WikiSort.ru - Не сортированное

Эту статью следует викифицировать. Пожалуйста, оформите её согласно правилам оформления статей.

Машинное обучение и data mining

Задачи Задача классификации Обучение без учителя Обучение с частичным привлечением учителя Регрессионный анализ AutoML Ассоциативные правила Выделение признаков Обучение признакам Обучение ранжированию Грамматический вывод Онлайновое обучение

Обучение с учителем Метод k-ближайших соседей Наивный байесовский классификатор Дерево решений Метод опорных векторов Линейная регрессия Логистическая регрессия Перцептрон Ансамбли моделей (Бэггинг, Бустинг, Random forest) Метод релевантных векторов

Кластерный анализ Метод k-средних Метод нечёткой кластеризации Иерархическая кластеризация EM-алгоритм BIRCH CURE DBSCAN OPTICS Mean-shift

Снижение размерности Факторный анализ Метод главных компонент CCA ICA LDA Неотрицательное матричное разложение t-SNE

Структурное прогнозирование Графовая вероятностная модель (Байесовская сеть, Скрытая марковская модель, CRF)

Выявление аномалий Метод k-ближайших соседей Локальный уровень выброса

Графовые вероятностные модели Байесовская сеть Марковская сеть Скрытая марковская модель

Искусственные нейронные сети Ограниченная машина Больцмана Самоорганизующаяся карта Функция активации (Сигмоида, Softmax, Радиально-базисная функция) Метод обратного распространения ошибки Глубокое обучение Многослойный перцептрон Рекуррентная нейронная сеть (Долгая краткосрочная память, Управляемый рекуррентный блок) Свёрточная нейронная сеть (U-Net) Автокодировщик

Обучение с подкреплением Марковский процесс Уравнение Беллмана Жадный алгоритм Q-learning SARSA Temporal difference (TD)

Теория Теория Вапника — Червоненкиса Дилемма смещения–дисперсии Теория вычислительного обучения Минимизация эмпирического риска Оккамово обучение PAC learning Статистическая теория обучения

Журналы и конференции NIPS ICML ML JMLR ArXiv:cs.LG

Глоссарий Глоссарий по машинному обучению

Статьи по теме List of datasets for machine-learning research Outline of machine learning

Инженерия знаний (англ. knowledge engineering) — область наук об искусственном интеллекте, связанная с разработкой экспертных систем и баз знаний. Изучает методы и средства извлечения, представления, структурирования и использования знаний.

Определения

Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордак в 1983 году как:

«ИЗ — раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований — понимание, как работает человеческая логика на примере взаимоотношений в обществе.

Примеры

Пример действия системы, базирующейся на ИЗ:

• Рассмотрение задачи
• Запрос к базам данных по задаче
• Внесение и структурирование полученной информации (IPK модель)
• Создание базы данных по структурированной информации
• Тестирование полученной информации
• Внесение корректировок и доработка системы.

ИЗ имеет практическое применение. В США до 90 % кредитных решений по клиентам розничного банковского бизнеса принимается с использованием экспертных систем на основе баз знаний FICO^[1]. Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.

Принципы

С середины 1980-х в ИЗ появилось несколько принципов, методов и инструментов, которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:

• Существуют разного рода типы знаний^[2] и для работы с ними должны использоваться конкретные методы и техника.^[3]
• Существуют различные типы экспертов и опыта.^{[какие?]} Для работы с ними должны использоваться определённые методы и техника.^{[какие?]}
• Существуют разные способы предоставления, использования, понимания знаний^{[какие?]} и работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому.

В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.

Теории

• Трансляционная (традиционная): предполагает прямой перенос человеческих знаний в машину.
• Модельная (альтернативный взгляд): предполагает моделирование задачи и её способов решения самой системой ИИ.
• Гибридные.

См. также

• Инженер по знаниям

Примечания

Это заготовка статьи об искусственном интеллекте. Вы можете помочь проекту, дополнив её.

В этой статье не хватает ссылок на источники информации. Информация должна быть проверяема, иначе она может быть поставлена под сомнение и удалена. Вы можете отредактировать эту статью, добавив ссылки на авторитетные источники. Эта отметка установлена 13 мая 2011 года.