenie maszynowe na podstawie przykładów w przypadku błędów w danych

Widok

Metadane zasobu

Tytuł	Uczenie maszynowe na podstawie przykładów w przypadku błędów w danych Wariant tytułu: Machine learnig from examples under errors in data
Osoby	Autorzy: Grażyna Maria Szkatuła Partner: Instytut Badań Systemowych PAN w Warszawie
Opis	Uczenie maszynowe na podstawie przykładów jest to proces generowania reguły klasyfikacji (opisu pojęcia) dla klasy, na podstawie opisów poszczególnych elementów należących do danej klasy (zwanych przykładami pozytywnymi), oraz opisów pewnych elementów spoza klasy (zwanych przykładami negatywnymi), które są używane do zawężenia przestrzeni rozwiązań. Proponujemy metodę uczenia indukcyjnego w celu uzyskania reguł klasyfikacji, które poprawnie opisują większość przykładów należących do klasy i nie opisują większości przykładów nienależących do tej klasy. Warunkowa część wygenerowanej reguły zawiera dysjunkcje warunków związanych z podzbiorem wartości atrybutów nominalnych zastosowanych do opisu danych. Dokonywana jest wstępna analiza danych, która przypisuje wyższe wagi tym wartościom atrybutów, które występują częściej w zbiorze przykładów pozytywnych niż w negatywnych. Możliwe jest również wprowadzenie pewnych preferencji atrybutów związanych z ich wiarygodnością i podatnością na błędy.Problem uczenia indukcyjnego jest reprezentowany jako pewna modyfikacja zadania pokrycia, która jest rozwiązywana za pomocą algorytmu opartego na programowaniu całkowitoliczbowym, z wykorzystaniem elementów algorytmu zachłannego. Zaproponowane podejście zastosowano do kilku wybranych zbiorów danych. Wyniki przeprowadzonych eksperymentów obliczeniowych są bardzo zachęcające. (Polski) Opis w innym języku: Machine learning from examples is a process of inferring a classification rule (concept description) of a class from descriptions of some individual elements of the class (called positive examples), with some elements from outside of the class (called negative examples), which are used for narrowing the solution space. We propose an inductive learning method to derive classification rules that correctly describe most of the examples belonging to a class, and do not describe most of the examples not belonging to this class. The conditional part of the generated rule contains the disjunctions of the conditions related to the subset of the values of the nominal attributes used for the description of data. A pre-analysis of data is performed that assigns higher weights to those values of attributes which occur more often in the positive than in the negative examples. It is also possible to introduce certain preferences of the attributes related to their credibility and susceptibility to errors. The inductive learning problem is represented as a modification of the set covering problem, which is solved by an integer programming based algorithm using elements of a greedy algorithm. The proposed approach has been applied to a few selected data sets. The results of the conducted computational experiments are very encouraging. (Angielski)
Słowa kluczowe	"programowanie całkowitoliczbowe"@pl, "uczenie maszynowe"@pl, "algorytm zachłanny"@pl, "machine learning"@en
Klasyfikacja	Typ zasobu: praca dyplomowa Dyscyplina naukowa: dziedzina nauk technicznych / informatyka (2011) Grupa docelowa: naukowcy, studenci, przedsiębiorcy Szkodliwe treści: Nie
Charakterystyka	Miejsce powstania: Warszawa Czas powstania: 1995 Liczba stron: 154 Promotor: Janusz Aleksander Kacprzyk Język zasobu: Polski Lokalizacja: Warszawa
Licencja	CC BY-SA 4.0
Informacje techniczne	Deponujący: Anna Wasilewska Data udostępnienia: 02-10-2018
Kolekcje	Kolekcja Instytutu Badań Systemowych PAN w Warszawie, Kolekcja e-Biblio IBS PAN

Cytowanie

Skopiowano

Grażyna Maria Szkatuła. Uczenie maszynowe na podstawie przykładów w przypadku błędów w danych. [praca dyplomowa] Dostępny w Atlasie Zasobów Otwartej Nauki, . Licencja: CC BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/legalcode.pl. Data dostępu: DD.MM.RRRR.

Podobne zasoby

Inteligentne systemy inwestycyjne w funduszach typu Quant

Piotr Ładyżyński, praca dyplomowa, Instytut Badań Systemowych PAN w Warszawie, dziedzina nauk technicznych / informatyka (2011)

Komputerowy system wspomagania podejmowania decyzji w placówce naukowo - badawczej (RB-1993-26)

Kazimierz Mańczak, Grażyna Szkatuła, Sławomir Zadrożny, artykuł, rozdział, Instytut Badań Systemowych PAN w Warszawie, Dziedzina nauk inżynieryjno-technicznych / informatyka techniczna i telekomunikacja (2018)

Predykcja zmienności w modelu Blacka-Scholesa za pomocą modeli rozmytych

Krzysztof Targiel, praca dyplomowa, Instytut Badań Systemowych PAN w Warszawie, dziedzina nauk technicznych / automatyka i robotyka (2011)

Metody znakowania morfosyntaktycznego i automatycznej płytkiej analizy składniowej języka polskiego

Adam Radziszewski, praca dyplomowa, Politechnika Wrocławska, dziedzina nauk technicznych / informatyka (2011)

Wybrane techniki przybliżonego rozwiązywania zadań programowania całkowitoliczbowego (PN-1981-18)

Krzysztof Szkatuła, artykuł, rozdział, Instytut Badań Systemowych PAN w Warszawie, Dziedzina nauk ścisłych i przyrodniczych / informatyka (2018)

Problem rozpoznawania wzorców dla zagadnień słabo zrównoważonych

Wojciech Lesiński, praca dyplomowa, Instytut Badań Systemowych PAN w Warszawie, dziedzina nauk technicznych / informatyka (2011)

Zobacz więcej