6.1 Descriere generală<def defid=”d1” idc=”c1” type=”gpdf”><conc idc=”c1” ido=”o1” isa=”2”> <tok tid=”t1”>Învăţarea</tok> <tok tid=”t2”>automată</tok></conc>, unul din sub-domeniile de bază ale <conc idc=”c2” ido=”o1”>Inteligenţei Artificiale</conc>, <df>se preocupă de dezvoltarea de algoritmi şi metode ce permit unui sistem informatic să înveţe date, reguli, chiar algoritmi</df>.</def> <asert ida=”a1” idc=”c1” rel=”t18” what=”s1”><conc idc=”c1” ido=”o2”>Învăţarea automată</conc> <tok tid=”t18”>presupune</tok> în primul rând <seq seqid=”s1”>identificarea şi implementarea unei modalităţi cât mai eficiente de a reprezenta informaţii, în sensul facilitării căutării, re-organizării şi modificării lor</seq>. Alegerea modului de a reprezenta aceste date ţine atât de concepţia generală asupra modului de rezolvare a problemei, cât şi de caracteristicile datelor cu care se lucrează.Învăţarea nu se poate face pe baza unui set foarte mare de cunoştinţe, atât din cauza costurilor mari presupuse de acumularea unor baze de informaţii mari cât şi din cauza complexităţii memorării şi prelucrării unui volum mare de informaţii. În acelaşi timp însă, învăţarea trebuie să ducă la formularea de suficiente “reguli” atât cât să permită rezolvarea unor probleme dintr-un spaţiu mai larg decât cel pe baza căruia s-a făcut învăţarea. Adică învăţarea trebuie să îmbunătăţească performanţa unui sistem nu doar în rezolvarea repetată a unui acelaşi set de probleme, ci şi în rezolvarea unor probleme noi. Acest lucru presupune o generalizare a unei metode de rezolvare pentru a acoperi un număr cât mai mare de instanţe posibile, dar şi păstrarea unei specializări suficiente pentru a fi identificate corect instanţele acceptate. Aceasta se poate face fie inductiv, generalizând o problemă plecând de la un set de exemple, fie deductiv, plecând de la o bază de cunoştinţe suficiente asupra universului problemei şi extrăgând date şi reguli esenţiale. Pentru a putea face acest lucru, un algoritm de învăţare trebuie să fie capabil să selecteze acele elemente semnificative pentru rezolvarea unei instanţe viitoare a problemei. Aceasta alegere se face pe baza unor criterii de selecţie numite diagonale inductive. O altă componentă esenţială al unui algoritm de învăţare este metoda de verificare, o metodă capabilă să confirme dacă generalizările făcute sau regulile deduse se apropie mai mult de soluţia ideală decât starea anterioară a sistemului. O prezentare mai detaliată a componentelor esenţiale ale unui sistem capabil de învăţare este făcută în secţiunea a doua a acestui capitol.Studiul învăţării automate a dus la descrierea a numeroase metode, variind după scop, date de antrenament, strategia de învăţare şi modalitatea de reprezentare a datelor. Secţiunea a treia face o prezentare a principalelor direcţii în învăţarea supervizată, ce foloseşte un set de instanţe rezolvate ale problemei pentru a antrena sistemul în vederea rezolvării unor instanţe noi. Secţiunea a patra prezintă învăţarea prin încurajare, ce implementează o metodă de a “răsplăti” sistemul în funcţie de progresul făcut în găsirea unei soluţii optime. Algoritmii genetici, prezentaţi în secţiunea a cincea, folosesc metode de reprezentare şi căutare similare mecanismelor biologice. Secţiunea a şasea prezintă învăţarea bazată pe cunoştinţe, ce deduce soluţii pe baza unor cunoştinţe anterioare asupra domeniului problemei. Secţiunea a şaptea face o prezentare a dezavantajelor conceptului de învăţare supervizată, iar apoi în secţiunea a opta se descrie învăţarea nesupervizată şi problema clasificării. DanDan22009-11-29T11:13:00Z2009-11-29T11:13:00Z015283063Microsoft Office Word0257falseTitle1TOSHIBAfalse3584falsefalse12.0000