Теория статистического обучения
Материал из MachineLearning.
(категория) |
(категория - так будет правильнее) |
||
| Строка 12: | Строка 12: | ||
# {{П:Hastie 2001 The Elements of Statistical Learning}} | # {{П:Hastie 2001 The Elements of Statistical Learning}} | ||
| - | [[Категория: | + | [[Категория:Теория вычислительного обучения]] |
Версия 21:10, 7 февраля 2010
Теория статистического обучения (Statistical Learning Theory, SLT) изучает методы построения и анализа алгоритмов, обучаемых по прецедентам. Основные направления исследований — получение оценок обобщающей способности и проблема переобучения, разработка новых методов обучения. Почти то же самое, что теория вычислительного обучения (Computational Learning Theory, COLT).
Термин SLT употребляют вместо COLT, как правило, чтобы дистанцироваться от проблем вычислительной сложности (computational complexity), которые рассматривались совместно с проблемами обучаемости в теории Валианта. Ценность такого объединения сомнительна. В последнее время термин SLT стал употребляться относительно чаще.
Термин статистическое обучение (Statistical Learning) употребляют как синоним машинного обучения (Machine Learning).
Ссылки
- Statistical Learning Theory — материал из Википедии.
- Statistical Learning — материал из Википедии (переадресация на Machine Learning).
Литература
- Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning, 2nd edition. — Springer, 2009. — 533 p. (подробнее)
