Участник:ADY

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Текущие представления о машинном обучении)
м (Андрей Сивер)
Строка 2: Строка 2:
* ЖивойЖурнал: [http://ady-1981.livejournal.com/ ady-1981.livejournal.com]
* ЖивойЖурнал: [http://ady-1981.livejournal.com/ ady-1981.livejournal.com]
-
* Научные интересы: прикладная статистика (непараметрическая статистика), теория машинного обучения.
+
* Научные интересы: символьные вычисления, 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.
* 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.
* Знания в IT: Mathematica, Java (Java EE, JSF), XQuery.

Версия 09:18, 18 сентября 2008

Андрей Сивер

  • ЖивойЖурнал: ady-1981.livejournal.com
  • Научные интересы: символьные вычисления, 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 в самых разных смыслах, начиная от "адаптации в текущих условиях, с целью максимально эффективного действия" до "моделирования среды, с целью выяснения ее свойств и характеристик, для построения эффективных функционалов действия").
    • 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 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. 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 :).
Личные инструменты