《【大学课件】机器学习研究进展》由会员分享，可在线阅读，更多相关《【大学课件】机器学习研究进展（45页珍藏版）》请在金锄头文库上搜索。
1、1机器学习研究进展http:/ http:/ 对给定样本集合， 通过算法建立模型，对问题世界为真的程度http:/ Neumman为量子力学数学基础提出的一类具有一般意义的线性内积空间n在机器学习中借助Hilbert空间构成特征空间http:/ 有限样本，样本集内部结构(VC维)泛化关系：模型与泛化随机选择样本集的随机变量样本集、模型与泛化泛化能力描述：以概率为1成立以概率1-成立泛化不等式：?(无法指导算法设计)最大边缘(指导算法设计)http:/ 多个弱分类器可以集成为一个强分类器1990年，Schapire证明了一个关键定理，由此，奠定了集成机器学习的理论基础http:/ y) : a(
2、x)=a(y), x, yUhttp:/ sets中的reduct理论是近几年符号机器学习最重要的研究结果之一n这个理论理论可以作为符号机器学习的数学基础n这个理论可以作为符号数据分析的基础(数据挖掘)http:/ rules派生于统计相关分析，其方法可以使用reduct理论来刻画nReduct具有很多重要的数学性质，可以保证根据不同需求识别不同的例外n我们建议，将符号数据分析建立在reduct理论之上http:/ exceptionn注释： 在统计学中，这类观察称为outlier，在认知科学中，有意义的outlier称为exceptionhttp:/ for rankingn问题主要来自信息检索，假设用户的需求不能简单地表示为“喜欢”或“不喜欢”，而需要将“喜欢”表示为一个顺序，问题是如何通过学习，获得关于这个“喜欢”顺序的模型。http:/ 时代(3)应用驱动成为必然，这意味着，任何方法需要在应用中检验http:/ 谢!http:/
