Cтраница 3
С самого начала следует четко разграничить два общих подхода к проблеме обучения машин. Первый из них, который можно назвать подходом с точки зрения нейронных сетей, рассматривает возможность создания обученного поведения в случайно связанной переключательной сети ( или ее модели на цифровой вычислительной машине) в результате применения некоторой системы поощрений и наказаний. Второй, значительно более эффективный подход - создание эквивалента высокоорганизованной сети, предназначенного для обучения только некоторым специальным действиям. Первый подход должен привести к развитию универсальных обучающихся машин. Второй подход требует составления новой программы для каждого нового приложения, но его можно осуществить уже в настоящее время. Описываемые здесь эксперименты базируются на втором подходе. [31]
На основе представления о компактности образов [88] был построен алгоритм и проведено обучение машины распознаванию рукописных цифр. [32]
Часто предполагают, что эта проблема ложного максимума является главным препятствием при обучении машин по этому методу. Это, конечно, может вызвать затруднения. Однако что касается действительно трудных проблем, то нам кажется, что обычно более фундаментальная проблема состоит в отыскании вообще какого-то существенного максимума. К сожалению, известные функции Е для трудных проблем часто обнаруживают то, что мы назвали [740] Mesa-феноменом, при котором незначительные изменения в параметре обычно либо ведут к большим изменениям в характеристике, либо вообще не меняют характеристику. При любой попытке делать небольшие шаги в системе возникают бесполезные блуждания, не сопровождающиеся приращением информации. Выгодный поиск в таком пространстве потребует таких больших шагов, что поиск методом подъема по градиенту по существу исключен. Для решения задачи требуется тогда найти другие методы. Однако при другом виде эвристической связи поиск методом подъема по градиенту может оказаться удовлетворительным. [33]
Как видно, задача, которую решает этот блок, близка к задаче обучения машины распознаванию образов без учителя, рассмотренной в [52], где аналогичные вопросы решаются для многомерных характеристик. [34]
Модуль усвоения знаний, являющихся самым дорогим ресурсом, автоматизирует процесс извлечения знаний и обучение машины. Под обучением машины понимается любое улучшение работы ЭС, являющееся результатом накопления опыта. Последнее происходит за счет применения алгоритмов, решающих задачи расширения круга решаемых проблем, вывода более точных решений, получения ответов с меньшими затратами, упрощения уже имеющихся знаний. [35]
Таким образом, устанавливается, что область применения персептронных схем шире, чем задача обучения машины распознаванию образов, понимаемая как задача разделения двух множеств точек в некотором пространстве. [36]
Эксперименты по автоматической классификации описаний изображений, построенных машиной, предназначены для проверки предлагаемой схемы обучения машины в целом. Поэтому эти эксперименты являются основными. [37]
Чисто теоретически для однозначного предсказания результатов величина обучающей последовательности ( число реализаций в массиве, используемом для обучения машины) должна превышать размерность пространства признаков, в котором проводится распознавание. Поскольку, однако, задача имеет статистический характер, то такого жесткого условия не ставится. В работе [9] методом математического эксперимента была проанализирована такая зависимость для случая гауссового распределения реализаций в пространствах признаков каждого из двух классов. Для NID 3 надежность распознавания существенно не зависит ни от размерности пространства признаков, ни от незначительного перекрывания границ классов в этом пространстве. Исходя из имеющегося опыта, свидетельствующего, что апостериорное число значащих признаков при распознавании катализаторов обычно не превышает 10 - 15, можно считать, что указанные цифры являются нижней границей величины массива обучающей последовательности в рассматриваемом круге задач. Желательно, однако, по возможности существенно увеличить этот массив. Дело в том, что указанные соотношения соблюдаются при достаточно точном определении самих значений признаков. В задачах распознавания катализаторов это имеет место не так часто, как указывалось выше. [38]
Игра типа шашек является подходящим объектом для разработки методик обучения и дает весьма убедительную для скептиков демонстрацию процесса обучения машины. [39]
Трудности ( по-видимому, на сегодняшний день едва ли легко преодолимые), которые возникли бы при попытке обучения машины пониманию предложений, содержащих эгоцентрические слова, можно было бы пояснить на примере изречения Декарта я мыслю, следовательно, я существую. Логический анализ этого высказывания приводит к выводу, что оно содержит квантор существования ( 3): существует мысль. Очевидно, изречение Декарта могло бы быть сообщено машине ( или проанализировано ею самой) в форме: В источнике настоящего сообщения существует мысль, следовательно, источник настоящего сообщения существует. [40]
Диагностическая система была применена для установления диагноза в процессе предоперационного обследования у 218 больных, данные которых не участвовали в процессе обучения машины. [41]
Он же показал [9], что процедура типа ( 1) может быть использована для решения широкого класса задач теории адаптации и обучения машин. [42]
Возьмем набор соединений, про которые уже известно, к какому из двух классов они относятся, так называемое тренировочное множество, и начнем процедуру, являющуюся обучением машины. Совершенно произвольно зададим начальное положение граничной плоскости. [43]
Весь опыт использования ЭВМ у нас в стране и за рубежом подтвердил раннюю догадку конструкторов о том, что расширение сферы применения ЭВМ зависит не от того, насколько всемогущую машину создали разработчики, насколько она умна, а от людей, составляющих программы, от собственного их умения совершенствоваться в обучении машин. Поэтому в школах знакомятся с ЭВМ не только для того, чтобы с ее помощью изучать основы наук, но и изучить основы программирования независимо от того, с какой, машиной и на каком языке придется общаться в будущей профессии или при выполнении будущих обязанностей. Ведь многим из сегодняшних школьников предстоит не только использовать, но и обучать ЭВА своими программами. [44]
Время поисков при этом значительно сокращается. На обучение машины, пока она определяет отличительные признаки закона при тех же шести строках, уходит всего пять-шесть минут. А на то, чтобы узнать шесть новых групп чисел, ей нужно двадцать секунд, включая и печатание результата на бумажной ленте. [45]