Documente Academic
Documente Profesional
Documente Cultură
Învăţarea Automată: "Singurul Lucru Important Este Ceea Ce Învăţăm După Ce Ştim Totul."
Învăţarea Automată: "Singurul Lucru Important Este Ceea Ce Învăţăm După Ce Ştim Totul."
1. Descriere general
nvarea automat, unul din sub-domeniile de baz ale Inteligenei
Artificiale, se preocup cu dezvoltarea de algoritmi i metode ce permit unui
sistem informatic s nvee date, reguli, chiar algoritmi. nvarea automat
presupune n primul rnd identificarea i implementarea unei modaliti ct
mai eficiente de a reprezenta informaii, n sensul facilitrii cutrii, reorganizrii i modificrii lor. Alegerea modului de a reprezenta aceste date
ine att de concepia general asupra modului de rezolvare a problemei, ct
i de caracteristicile datelor cu care se lucreaz.
nvarea nu se poate face pe baza unui set foarte mare de cunotine,
att din cauza costurilor mari presupuse de acumularea unor baze de
informaii mari ct i din cauza complexitii memorrii i prelucrrii unui
volum mare de informaii. n acelai timp ns, nvarea trebuie s duc la
formularea de suficiente reguli att ct s permit rezolvarea unor probleme
dintr-un spaiu mai larg dect cel pe baza cruia s-a fcut nvarea. Adic
nvarea trebuie s mbunteasc performana unui sistem nu doar n
rezolvarea repetat a unui acelai set de probleme, ci i n rezolvarea unor
probleme noi. Acest lucru presupune o generalizare a unei metode de
rezolvare pentru a acoperi un numr ct mai mare de instane posibile, dar i
pstrarea unei specializri suficiente pentru a fi identificate corect instanele
acceptate. Aceasta se poate face fie inductiv, generaliznd o problem
plecnd de la un set de exemple, fie deductiv, plecnd de la o baz de
iar descrierea unui concept general pentru instane de tipul celor de mai sus
ar fi:
mrime(x,y) culoare(x,z) forma(x,rotund)
se generalizeaz
culoare(x,roie) culoare(x,y)
se generalizeaz
culoare(obj1,roie) forma(obj1,rotund)
mrime(obj1,mic) culoare(obj1,roie)
forma(obj1,rotund)
se generalizeaz
mrime(obj1,mic) culoare(obj1,roie)
forma(obj1,rotund) mrime(obj1,mare)
se generalizeaz
culoare(obj1,culoare_de_baz)
Patrulater?
DA
NU
Altceva
Unghiuri
drepte?
DA
NU
Laturi egale?
DA
Patrat
Laturi egale?
NU
Dreptunghi
DA
Romb
NU
Trapez
if
(toate
elementele
din
au
aceeai
etichet)
then
caut
proprietatea
din
cu
cel
mai
mare
ctig
de
for
(fiecare
rezultat
posibil
al
testului
acelei
proprieti) {
5.
repet
de
la
pasul
pentru
setul
de
exemple
cu
la n
= 1 la nv
pi(vin )/|Si|)
cu
cea
mai
specific
generalizare
care
se
potrivete cu p
5.terge din S toate instanele mai generale dect alta
din S
6.terge din S toate instanele mai putin specifice dect
alta din G
end;
7.Pentru fiecare instan negativ n
Begin
8.terge toate instanele din S care se potrivesc cu n
9.Pentru fiecare gG care se potrivete cu n, nlocuiete
g cu cea mai general specializare care nu se potrivete cu n
10.terge din G toate instanele mai specifice dect alta
din G
11.terge din G toate instanele mai specifice dect alta
din S
end;
12.Dac G=S i ambele conin o singur instan, atunci acea
instan este conceptul cutat
13.Dac G i S sunt vide, atunci nu exist un concept care s
acopere
toate
instanele
pozitive
nici
una
din
cele
negative
end
s i g sunt
x2
w2
F(net)
x1
x3
w3
la n
calculeaz ieirea din neuron (funcie de activare). Dac f(net) este mai mare
dect un prag stabilit pentru reea, atunci neuronul transmite semnal mai
departe.
Exist dou tipuri de reele neuronale: reele cu flux unidirecional i
reele recurente.
O reea cu flux unidirecional este un graf orientat aciclic n care
semnalele trec n aceeai direcie tot timpul. Reelele de acest tip sunt de
obicei multistratificate, adic neuronii sunt grupai pe straturi care primesc
semnale doar de la straturi precedente i transmit doar la straturi ulterioare
din structura reelei.
Reelele recurente permit cicluri, ceea ce mrete numrul i
complexitatea problemelor ce pot fi reprezentate, dar n acelai timp face mai
dificil analiza i evaluarea reelei. Exist dou tipuri de astfel de reele: reele
Hopfield i maini Boltzmann. Reelele Hopfield au conectori bidirecionali cu
costuri simetrice n ambele direcii, semnalele trimise de i ctre neuroni sunt
1 sau 1, iar funcia de activare este sign(net). Mainile Boltzmann au
conectori unidirecionali iar funcia de activare este calculat continuu pe baza
valorilor net la fiecare modificare a semnalelor.
Problema n utilizarea reelelor neuronale pentru nvare este
stabilirea topologiei iniiale a reelei. Topologia este foarte important att n
privina a ceea ce poate fi reprezentat de reea ct i n dificultatea nvrii
unui anumit concept. Exist doua direcii n care se poate merge pentru a
rezolva aceasta problem: fie se pleac de la o reea complex i se aplic
anumite metode pentru a determina ce conexiuni pot fi eliminate fr ca
reeaua s piard din performan, fie se pleac de la o reea minim
dezvoltat i se adaug noduri i conexiuni dup un sistem similar celui folosit
la inducerea arborilor de decizie.
3.7 Perceptronul
wi=wi+c*xi
wi=wi-c*xi
End;
End
unde c este o constanta numit constant de nvare ce stabilete fineea
pailor ce se fac spre o form corect a perceptronului.
3.8 Reele multistratificate de perceptroni
Din pcate limitarea perceptronului de a nu fi capabil s nvee dect
funcii liniar separabile a fcut ca interesul n el s scad, ns la mijlocul
anilor 80 au fost dezvoltate reele multistratificate de perceptroni, ce elimin
acest dezavantaj.
2.dac D(I)O(I)
3.pentru fiecare nod de pe nivelul de ieire
4.wi,j= wi,j-c*(D(I)-O(I))*O(I)*(1-O(I))* xi,j
5.pentru nodurile din celelalte straturi luate n
sensul invers al fluxului n reea
6. wi,j= wi,j-c*O(I)*(1-O(I))*(-I* wi,j)* xi,j
End;
7.repet de la pasul 1 de k ori
End
unde c este constanta de nvare, D(I) si O(I) sunt ieirea ateptat respectiv
ieirea real din reea pentru instana I, iar I=(D(i)-O(i))*O(i)*(1-O(i)), unde
D(i) i O(i) sunt ieirea dorit i cea ateptat din nodul i. Numrul k de
repetri ale algoritmului se stabilete anterior.
Dac numrul de noduri interne este prea mare comparativ cu numrul
instanelor de antrenament, algoritmul nu va generaliza suficient reeaua, iar
dac numrul de noduri interne este prea mic, reeaua poate eua n gsirea
unei configuraii compatibile cu setul de instane de antrenament.
O reea multistratificat unidirectional cu un strat intern poate
reprezenta orice funcie continu, iar o reea multistratificat cu dou straturi
interne poate reprezenta orice funcie (Cybenko 1989).
Complexitatea computaional
Metoda
10. fie S3 scorul obinut dac am plasa Instan ntr-o clas nou
11. fie S4 scorul obinut dac am reuni D1 i D2 ntr-un set de clase
12. fie S5 scorul obinut dac am nlocui D1 cu fii si
End
13. dac S1 este cel mai bun scor
14. Cobweb(D1, Instan)
altfel
15. dac S3 este cel mai bun scor
16. iniializeaz probabilitile din noua clas cu cele din Instan
altfel
17. dac S4 este cel mai bun scor
Begin
18. fie Dn setul de clase obinut prin reunirea D1 i D2
19. Cobweb(Dn, Instan)
End;
altfel
20. dac S5 este cel mai bun scor
Begin
21. nlocuiete D1 cu fii si
22. Cobweb (Nod, Instan)
End;
End
Algoritmul face o cutare n spaiul taxonomiilor posibile folosind
utilitatea claselor pentru a evalua i selecta seturile posibile de clase. Iniial,
pleac cu o singur clas cu probabilitile primei instane primite. Pentru
fiecare instan ulterioar, algoritmul parcurge arborele de clase (format iniial
dintr-o singur clas) i evalueaz cel mai bun pas, dintre variantele:
-
sistemelor
complexe
de
inteligen
artificial.
Exist
BIBILOGRAFIE
... - Legturi utile: http://www.aaai.org/AITopics/html/machine.html
...- Cursuri disponibile on-line:
http://www.cs.iastate.edu/~honavar/Courses/cs673/machine-learningcourses.html
-- European Conference on Machine Learning: http://www.ecmlpkdd2007.org/
-- Knowledge Discovery and Data: http://www.acm.org/sigs/sigkdd/kdd/2007/
-- Association for the Advancement of Artificial Intelligence's national
Conferene on Artificial Intelligence:
http://www.aaai.org/Conferences/AAAI/aaai07.php
Alpaydin E. - Introduction To Machine Learning, MIT Press, 2004
DeJong G, Mooney R. Explanation-based learning. An alternative view,
Machine Learning, 1986
Fisher J. Concept Formation: Knowledge and Experience in Unsupervised
Learning, Lawrence Erlbaum, 1991
Jebara T. - Machine Learning: discriminative and generative, Springer, 2004
Mitchell T.M. Machine Learning, McGraw-Hill, 1997