Математическая логика (алгебра высказываний  Алгебра Буля)

1. 
   Эквивалентность (А = В). Мн-ва эквивалентны тогда и только тогда, когда для всех х, входящих во множество Х, соблюдается правило:
   
2. 
   
   

3. 
   Функция объединения
   
4. 
   Функция принадлежности. Находится для операции взятия масс
   

5. 
   Пересечение (конъюнкция) – множество, которое является одновременно подмножеством обоих множеств (описание как 4, только min)
   
6. 
   Дополнение. Нечеткое множество А соответствует логической операции НЕ
   

7. 
   Алгебраическое произведение
   

8. 
   Алгебраическая сумма
   

9. 
   Концентрация (возведение в степень)
   

CON(A) = A^2

10. 
    Растяжение
    

DIL (A) = sqrt(A) = A^0.5

функция принадлежности:
Под нечетким алгоритм подразумевается ряд инструкций, в формулировках которых содержатся нечеткие указания.

Основы машинного обучения
Машинное обучение изучает алгоритмы6 которые автоматически улучшают качество своей работы, используя опыт и получаемые данные. Работа этих алгоритмов строится на 3: линейная алгебра, мат. статистика, численные методы

Задачи, решаемые с помощью машинного обучения:

1. 
   классификация текстов
   
2. 
   обнаружение спама
   
3. 
   обработка естественного языка (извлечение информации из текста, машинный перевод)
   
4. 
   Обработка речи, распознавание речи, идентификация говорящего
   
5. 
   Компьютерное зрение (идентификация объектов, распознавание лиц)
   
6. 
   Разработка роботов, беспилотных автомобилей
   
7. 
   Постановка медицинских диагнозов по результатам исследований
   
8. 
   Разработка рекомендательных систем
   

Существует 2 типа обучения:

1. 
   обучение с учителем
   
2. 
   обучение без учителя
   

Задачи, которые решаются:

1. 
   отнесение к классам
   
2. 
   регрессия (каждому экземпляру нужно приписать вещественное число)
   
3. 
   ранжирование (упорядочить экземпляры по некоторому правилу)
   
4. 
   кластеризации (разбиение множества на однородные подмножества)
   
5. 
   понижение размерности (требуется преобразовать набор признаков в набор признаков, лежащих в пространстве меньшей размерности с сохранением определенных свойств)
   

---

Стадии машинного обучения:

1. 
   экземпляры (данные используются для оценки его результатов)
   
2. 
   признаки (атрибуты, представленные в виде векторов, ассоциированные с экземплярами)
   
3. 
   метки (значение или категория, приписанные каждому экземпляру)
   
4. 
   гиперрпараметры (свободные параметры, которые не ищутся в алгоритме обучения, а являются параметрами этого алгоритма)
   
5. 
   обучающая выборка (экземпляр исп. на этапе обучения)
   
6. 
   валидационная выборка (исп. для настройки гиперпараметров алгоритмов и работе с размеченными данными)
   
7. 
   тестовая выборка (исп. для оценки качества алгоритма)
   
8. 
   функция потерь (ф-я, измеряющая радиус между предсказуемыми и истинными ответами)
   
9. 
   мн-во гипотен (мн-во функций, отображающая признаки в множестве элементов)
   

Обучение с учителем – имеется мн-во различных примеров. Целью является предсказание ответов на новых примерах. Это является основой для классификации, регрессии и ранжировании.

Обучение без учителя – имеется мн-во примеров. Необходимо обнаружить взаимосвязи между примерами.

(???) Онлайн-обучение – чередуется фаза обучения и тестирования

Обучение с потреблением
(( Напомнить про примеры скинуть питоновские файлы с машинным обучением ))

---

Смотрите также файлы

• СУ при заболеваниях пищеварительной системы у детей старшего возраста. Острый гастрит.docx

• Развитие педагогического проектирования с античности до 20х годов xx века Подготовил аспират 2 курса, группы 04002194.pptx

• Пояснительная записка 22 2 содержание 2 Расчетная часть.docx

• Конспекты прислать в образовательную средув форматах word, jpgфото загружать в файле низкого разрешения (но читаемый).docx

• Методические указания для выполнения контрольной работы по дисциплине Электроника.doc