Kontekst w uczeniu z nadzorem

• Autorzy: Janina Anna Jakubczyc
• Języki publikacji: PL

Abstrakty

Potrzeba uwzględniania kontekstu staje się więc nieodłącznym aspektem prawie każdego zadania klasyfikacji. Artykuł ten przedstawia najnowsze propozycje uwzględniania zagadnienia kontekstu w zadaniach uczenia z nadzorem, prezentowanym w literaturze podmiotu. (fragment tekstu)

Słowa kluczowe

PL

Rozkład cech statystycznych; Metody heurystyczne; Materiały konferencyjne

EN

Statistical feature distribution; Heuristics methods; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1997
• Numer: nr 772 Pozyskiwanie wiedzy
• Strony: 9--20

Twórcy

autor

Janina Anna Jakubczyc

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Aha D.W.: Incremental, instance-based learning of independent and graded concept description. In Proceedings of the Sixth International Workshop on Machine Learning, California: Morgan Kaufinan.
• Aha D.W., Goldstone R.L.: Concept learning and flexible weighting. In Proceedings of the 14-th Annual Conference of the Cognitive Science Society. Illinois: Lawrence Erlbaum 1992.
• Bergadano F., Matwin S., Michalski R.S., Zhang J.: Learning two-tiered description of flexible concepts, [w:] The POSEJDON system. Machine Learning, str. 5-43, 1992.
• Dent L., Bolicario J., McDermott J., Mitchell T., D.Zabowski D.: A Personal Learning Applications. Proceeding of 1992 Conference on Artificial Intelligence.
• Domingos P.: Context-sensitive feature selection for lazy learners. To appear in Artificial Intelligence Review.
• Granger R.H., Schlimmer J.C.: Incremental Learning from Noisy Data. Machine Learning I, s.317-354, 1986.
• Holte R., Drummont C.: Learning Application for Browaing. AAAI Spring Symposium on Software Agculs, 1994.
• John G.H., Kohavi R.,Pfleger K.: Irrelevant features and the subset selection problem, Machine Learning: Proceedings of the 11-th International Conference, California: Morgan Kaufman, 1994.
• Katz A.J., Gately M.T., Collins D.R.: 1990, Robust classifiers without robust features, Neural Computation (2), str. 472-479.
• Turney P.D.: Robust classification with context-sensitive features. In industrial and Magineering Applications of Artificial Intelligence and Expert Systems, Edinburgh, Scotland Gordon and Breach, 1993.
• Widmer G., Kubat M.: Learning in the Presence of Concept Drift and Hidden Context. Machine Learning 1996.