Материал из MachineLearning.
Андрей Сивер
- ЖивойЖурнал: ady-1981.livejournal.com
- Научные интересы: прикладная статистика (непараметрическая статистика), теория машинного обучения.
- Деятельность: расчет букмекерских коэффициентов, разработка платформы для анализа спортивной статистики и анализа данных с биржи Betfair, построение систем рейтинга.
- Знания в IT: Mathematica, Java (Java EE, JSF), XQuery.
- Занимался оценкой значений фундаментальных физических констант в ГНЦ ИФВЭ (2003-2006).
- Окончил Физфак МГУ в 2004 (кафедра теорфизики).
Текущие представления о машинном обучении
- Происходит и эволюционирует из тематики "искусственного интеллекта".
- В широком смысле изучает любые математические и кибернетические модели, способные к обучению: понимаемое (1) в широком смысле, как адаптацию в текущих условиях, с целью максимально эффективного действия; (2) в узком смысле, моделирование среды, с целью выяснения ее свойств и характеристик.
- В узком смысле изучает конкретные модели, которые имеют успех для процесса обучения (понимаемое еще в более узком смысле).
- Статистическую теорию машинного обучения можно понимать как логическое продолжение (или развитие) математической статистики для малых выборок, и как распространение статистических идей для статистических задач в общей постановке: то есть, когда имеются и используются только данные и достаточно общие условия и знания о задаче, и требуется определить все статистические или любые иные объективные характеристики системы.
- Особенность подхода машинного обучения состоит в том, что изучаться может сам процесс обучения, причем результаты предыдущих процессов обучения могут использоваться в следующей процедуре обучения. В обычной матстатистике такие модели, как правило, не изучаются (обычно, рассматриваются только весь набор имеющихся данных и такой подход математически выглядит проще, чем анализ рекурентных соотношений; в то время как для компьютерного моделирования второй подход гораздо проще первого).
- Ключевым для статистической теории машинного обучения является конечность процесса обучения: то есть при заданной точности требуемых характеристик (в рамках рассматриваемой задачи машинного обучения) число необходимых данных для обучения должно быть конечно. Количество памяти для такого обучения должно быть также ограничено.
- Не стоит недооценивать понимание машинного обучения в широком смысле (см. выше). Мозг человека можно понимать как некоторую физическую машину для некоторого алгоритма машинного обучения. Видя успехи этой системы, можно надеется на будущие успехи и теории машинного обучения :).
