Gépi tanulás gyenge felügyeletből: Egy empirikus kockázatminimalizálási megközelítés

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.

Eredeti címe:

Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach

Könyv tartalma:

A gyengén felügyelt osztályozás alapvető elmélete és gyakorlati algoritmusai, hangsúlyozva az empirikus kockázatminimalizáláson alapuló megközelítést.

A standard gépi tanulási technikákhoz nagy mennyiségű címkézett adatra van szükség ahhoz, hogy jól működjenek. Amikor azonban a gépi tanulást a fizikai világ problémáira alkalmazzuk, rendkívül nehéz ilyen mennyiségű címkézett adatot gyűjteni. Ez a könyv a gyengén felügyelt tanulás elméletét és algoritmusait mutatja be, a gyengén címkézett adatokból történő gépi tanulás paradigmáját. Az empirikus kockázatminimalizáláson alapuló megközelítést hangsúlyozva és a gyengén felügyelt tanulás legmodernebb kutatásaira támaszkodva a könyv a terület alapjait és az ezek alapjául szolgáló fejlett matematikai elméleteket egyaránt ismerteti. Gyakorlati szakemberek és kutatók számára referenciaként, valamint az oktatásban is használható.

A könyv először matematikailag megfogalmazza az osztályozási problémákat, meghatározza az általános jelöléseket, és áttekinti a felügyelt bináris és többosztályos osztályozás különböző algoritmusait. Ezután a bináris, gyengén felügyelt osztályozás problémáit vizsgálja, beleértve a pozitívan nem címkézett (PU) osztályozást, a pozitívan negatívan nem címkézett (PNU) osztályozást és a címkézetlenül nem címkézett (UU) osztályozást. Ezután rátér a többosztályos osztályozásra, a kiegészítő címkés (CL) osztályozás és a részleges címkés (PL) osztályozás tárgyalásával. Végül a könyv haladóbb kérdésekkel foglalkozik, beleértve a gyenge felügyeletű tanulás általánosítási teljesítményének javítására szolgáló korrekciós módszerek családját és az osztály-előbbi becslés problémáját.