Documente Academic
Documente Profesional
Documente Cultură
spaiu de versiuni pentru un
on
ept (de nvat): pr. 1, pr. 28, pr. 32;
zone de de
izie i granie de separare/de
izie pentru arbori de de
izie
u
variabile
ontinue: pr. 9.
621
ARBORI de DECIZIE Privire de ansamblu
atribute
u valori
ontinue: pr. 9, pr. 14
, pr. 40, pr. 41;
h. 4, pr. 11b;
3-way splitting (sau: n-way splitting): pr. 12, pr. 42
alte variante de partiionare: pr. 43
622
Privire de ansamblu ARBORI de DECIZIE
623
Clasi
are bayesian: Privire de ansamblu
A. Noiuni preliminare (vezi [i
ap. Probabiliti i statisti
)
variabile aleatoare:
estimare de parametri n sensul verosimilitii maxime (MLE): pr. 4a;
(vezi i
ap. Estimarea probabilitilor, pr. 5, 20)
B. Algoritmi
al
ulul ratei medii a erorilor pentru algoritmii Bayes Naiv i Bayes Corelat:
pr. 8, 9, 27, 28, 29, 33;
624
Privire de ansamblu CLASIFICARE BAYESIAN
numrul de parametri ne
esari de estimat din date: liniar pentru Bayes Naiv
(2d + 1) i exponenial pentru Bayes Corelat (2d+1 1): pr. 7e, 23ab, 28;
Apli are: G[NB: 16, 38, G[JB: 37, GNB vs G[JB: 18.
E. Alte
hestiuni
omparaii ntre algoritmul Bayes Naiv i ali algoritmi de
lasi
are auto-
mat: pr. 31, 33;
625
nvare bazat pe memorare: Privire de ansamblu
A. Noiuni preliminare
msuri de distan, msuri de similaritate: pr. 2
norm ntr-un spaiu ve
torial; [msura de distan indus de
tre o norm:
pr. 7
626
Privire de ansamblu nvare bazat pe MEMORARE
627
Clusterizare: Privire de ansamblu
A. Noiuni de baz
tipuri de apartenen a unei instane la un
luster: hard vs. soft (ultima numai
pt.
lusterizare ne-ierarhi
)
B. Clusterizare ierarhi
n general, putem
onsidera sim(A, B) = 1/(1 + d(A, B)) sau
hiar sim(A, B) =
1/d(A, B)
nd ne referim doar la
lustere non-singleton;
proprietate/restri
ie: sim(A B, C) min{sim(A, C), sim(B, C)} pentru ori
e
lustere A, B sele
tate de algoritmul de
lusterizare ierarhi
la un pas oare
are
i ori
e alt
luster C ;
628
Privire de ansamblu CLUSTERIZARE
Proprieti:
629
CLUSTERIZARE Privire de ansamblu
Noiuni spe i e
Algoritmul K -means
630
Privire de ansamblu CLUSTERIZARE
Proprieti
K Pn
X ik kxi
i=1P k k 2
n
k=1 i=1 ik
da
d = 1, de
i x1 , x2 , . . . , xn R,
ori
e K -partiie (C1 , . . . , CK ) pentru
are se atinge J K este de forma unei
ole
ii de intervale: C1 = {x1 , . . . , xi1 }, C2 = {xi1 +1 , . . . , xi2 }, . . ., CK1 =
{xiK1 +1 , . . . , xn },
u i1 < i2 < . . . < iK1 < iK = n;
exist un algoritm de
omplexitate O(Kn2 )
are
al
uleaz J K (vezi pr. 38).
631
CLUSTERIZARE Privire de ansamblu
Noiuni preliminare
pseudo-
od:
azul uni-dimensional, varianta
nd doar parametrul este lsat liber: Ma-
hine Learning , Tom Mit
hell, 1997, pag. 193; apli
are: pr. 16;
azul uni-dimensional, varianta
nd toi parametrii ( , i ) sunt lsai li-
beri: pr. 17; alte variante: pr. 43, 44;
azul multi-dimensional, varianta
nd toi parametrii ( , i ) sunt lsai
liberi: pr. 23;
632
Privire de ansamblu CLUSTERIZARE
633
CLUSTERIZARE Privire de ansamblu
Proprieti
634
Algoritmul EM: Privire de ansamblu
Noiuni preliminare
S hema algoritmi EM
pseudo-
od: Ma
hine Learning, Tom Mit
hell, 1997, pag. 194-195;
fundamentare teoreti
: pr. 1 i 2;
hestiuni metodologi
e (relativ la iniializarea parametrilor): pr. 22.
635
ALGORITMUL EM Privire de ansamblu
636
Reele neuronale arti
iale: Privire de ansamblu
A1. Noiuni preliminare
fun
ie prag (sau, treapt), fun
ie liniar, fun
ie sigmoidal (sau, logisti
),
fun
ie sigmoidal generalizat;
separabilitate liniar pentru o mulime de pun
te din Rd ;
e
uaii aso
iate dreptelor n plan / planelor n spaiu / hiper-planelor n spaiul
Rd ;
e
uaia dreptei n plan
are tre
e prin dou pun
te date;
semnele aso
iate pun
telor din semi-planele determinate de o dreapt dat n
plan;
(P0) Toate
ele trei tipuri de neuroni arti
iali (prag, liniar, sigmoidal) produ
separatori liniari.
Conse
in: Con
eptul xor nu poate reprezentat / nvat
u astfel de
dispozitive simple de
lasi
are.
(P0 ) Reelele neuronale arti
iale pot determina granie de de
izie neliniare
(i, n
onse
in, pot reprezenta
on
epte pre
um xor).
Observaie: Reele de uniti sigmoidale pot determina granie de de
izie
urbilinii (vezi pr. 8).
637
REELE NEURONALE Privire de ansamblu
(P1) Reele de neuroni diferite (
a stru
tur i / sau tipuri de uniti) pot s
al
uleze o a
eeai fun
ie. (Vezi pr. 3 i pr. 1.
vs. pr. 2).
(P1 ) Dat o topologie de reea neuronal (i.e., graf de uniti neuronale al
ror tip este lsat nespe
i
at), este posibil
a plasnd n noduri uniti de
un anumit tip s putem reprezenta /
al
ula o anumit fun
ie, iar s
himbnd
tipul unora dintre uniti (sau al tuturor unitilor), fun
ia respe
tiv s nu
mai pot
al
ulat. (Vezi pr. 4 vs. pr. 34.331 )
(P3) Ori
e fun
ie boolean poate reprezentat
u ajutorul unei reele ne-
uronale arti
iale avnd doar dou niveluri de per
eptroni-prag (pr. 5).
(P4) Ori
e fun
ie denit pe un interval mrginit din R,
are este
ontinu
n sens Lips
hitz, poate aproximat ori
t de bine
u ajutorul unei reele
neuronale
are are un singur nivel as
uns (pr. 7).
algoritmul Per eptron (!) al lui Rosenblatt; exemplu de apli are: 17, 39;
dedu
erea regulii de a
tualizare a ponderilor pentru tipuri parti
ulare de per-
eptroni: pr. 13, 25.a, 38, 14.a;
exemplu de apli
are [adi
, nvare
u per
eptronul Rosenblatt: pr. 17.
331 Problemele 1.d i pr. 32 au n vedere o
hestiune similar, ns pentru reele
u topologii diferite: o anumit
extensie a fun
iei xor nu poate reprezentat pe reele de neuroni-prag
are au un singur nivel as
uns.
638
Privire de ansamblu REELE NEURONALE
Per
eptronul kernelizat [dual: pr. 24; parti
ularizare pentru
azul nu
leului
RBF: pr. 50.
azul folosirii unei fun
ii de a
tivare de tip tangent hiperboli
: pr. 45;
azul folosirii unei fun
ii de
ost/penalizare/eroare de tip
ross-entropie:
pr. 48;
639