Обучение - машина
Cтраница 1
Обучение машины может быть использовано почти в любой области, но на практике наиболее успешно работающие системы созданы для классификационных задач, на которых мы и остановимся. [1]
После обучения машины или в ходе его, смотря по алгоритму, проводится прогнозирование новых катализаторов, не включенных в обучающую последовательность. К настоящему моменту алгоритмы распознавания, изложенные в предыдущей главе, не дают возможности полностью машинизировать процесс прогнозирования. Поэтому исследователю приходится самому выбирать объекты Для распознавания и предъявлять их машине. В принципе возможно закладывать в память машины массив всех потенциальных катализаторов с тем, чтобы она сама выбирала из них объекты, удовлетворяющие заданным требованиям в отношении активности или селективности. Пока мы не располагаем такими программами и нам не известно об их существовании. [2]
 |
Изменения вероятности активности нейрона в зависимости от параметра t. [3] |
Процедура обучения машины Больцмана сводится к выполнению двух чередующихся шагов. [4]
Под обучением машины я понимаю любое улучшение работы вычислительной системы, являющееся результатом накопления опыта. [5]
Занявшись обучением машины переводу, математики-филологи обнаружили, что раньше надо получше самим разобраться в том, как и почему мысль находит свое выражение словами. Надо ответить, почему мы говорим так, а не иначе, почему порядок следования слов в одних случаях фиксирован, а в иных - произволен. [6]
По роду обучения машины могут быть подразделены на ТСО индивидуального, группового и поточного пользования. Малые машины используются в основном как средство индивидуального пользования и лишь некоторые из них - как средство группового. [7]
Пусть цель обучения машины Больцмана состоит в построении внутренней модели, воспроизводящей вероятностную взаимосвязь между структурами двух классов. [8]
 |
Разделение двух множеств одной плоскостью ( а и сложной поверхностью ( о. [9] |
Таким образом, обучение машины распознаванию образов складывается из нескольких стадий: описания объектов; выбора типа решающего правила; обучения распознаванию ( определение изменяемых параметров решающего правила); оценки качества полученного правила. [10]
Существуют различные методы обучения машин распознаванию образов. Их обоснование невозможно в рамках самой математики. Только практика может дать оценку каждому методу. [11]
На этом же принципе производится обучение машины человеком. [12]
Следующим этапом исследования является процедура обучения машины распознаванию активных катализаторов, что подробно описано в предыдущей главе. Как указывалось там, эта процедура сама по себе итеративная и заканчивается не только установлением факта способности машины с принятой степенью вероятности распознавать катализаторы, но и отсеиванием незначащих признаков и ранжировкой влияющих признаков по степени их влиятельности. [13]
Следующим этапом стратегии является процедура обучения машины распознаванию активных катализаторов. Эта процедура сама по себе итеративная и заканчивается не только установлением факта способности машины распознавать катализаторы с заданной степенью вероятности, но п отсеиванием незначащих признаков и ранжировкой влияющих признаков по степени их влиятельности. После обучения машины пли в ходе его проводится прогнозирование новых катализаторов, не включенных в обучающую последовательность. Результаты машинного прогноза подвергаются экспериментальной проверке. [14]
Метод потенциальных функций в аадачо обучении машины распознаванию образов без учителя. [15]
Страницы: 1 2 3 4