Uczenie maszynowe ze słabym nadzorem: Empiryczne podejście do minimalizacji ryzyka

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach

Zawartość książki:

Podstawowa teoria i praktyczne algorytmy słabo nadzorowanej klasyfikacji, z naciskiem na podejście oparte na empirycznej minimalizacji ryzyka.

Standardowe techniki uczenia maszynowego wymagają dużych ilości oznaczonych danych, aby dobrze działać. Kiedy jednak stosujemy uczenie maszynowe do problemów w świecie fizycznym, niezwykle trudno jest zebrać takie ilości oznaczonych danych. Niniejsza książka przedstawia teorię i algorytmy słabo nadzorowanego uczenia się, paradygmatu uczenia maszynowego na podstawie słabo oznaczonych danych. Kładąc nacisk na podejście oparte na empirycznej minimalizacji ryzyka i opierając się na najnowocześniejszych badaniach w dziedzinie słabo nadzorowanego uczenia się, książka zawiera zarówno podstawy tej dziedziny, jak i zaawansowane teorie matematyczne leżące u ich podstaw. Może być wykorzystywana jako odniesienie dla praktyków i badaczy oraz w klasie.

Książka najpierw formułuje matematycznie problemy klasyfikacji, definiuje wspólne notacje i dokonuje przeglądu różnych algorytmów nadzorowanej klasyfikacji binarnej i wieloklasowej. Następnie analizuje problemy słabo nadzorowanej klasyfikacji binarnej, w tym klasyfikacji pozytywno-nieoznakowanej (PU), klasyfikacji pozytywno-negatywno-nieoznakowanej (PNU) i klasyfikacji nieoznakowanej (UU). Następnie przechodzi do klasyfikacji wieloklasowej, omawiając klasyfikację z etykietami uzupełniającymi (CL) i klasyfikację z etykietami częściowymi (PL). Wreszcie, książka porusza bardziej zaawansowane kwestie, w tym rodzinę metod korekcyjnych w celu poprawy wydajności uogólniania słabo nadzorowanego uczenia się oraz problem estymacji klasy-poprzedniej.