«Տրանսդուկտիվ ուսուցում»–ի խմբագրումների տարբերություն
Content deleted Content added
չ 23artashes տեղափոխեց էջը «Տրանսդուկտիվ ուսուցում»-ից «Սևագիր:Տրանսդուկտիվ ուսուցում» առանց վերահղում թողնելու: Անաղբյուր (աղբյուրները պետք է լինեն պարբերություններից հետո՝ ծանոթագրությունների տեսքով), չվիքիֆիկացված |
No edit summary |
||
Տող 2.
=== '''Ինչ է տրանսդուկտիվ ուսուցումը''' ===
Transduction կամ transductive ուսուցումն օգտագործվում է վիճակագրական ուսուցման տեսության ոլորտում `վկայակոչելով որոշակի օրինակներ, որոնք տրված են որոշակի տիրույթի օրինակներից: Այն հակադրվում է ուսուցման այլ տեսակների հետ, ինչպիսիք են ինդուկտիվ և դեդուկտիվ ուսուցումը:<ref>{{Cite web|url=https://intellect.icu/transduktivnoe-obuchenie-transduction-122|title=Трансдуктивное обучение (transduction)|last=Han|website=intellect.icu|accessdate=2021-12-11}}</ref>
Տրամաբանության և վիճակագրության մեջ տրանսդուկտիվ եզրակացությունը կամ փոխարկիչ մեթոդը եզրակացություններ են դիտարկվող առանձին դեպքերի (թեստային տվյալների) վերաբերյալ, որոնք հիմնված են որոշակի թեստերի վրա (ուսուցման տվյալներ): Ընդհակառակը, ինդուկտիվ եզրակացությունը սովորելու հատուկ դեպքերը տանում են դեպի ընդհանուր կանոններ, որոնք այնուհետև կիրառվում են փորձարկման դեպքերի համար:<ref>{{Cite web|url=https://www.news-medical.net/life-sciences/What-is-Viral-Transduction.aspx|title=What is Viral Transduction?|last=says|first=Gail Christie|date=2020-07-16|website=News-Medical.net|language=en|accessdate=2021-12-11}}</ref>
Տարբերությունն ամենահետաքրքիրն է այն դեպքերում, երբ տրանսդուկտիվ մոդելի կանխատեսումները անհասանելի են որևէ ինդուկտիվ մոդելի միջոցով:Առաջանում են իրավիճակներ, երբ տարբեր փորձարկման նմուշների վրա փոխարկիչ եզրակացության արդյունքում ստացվում են փոխադարձ հակասական կանխատեսումներ:<ref>{{Cite journal|last=Xiao|first=Fei|last2=Pang|first2=Liang|last3=Lan|first3=Yanyan|last4=Wang|first4=Yan|last5=Shen|first5=Huawei|last6=Cheng|first6=Xueqi|date=2021-09-16|title=Transductive Learning for Unsupervised Text Style Transfer|url=http://arxiv.org/abs/2109.07812|journal=arXiv:2109.07812 [cs]}}</ref>
=== '''Պատմություն''' ===
Փոխակերպումը ներդրեց Վլադիմիր Վապնիկը 1990 -ականներին: Նրա կարծիքով, փոխարկումը գերադասելի է [[Ինդուկցիա|ինդուկցիայից]], քանի որ ինդուկցիան պահանջում է ավելի ընդհանուր խնդրի լուծում (գործառույթի վերականգնում) ավելի կոնկրետ խնդիր լուծելուց առաջ (արդյունքների հաշվարկ նոր դեպքերի համար)։«… հետաքրքրող խնդիրն լուծելիս մի լուծեք ավելի ընդհանրական խնդիր ՝ որպես միջանկյալ քայլ: Փորձեք ստանալ այն պատասխանը, որն իսկապես անհրաժեշտ է, բայց ոչ ավելին »:Ավելի վաղ նմանատիպ դիտարկում էր արել [[Բերտրան Ռասել|Բերտրան Ռասելը]].
«... մենք կգանք այն եզրակացության, որ [[Սոկրատես|Սոկրատեսը]] մահկանացու է ՝ ավելի հստակ մոտեցմամբ, եթե մեր փաստարկը դարձնենք զուտ ինդուկտիվ, քան եթե գնանք« բոլոր մարդիկ մահկանացու են »ճանապարհով և ապա օգտագործենք [[Դեդուկցիա|դեդուկցիան]]<nowiki/>»:<ref>{{Cite journal|last=Mao|first=Yunyao|last2=Wang|first2=Ning|last3=Zhou|first3=Wengang|last4=Li|first4=Houqiang|date=2021-08-08|title=Joint Inductive and Transductive Learning for Video Object Segmentation|url=http://arxiv.org/abs/2108.03679|journal=arXiv:2108.03679 [cs]}}</ref>
=== '''Պատճառներ''' ===
Տող 17.
=== '''Ալգորիթմները''' ===
Փոխակերպման [[Ալգորիթմ|ալգորիթմները]] կարող են լայնորեն բաժանվել երկու կատեգորիայի. Նրանք, ովքեր ձգտում են դիսկրետ պիտակներ նշանակել չպիտակավորված կետերին, և նրանք, ովքեր ձգտում են հետընթաց կատարել չպիտակավորված կետերի համար: Ալգորիթմները, որոնք ձգտում են կանխատեսել պիտակները, հակված են ստացվել ՝ կլաստերային ալգորիթմին մասնակի վերահսկողություն ավելացնելով: Ալգորիթմների երկու դաս կարող է օգտագործվել ՝ հարթ կլաստերացում և հիերարխիկ կլաստերացում: Վերջիններս կարող են հետագայում բաժանվել երկու կատեգորիայի ՝ նրանք, որոնք հավաքվում են բաժանման միջոցով և նրանք, որոնք խմբավորվում են ագլոմերացիայի միջոցով:Ալգորիթմները, որոնք ձգտում են կանխատեսել շարունակական պիտակներ, հակված են դառնալու ՝ մասնակի վերահսկողություն ավելացնելով բազմազան ուսուցման ալգորիթմին։<ref>{{Cite journal|last=Ditzler|first=Gregory|last2=Rosen|first2=Gail|last3=Polikar|first3=Robi|date=2012-06|title=Transductive learning algorithms for nonstationary environments|url=https://ieeexplore.ieee.org/document/6252494|journal=The 2012 International Joint Conference on Neural Networks (IJCNN)|pages=1–8|doi=10.1109/IJCNN.2012.6252494}}</ref>
== Ծանոթագրություններ ==
<references />
=== Գրականություն ===
Տող 31 ⟶ 34՝
=== Աղբյուրներ ===
[https://www.ncbi.nlm.nih.gov/books/NBK21760/ <<Transduction>>]
[https://towardsdatascience.com/inductive-vs-transductive-learning-e608e786f7d <<Inductive vs transductive learning>>]
[https://codesachin.wordpress.com/2016/07/03/a-small-and-easy-introduction-to-transductive-learning/amp/ <<Introduction to Transductive learning>>]
[https://www.cs.cornell.edu/people/tj/publications/joachims_03a.pdf <<Transductive Learning via Spectral Graph Partitioning>>]
[https://openaccess.thecvf.com/content_ECCV_2018/papers/Weiwei_Shi_Transductive_Semi-Supervised_Deep_ECCV_2018_paper.pdf <<Transductive Semi-Supervised Deep Learning>>]
[https://www.ijcai.org/proceedings/2021/369 <<Graph-based Transductive Learning>>]
| |||