«Ուսուցում առանց ուսուցչի»–ի խմբագրումների տարբերություն
Content deleted Content added
No edit summary |
չ clean up, փոխարինվեց: եւ → և oգտվելով ԱՎԲ |
||
Տող 1.
'''Ուսուցում առանց ուսուցչի''' (ինքնուրույն ուսուցում, [[Անգլերեն|անգլ.]]` Unsupervised learning) [[Մեքենայական ուսուցում|մեքենայական ուսուցման]] մեթոդներից մեկն է, որի ընթացքում փորձարկվող համակարգը ինքնաբերաբար սովորում է կատարել տրված առաջադրանքը առանց փորձարարի միջամտության: [[Կիբեռնետիկա|Կիբերնետիկայի]] տեսանկյունից սա համարվում է [[
Առանց ուսուցչի ուսուցանումը հաճախ հակադրվում է [[
== Կապ ֆիզիոլոգիայի հետ ==
Չնայած կիրառական բազմաթիվ ձեռքբերումների, [[ուսուցումը ուսուցչի հետ]] քննադատվել է իր կենսաբանորեն ոչ արժանահավատ լինելու համար: Դժվար է պատկերացնել ուղեղում գտնվող ուսուցանող մեխանիզմ, որը կհամեմատեր ելքերի ցանկալի և իրական նշանակությունը` կատարելով շտկումներ հետադարձ կապի օգնությամբ: Եթե ենթադրենք, որ ուղեղում առկա է նման մեխանիզմ, ապա այդ դեպքում որտեղի՞ց են առաջանում ցանկալի ելքերը: Առանց ուսուցչի ուսուցանումը կենսաբանական համակարգում համարվում է շատ ավելի արժանահավատ մոդել: [[Կոհոնեն
== «Առանց ուսուցչի ուսուցման» հասկացությունը պատկերների ճանաչման տեսության մեջ ==
Տեսությունը կառուցելու և տարբեր տեսություններում կիբեռնետիկական փորձից հաեռանալու համար, առանց ուսուցչի ուսուցման փորձը փորձում են ձևակերպել մաթեմատիկորեն: Գոյություն ունեն այս ձևակերպման սահմանման և տեղադրման տարբեր ենթատեսակներ, որոնցից մեկն արտացոլվում է [[Պատկերների ճանաչման տեսություն|պատկերների ճանաչման տեսության]] մեջ:
Փորձից և տեսության կառուցումից նման հեռացումը կապված է մասնագետների տարբեր տեսակետների հետ: Մասնավորապես տարաձայնություններ են առաջանում տվյալ հարցին պատասխանելիս. «Հնարավո՞ր են արդյոք տարբեր բնույթի պատկերների ադեկվատ նկարագրության միատեսակ սկզբունքներ, թե՞այդպիսի նկարագրությունն ամեն անգամ խնդիր է հատուկ գիտելիքներ ունեցող մասնագետների համար»:
Առաջին դեպքում տեղադրումը պետք է ուղղված լինի պատկերների համարժեք նկարագրության կազման մեջ ապրիորի տեղեկատվության օգտագործման ընդհանուր սկզբունքների բացահայտմանը: Կարևոր է այն, որ այստեղ տարբեր բնույթի պատկերների մասին ապրիորի տեղեկատվությունը տարբեր է, իսկ դրանց հաշվառման սկզբունքը նույնն է: Երկրորդ դեպքում նկարագրություն ստանալու խնդիրը դուրս է հանվում ընդհանուր միջավայրից, և մեքենաներին պատկերների ճանաչման ուսուցման տեսությունը, պատկերներիի ճանաչման վիճակագրական տեսության տեսանկյունից, կարող է հանգեցնել միջին ռիսկի խնդրի նվազեցմաը` որոշիչ կանոնների հատուկ դասում<ref>Вапник В. Н., Червоненкис А. Я., Теория распознавания образов. Статистические проблемы обучения, 1974</ref>:
Տող 22.
* Առարկաների [[առանձնահատկությունների նկարագրություն]]. յուրաքանչյուր առարկա նկարագրվում է իր բնութագրերի ամբողջությամբ, որոնք կոչվում են հատկանիշներ: Հատկանիշները կարող են լինել թվային կամ ոչ թվային:
* Օբյեկտների
== Լուծելի խնդիրներ ==
Տող 48.
=== Ընդհանրացման խնդիրներ ===
Ինչպես [[
Այս դեպքում [[
=== Ասոցիացիայի կանոնների որոնման առաջադրանքներ ===
Տող 69.
==== Լուծման մեթոդներ ====
* [[Դենդրոգրամ
* [[Կոհենենի ինքնակազմակերպվող քարտեզ]]
* [[Գեներատիվ տեղագրական քարտեզ]]
Տող 82.
== Արտաքին հղումներ ==
* [[dmoz:Computers/
* [http://www.machinelearning.ru/ Профессиональный вики-ресурс, посвященный машинному обучению и интеллектуальному анализу данных].
* Roman, Victor (2019-04-21). [https://towardsdatascience.com/unsupervised-machine-learning-clustering-analysis-d40f2b34ae7e "Unsupervised Machine Learning: Clustering Analysis"]
Տող 89.
* Այվազյան Ս.Ա., Բուխստաբեր Վ.Մ., Էնյուկով Ի.Ս., Մեշալկին Լ.Դ. Կիրառական վիճակագրություն. Դասակարգում և չափերի նվազում: - Ֆ. Ֆինանսներ և վիճակագրություն, 1989:
* Զագորույկո Ն. Գ.,Տվյալների և գիտելիքների վերլուծության կիրառական մեթոդներ: - Նովոսիբիրսկ. IM SO RAN, 1999: [[:ru:Служебная:
* Շլեզինգեր Մ., Գլավաչ Վ., Տաս դասախոսություն վիճակագրական և կառուցվածքային ճանաչման վերաբերյալ: - Կիև ՝ Նաուկովա Դումկա, 2004 թ.[[:ru:Служебная:
* ''Hastie, T., Tibshirani R., Friedman J.'' [http://www-stat.stanford.edu/~tibs/ElemStatLearn/ The Elements of Statistical Learning: Data Mining, Inference, and Prediction]. — 2nd ed. — Springer-Verlag, 2009. — 746 p. — [[:ru:Служебная:
* ''[[:ru:Розенблатт,
== Ծանոթագրություններ ==
<references />
[[Կատեգորիա:Արհեստական նեյրոնային ցանցեր]]
|