Wybrane zastosowania algorytmów genetycznych w maszynowym uczeniu

• Autorzy: Janina Anna Jakubczyc
• Języki publikacji: PL

Abstrakty

Badania możliwości wykorzystania algorytmów genetycznych do realizacji zadań maszynowego uczenia prowadzono w trzech kierunkach. Jeden z wcześniejszych kierunków obejmował próby połączenia algorytmów genetycznych z istniejącymi systemami klasyfikacji. Kolejne podejście skoncentrowane było na tworzeniu połączenia między algorytmami genetycznymi a nauką o poznaniu. Ostatecznie Greene i Janików przeprowadzili oddzielnie badania algorytmu genetycznego jako samodzielnego mechanizmu uczenia. Pomimo pozytywnych wyników badań popularność algorytmów genetycznych w zadaniach maszynowego uczenia jest zbyt mała. Stąd próba przybliżenia zastosowania AG w zadaniach klasyfikacyjnych. (fragment tekstu)

Słowa kluczowe

PL

Algorytmy genetyczne; Proces uczenia się; Automatyczne uczenie się; Materiały konferencyjne

EN

Genetic algorithms; Learning process; Automatic learning; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1997
• Numer: nr 772 Pozyskiwanie wiedzy
• Strony: 70--78

Twórcy

autor

Janina Anna Jakubczyc

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Bala J., Huang J., Vafaie H., De Jong K., Wechsler H.: Hybrid Learning Using Genetic Algorithms and Decision Trees for Patems Classification, IJCAI Conference, Montreal, August 19-25, 1995.
• Booker L.: Triggered Rule Discovery in Classifier Systems, Proceedings of the Third Inemationale Conference on Genetic Algorithms adn their Application, Morgan Kaufmann, 1989, s. 265-274.
• De Jong K.: Learning with Genetic Algorithms. An Overview, Machine Learning vol.3, Kluwer Academic Publishers, 1988.
• Green D., Shmith S.: A Genetic System for Learning Models of ConsumerChoice, Proceedings of the Second Intematione Conference on Genetic Algorithms, Lawrence Erlbaum, 1987, s. 217-223.
• Holland J.: Escaping Brttleness: The Possibilities of General-Purpose Learning Algorithms Applied to Parallel Rule-Based Systems, [w:] R.Michalski, J.Carbonell, T.Mitchell (ed.), Machine Learning: An Arificial Intellignce Approach, 2, Morgan Kaufmann, 1986. 'M'.
• Janikow C.: Inductive Learning of Decision Rules from Attribute-Based Examples: A Knowledge Intensive Genetic Algorithm Aproach,TR91-030, Doctoral Thesis, Department of Computer Science, University of Chapel Hill, North Carolina, 1991.
• Kabadi S., Murty K., Spera C.: Clustering problems in optimization models, Computational Economics, vol.9, no 3, 1996.
• Pei M., Ding Y., Punch W., Goodman E.: Classification and Feature Extraction of High- Dimensionality Binary Patterns Using a GA to Evolve Rule.
• Punch W.F., Goodman E.D., Pei M.,Chia-Shun L., Hovland P., Enbody R.: Futher Research on Feature Selection and Classification Using Genetic Algorithms, [w:] ICGA, s. 557-564, Champaign 111.
• Radcliffe N.J., Surry P.D.: Co-operation through Hierarchical Competition in Genetic Data Mining.
• Rendell L.: Genetic Plans and the Probabilistic Learning System: Synthesis and Results, Proceedings of the First International Conference on Genetic Algorithms and their Applications, Lawrence Erlbaum, 1987, s. 60-73.
• Smith S.F.: Flexible Learning of Problem Solving Heuristics Through Adaptive Search, Proceedings of the Eight International Joint Conference on Artificial Inteligence, W. Kaufinann, 1983, s. 422-425 'P'.
• Spears W., De Jong K.: Using Genetic Algorithms for Supervised Concept Learning.
• Vafaie H., De Jong K.: Improving the Perfomance of a Rule Induction System Using Genetic Algorithms, Proceeding of the First Internationale Workshop on Multistrategy Learning, Harpers Ferry, W. Virginia, USA, 1991.
• Wilson S.W.: Classifier Systems and the Animat Problem, Machine Learning, 2, 4, 1987.