دانلود کتاب The design and analysis of efficient learning algorithms

ترجمه فارسی توضیحات (ترجمه ماشینی)

طراحی و تجزیه و تحلیل الگوریتم های یادگیری کارآمد

رویکردهای ساخت ماشین‌هایی که می‌توانند از تجربه بیاموزند فراوانند – از الگوریتم‌های یادگیری پیوندگرا و الگوریتم‌های ژنتیک تا مکانیک آماری و یک سیستم یادگیری مبتنی بر نظریه‌های پیاژه در مورد رشد دوران کودکی. این رساله نتایج به دست آمده از چارچوب ریاضی جهت گیری نظریه یادگیری محاسباتی را توصیف می کند. با تمرکز بر طراحی الگوریتم‌های یادگیری کارآمد و عملکرد آنها، پایه‌ای تئوریک و صحیح برای مطالعه و درک یادگیری ماشین ایجاد می‌کند. از آنجایی که بسیاری از نتایج به مشکل اساسی یادگیری یک مفهوم از روی مثال ها مربوط می شود، Schapire با معرفی مختصری از مدل Valiant شروع می کند، که بسیاری از تحقیقات را در مورد این مشکل ایجاد کرده است. سپس چهار فصل مستقل جنبه های مختلف یادگیری ماشین را در نظر می گیرند. مشارکت آنها شامل یک تکنیک کلی برای بهبود چشمگیر میزان خطای یک الگوریتم یادگیری “ضعیف” است که می تواند برای بهبود کارایی فضای بسیاری از الگوریتم های یادگیری شناخته شده نیز استفاده شود. کاوش دقیق یک روش آماری قدرتمند برای استنتاج کارآمد ساختار انواع خاصی از فرمول‌های بولی از نمونه‌های تصادفی رفتار ورودی-خروجی فرمول. بسط یک مدل استاندارد از یادگیری مفهومی برای انطباق با مفاهیمی که رفتار نامطمئن یا احتمالی از خود نشان می دهند. (شامل انواع ابزارها و تکنیک ها برای طراحی الگوریتم های یادگیری کارآمد در چنین شرایط احتمالی)؛ و توصیفی از الگوریتم هایی که می تواند توسط یک ربات برای استنتاج “ساختار” محیط خود از طریق آزمایش استفاده شود. رابرت ای شاپیر دکترای خود را از موسسه فناوری ماساچوست دریافت کرد. او اکنون عضو گروه تحقیقات اصول هوش مصنوعی در آزمایشگاه AT&T Bell است.

The design and analysis of efficient learning algorithms

Approaches to building machines that can learn from experience abound – from connectionist learning algorithms and genetic algorithms to statistical mechanics and a learning system based on Piaget’s theories of early childhood development. This monograph describes results derived from the mathematically oriented framework of computational learning theory. Focusing on the design of efficient learning algorithms and their performance, it develops a sound, theoretical foundation for studying and understanding machine learning. Since many of the results concern the fundamental problem of learning a concept from examples, Schapire begins with a brief introduction to the Valiant model, which has generated much of the research on this problem. Four self-contained chapters then consider different aspects of machine learning. Their contributions include a general technique for dramatically improving the error rate of a “weak” learning algorithm that can also be used to improve the space efficiency of many known learning algorithms; a detailed exploration of a powerful statistical method for efficiently inferring the structure of certain kinds of Boolean formulas from random examples of the formula’s input-output behavior; the extension of a standard model of concept learning to accommodate concepts that exhibit uncertain or probabilistic behavior; (including a variety of tools and techniques for designing efficient learning algorithms in such a probabilistic setting); and a description of algorithms that can be used by a robot to infer the “structure” of its environment through experimentation. Robert E. Schapire received his doctorate from the Massachusetts Institute of Technology. He is now a member of the Artificial Intelligence Principles Research Department at AT&T Bell Laboratories.