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

Необходимо проверить качество перевода и привести статью в соответствие со стилистическими правилами Википедии. Вы можете помочь улучшить эту статью, исправив в ней ошибки. Оригинал на английском языке — Transduction_(machine_learning).

Трансдуктивное обучение (англ. transductive inference) — полу-контролируемое обучение (частичное обучение), обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки.

В логике и статистическом методе — трансдуктивное умозаключение или трансдуктивный метод являются выводами о наблюдаемых частных случаях (тестовых данных) на основании частных тестовых случаев (данных обучения). Напротив, индуктивное умозаключение приводит наблюдаемые частные случаи обучения к общим правилам, которые затем применяются к тестовым случаям. Различие наиболее интересно в тех случаях, когда прогнозы трансдуктивной модели не достижимы ни одной индуктивной моделью, такие ситуации происходят, когда в результате трансдуктивного вывода на различных испытательных выборках получаются взаимопротиворечивые прогнозы.

История

Трансдукция была введена Владимиром Вапником в 1990-е годы^[1]. По его мнению, трансдукция предпочтительнее индукции, так как индукция требует решения более общей задачи (восстановления функции) перед решением более конкретной задачи (вычисление результатов для новых случаев): «…при решении интересующей задачи не решайте более общую задачу в качестве промежуточного шага. Постарайтесь получить ответ, который вам действительно нужен, но не более общий». Аналогичное наблюдение было сделано ранее Бертраном Расселом: «…мы придем к выводу, что Сократ смертен с большим подходом к определённости, если мы сделаем наш аргумент чисто индуктивным, чем если бы мы пошли путем „все люди смертны“, а затем используем дедукцию» (Рассел, 1912, Глава VII)^[2].

Причины

Не являющимся индуктивным примером обучения может быть случай бинарной классификации, где входные данные, как правило, группируются в две группы. Большой набор частных, тестовых входных данных может помочь в поиске нескольких однородных элементов, рассматриваемых, как самостоятельная единица, предоставляя необходимую информацию о классификационных метках. Те же самые прогнозы не будут получены из модели, которая индуцирует функцию, основанную только на обучающих случаях, что может показаться примером полу контролируемого обучения, но мотивация Вапника была иная. Образцом алгоритма в этой категории является трансдуктивный метод опорных векторов (Transductive Support Vector Machine TSVM).

Третья причина, которая приводит к трансдукции, возникает из-за необходимости аппроксимации, приближении. Если точный вывод является вычислительно невозможным, можно сделать попытку убедиться, что упрощения подходят частным случаям. Тогда частные случаи поступают из произвольного распределения (не обязательно связанных с распределением учебных материалов), что не допускается при полу контролируемой модели обучения. Примером алгоритма, попадающего в эту категорию, является байесовская машина (Bayesian Committee Machine BCM)^[3].

Примечания

Ссылки

• http://www.machinelearning.ru/wiki/
• https://wiki2.org/ru/Машинное_обучение