Введение в Data Science и Machine Learning

понятия:
-типы задач и методы обучения; -методы обучения.
Основные “школы познания”.:
-символисты; -коннекционисты; -эволюционисты; -байесианцы; -аналогисты.

качестве знания для построения адаптивного поведения в среде или контексте.
Основная

задача - “проложить путь” к “мишени” указанной механизмами целеполагания

Разумность
Восприятие
Целеполагание
Построение алгоритма действия для достижения цели

свойства
Принимал данные о курсах и положении кораблей, а также метеоданные
Проводил

баллистические вычисления
Выдавал параметры стрельбы на орудия

- самому в ручную прописать все правила, которыми будет руководствоваться

система в своем поведении и отладить их.

Машинное обучение
на основании имеющихся данных(примеров решения данной задачи) подобрать метод обучения и подходящий алгоритм, обучить его и проверить на тестовых данных. То есть машина сама напишет себе программу по примерам из данных.

учителем. То есть имеем тренировочный набор рукописных циф, в котором

каждая цифра соответствует своему класс и роль учителя заключается в том, что он соотнес каждому изображению цифры ее класс. Программа генерации лиц представляет собой отработку метода анализа принципиальных компонент (PCA) обучения без учителя на чьем-то наборе студенческих фотографий. То есть автор “скормил” компьютеру набор фото студентов и попросил его разложить их самому по 80ти “полочкам”. Первое что бросилось в глаза методу - цвет футболки.

Типы задач и методы обучения

через 3 стадии: -представление; -оценка; -оптимизация
Оптимизационный метод “градиентный спуск” оценивает данные представленные

моделью по косвенной “функции ошибок” и выдает информацию о том, как изменить модель так, чтобы функция ошибок спустилась в тот минимум, который нас устроит.

допущение - равнозначность явления и символа его обозначающего.

астрономические данные достаточной точности о движении планет

он строит знание в реальных условиях
Перцептрон

знания о том, как сильно ошиблась модель перестраивать все веса

модели начиная с выходного

Обратное распространение ошибки

наблюдений за развитием живого. В частности за тем, как человек сам

стал влиять на развитие организмов его окружающих. Агрокультура издавна отбирала растения с самыми вкусными плодами, овец - с самой длинной шерстью. Одомашненные кошки, собаки, рыбки, кролики, попугаи и прочее также следствие эволюции с рукотворным отбором.

конкретной задач они создают популяции программ и оценивают их способность

к решению данной задачи с помощью функции приспособленности. Отобрав лучшие версии программ они “скрещивают” их в случайных местах вызовов подпрограмм и таким образом получают новую популяцию для следующей эпохи отбора.

котором каждая версия алгоритма прорабатывает свою версию ответа. Также следует отметить

взаимосвязь эволюции и коннекционизма. Эволюционный рост ассоциативных зон коры головного мозга основан на нейронном обучении в сенсорных зонах - без этого он был бы бесполезен. Эволюция усиливает в потомках те свойства, что в наибольшей мере помогли предкам выжить и размножиться..

правило обновления уровня доверия к гипотезе при получении новых свидетельств. Сама

теорема была опубликована Лапласом спустя 10 лет после смерти Байеса, т.к. он посчитал ее недостойной публикации, но к счастью оставил ее в своих записях.

верный результат в 99% случаях заболеваний и дает ложноположительный результат

в 1% случаев. P(A)Распространенность заболевания - 0,1% среди всего населения (приорная вероятность) P(B|A) - вероятность положительного теста при болезни P(B) - вероятноcть положительного срабатывания теста = [P(A)*P(B|A)+P(-H)*P(E|-H)] Тогда P(A|B) - вероятность болезни в случае положительного теста составит примерно 9%. Неочевидность результата объясняется игрой вероятностей - из 1000 человек будет болен 1 и тест это покажет(на 99%), но так же тест даст ложноположительное срабатывание для 10 человек, т.е. в результате тест из 1000 раз сработает 11 и только 1 из них будет болен, что и соответствует вероятности в 9%

к Аристотелю и его закону подобия “если две вещи схожи,

мысль об одной из них будет склонна вызывать мысль о другой.”

в 1854 году в Лондоне. Событие вошло в историю благодаря

методичным действиям доктора Джона Сноу выявившего источник эпидемии — загрязнённую воду из водозаброной колонки. Исследование Сноу послужило толчком к развитию эпидемиологии и совершенствованию систем водоснабжения и канализации.

1994м году решает задачу разделения классов “проводя аналогии” и секущие

гиперплоскости из n+1 мерного пространства