Estadística y aprendizaje automático para aclarar la relación (con aprendizaje supervisado, por ejemplo) | 10min entrada | "aprendizaje estadístico" notas de estudio (a)

aprendizaje estadístico

• Funciones de aprendizaje de estadística:

  aprendizaje estadístico (aprendizaje estadístico) (aprendizaje automático estadístico): Construcción de datos de la computadora en un modelo estadístico basado en la ley y el uso de modelos para predecir y analizar el interesado

  • Computadora y la red como una plataforma
  • Los datos para el estudio
  • El objetivo es predecir y analizar los datos
  • Para enfoque centrado, la construcción de modelos y aplicaciones
  • teoría de la probabilidad, estadística, teoría de la información, teoría de la computación, la teoría de la optimización y la informática y otras áreas de cruce de disciplinas

• Objetos de aprendizaje estadístico:

  • De datos (datos similares que tienen una cierta regularidad estadística, como variables aleatorias se pueden utilizar para describir los datos de características, datos estadísticos descritos por la ley de distribución de probabilidad)
  • En variable o conjunto de datos de presentación. Representado por tipos de datos en las variables continuas y variables discretas.

• proceso de aprendizaje estadístico:

  • La extracción de datos de entidad
  • modelo abstracto de datos
  • descubrimiento de conocimiento en datos
  • Análisis de datos y predicción

• Objetivos de aprendizaje estadístico:

  • Pronóstico y análisis de datos mediante la construcción de un modelo probabilístico

• métodos de aprendizaje estadístico:

  • Tres elementos: un modelo de espacio de hipótesis, criterios de selección de modelo y algoritmo de modelo de aprendizaje
    • El modelo (modelo), la política (estrategia) y algoritmos (algoritmo)
  • Categorías:
    • El aprendizaje supervisado (aprendizaje supervisado): para la clasificación, etiquetado y regresión
      • A partir de una determinada, limitada, para el aprendizaje de la formación de datos (datos de entrenamiento) de arranque ajustada, asumirá que los datos se genera iid
      • Determinar el espacio de hipótesis contiene una colección de todos los modelos posibles hipótesis (espacio), es decir, el modelo de aprendizaje
      • Los criterios de evaluación para determinar el modelo seleccionado (criterio de evaluación), es decir, las estrategias de aprendizaje
      • Lograr modelo óptimo para la solución del algoritmo, algoritmos de aprendizaje
      • La selección de un modelo óptimo del espacio de hipótesis, datos de entrenamiento conocidos y desconocidos datos de prueba (datos de prueba) han, en el mejor predicen un criterio de evaluación dados
      • El uso óptimo del modelo de aprendizaje para predecir o analizar datos nuevos
    • aprendizaje no supervisado (aprendizaje unspervised)
    • Supervisado Semi aprendizaje (aprendizaje semi-supervisado)
    • aprendizaje por refuerzo (aprendizaje por refuerzo)