Интеллектуальный анализ текста - История изменений

Admin в 10:04, 18 августа 2016

2016-08-18T10:04:29Z

Admin в 08:29, 23 мая 2016

2016-05-23T08:29:49Z

Admin: /* Способы обучения */

2016-05-23T08:20:20Z

‎Способы обучения

Admin: Новая страница: «'''Машинное обучение''' (англ. Machine Learning) — обширный подраздел искусственного интеллекта, м…»

2016-05-23T08:20:04Z

Новая страница: «'''Машинное обучение''' (англ. Machine Learning) — обширный подраздел искусственного интеллекта, м…»

Новая страница

'''Машинное обучение''' (англ. Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина извлекающая знания из данных.

Дисциплина машинного обучения использует следующие разделы:
* математической [[Статистика|статистики]],
* численных методов оптимизации,
* теории вероятностей,
* дискретного анализа,

== Типы обучения ==
# '''Индуктивное обучение''' (Обучение по прецедентам) основано на выявлении закономерностей в эмпирических данных.
# '''Дедуктивное обучение''' предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области '''экспертных систем''', поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.

Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации (Information Extraction), интеллектуальным анализом данных ([[Data Mining]]).

== Способы обучения ==
* '''Обучение с учителем''' — для каждого прецедента задаётся пара «ситуация, требуемое решение»:
*# Метод коррекции ошибки
*# Метод обратного распространения ошибки
* '''Обучение без учителя''' — для каждого прецедента задаётся только «ситуация», требуется сгруппировать объекты в кластеры, используя данные о попарном сходстве объектов, и/или понизить размерность данных:
*# Альфа-система подкрепления
*# Гамма-система подкрепления
*# Метод ближайших соседей
* Обучение с подкреплением — для каждого прецедента имеется пара «ситуация, принятое решение»:
*# Генетический алгоритм.
* '''Активное обучение''' — отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ
* '''Обучение с частичным привлечением учителя''' (semi-supervised learning) — для части прецедентов задается пара «ситуация, требуемое решение», а для части — только «ситуация»
* '''Трансдуктивное обучение''' (transduction) — обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки
* '''Многозадачное обучение''' (multi-task learning) — одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение»
* '''Многовариантное обучение''' (multiple-instance learning) — обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»

[[Категория:Дисциплины]]

← Предыдущая		Версия 10:04, 18 августа 2016
Строка 1:		Строка 1:
−	'''Интеллектуальный анализ текстов''' (ИАТ, англ. text mining) — направление в искусственном интеллекте, целью которого является получение информации из коллекций текстовых документов, основываясь на применении эффективных в практическом плане методов машинного обучения и обработки естественного языка. Название «интеллектуальный анализ текстов» перекликается с понятием «интеллектуальный анализ данных» (ИАД, англ. [[Data Mining]]), что выражает схожесть их целей, подходов к переработке информации и сфер применения; разница проявляется лишь в конечных методах, а также в том, что ИАД имеет дело с [[Хранилище данных\|хранилищами]] и базами данных, а не электронными библиотеками и корпусами текстов.	+	'''Интеллектуальный анализ текстов''' (ИАТ, англ. text mining) — направление в [[Искусственный интеллект\|искусственном интеллекте]], целью которого является получение информации из коллекций текстовых документов, основываясь на применении эффективных в практическом плане методов машинного обучения и обработки естественного языка. Название «интеллектуальный анализ текстов» перекликается с понятием «интеллектуальный анализ данных» (ИАД, англ. [[Data Mining]]), что выражает схожесть их целей, подходов к переработке информации и сфер применения; разница проявляется лишь в конечных методах, а также в том, что ИАД имеет дело с [[Хранилище данных\|хранилищами]] и базами данных, а не электронными библиотеками и корпусами текстов.

−	[[Категория:AI]]	+	[[Категория:Искусственный интеллект]]

@@ Строка 1: / Строка 1: @@
-'''Машинное обучение''' (англ. Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина извлекающая знания из данных.
+'''Интеллектуальный анализ текстов''' (ИАТ, англ. text mining) — направление в искусственном интеллекте, целью которого является получение информации из коллекций текстовых документов, основываясь на применении эффективных в практическом плане методов машинного обучения и обработки естественного языка. Название «интеллектуальный анализ текстов» перекликается с понятием «интеллектуальный анализ данных» (ИАД, англ. [[Data Mining]]), что выражает схожесть их целей, подходов к переработке информации и сфер применения; разница проявляется лишь в конечных методах, а также в том, что ИАД имеет дело с [[Хранилище данных|хранилищами]] и базами данных, а не электронными библиотеками и корпусами текстов.
-Дисциплина машинного обучения использует следующие разделы:
+[[Категория:AI]]
-* математической [[Статистика|статистики]],
-* численных методов оптимизации,
-* теории вероятностей,
-* дискретного анализа,
-−
-== Типы обучения ==
-# '''Индуктивное обучение''' (Обучение по прецедентам) основано на выявлении закономерностей в эмпирических данных.
-# '''Дедуктивное обучение''' предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области '''экспертных систем''', поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
-−
-Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации (Information Extraction), интеллектуальным анализом данных ([[Data Mining]]).
-−
-== Способы обучения ==
-* '''Обучение с учителем''' — для каждого прецедента задаётся пара «ситуация, требуемое решение»:
-*# Метод коррекции ошибки
-*# Метод обратного распространения ошибки
-* '''Обучение без учителя''' — для каждого прецедента задаётся только «ситуация», требуется сгруппировать объекты в кластеры, используя данные о попарном сходстве объектов, и/или понизить размерность данных:
-*# Альфа-система подкрепления
-*# Гамма-система подкрепления
-*# Метод ближайших соседей
-* '''Обучение с подкреплением''' — для каждого прецедента имеется пара «ситуация, принятое решение»:
-*# Генетический алгоритм.
-* '''Активное обучение''' — отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ
-* '''Обучение с частичным привлечением учителя''' (semi-supervised learning) — для части прецедентов задается пара «ситуация, требуемое решение», а для части — только «ситуация»
-* '''Трансдуктивное обучение''' (transduction) — обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки
-* '''Многозадачное обучение''' (multi-task learning) — одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение»
-* '''Многовариантное обучение''' (multiple-instance learning) — обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»
-−
-[[Категория:Дисциплины]]