Zastosowania algorytmów przyrostowego uczenia

• Autorzy: Violetta Galant , Maria Mach
• Języki publikacji: PL

Abstrakty

Artykuł ma za zadanie przedstawienie możliwości zastosowań algorytmów przyrostowego uczenia. Zostaną one poprzedzone krótkim opisem samego procesu uczenia przyrostowego. Następnie zostanie zaprezentowany przegląd istniejących algorytmów tej klasy w rozbiciu na uczenie nadzorowane oraz bez nadzoru. Artykuł zakończy, przygotowany na podstawie studiów literaturowych, opis pierwszych prób implementacji systemów przyrostowego uczenia. (fragment tekstu)

Słowa kluczowe

PL

Algorytmy; Uczenie się; Materiały konferencyjne

EN

Algorithms; Studying; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1999
• Numer: nr 815 Pozyskiwanie wiedzy z baz danych
• Strony: 110--117

Twórcy

autor

Violetta Galant

• Akademia Ekonomiczna we Wrocławiu

autor

Maria Mach

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Bareiss R., Porter B., PRO TOS: An Exemplar-based Learning Apprentice, Proceedings of the Fourth International Machine Learning Workshop. Morgan Kaufman, Irvine, USA, 1987.
• Case J., Jain S., Lange S., Zaugmann T., Incremental Concept Learning for Bounded Data Mining, Technical Report DOI-TR 136, Department of Informatics, Kyushu University, Fukuoka, Japonia, kwiecień 1997.
• Cheng T.-P., Towards a Formalization of Partial Domain Theories, Landmark Value Selection and Incremental Learning for Inductive Learning Systems, KSL Report KSL-89-53, June 1989.
• Devaney M., Ram A., Efficient Feature Selection in Conceptual Clustering, Proceedings of the Fourteenth International Conference on Machine Learning (ICML '97), Nashville, TN, 1997.
• Fisher D.H., Knowledge Acquisition via Incremental Conceptual Clustering, Machine Learning 2/1987, ss. 139-172.
• Fisher D.H., Schlimmer J.C., Models of Incremental Learning: A Coupled Research Proposal, Vanderbilt University Technical Report CS-88-05 (1988), http://cswww.vuse.vanderbilt.e-du/ ~ dfisher/courses/cs362/incl/proposal/proposal.html.
• Galant V., Tyburcy R., Wprowadzenie do przyrostowego uczenia, [w:] Baborski A. (red.), Pozyskiwanie wiedzy. Materiały konferencyjne, Wydawnictwo AE, Wrocław 1997.
• Jones G., Identifying Basic Categories, Psychological Bulletin, no. 4/1983.
• Langley P., Order Effects in Incremental Learning, [w:] Reinmann P., Spada H. (eds.), Learning in Humans and Machines: Towards an Interdisciplinary Learning Science, Elsevier Science 1995.
• Meesad P., Pattern Classification by an Incremental Learning Fuzzy Neural Network, nie publikowana praca dyplomowa, King Mongkut's Institute of Technology North Bankgok, Bangkok, Tajlandia, 1994 i Faculty of the Graduate College, Oklahoma State University, grudzień 1998; http://kmitnb05.kmitnb.ac.th/~pym/ilfn.html.
• Michalski R.S., Carboneil J.G., Mitchell T. (eds.), Machine Learning. An Artificial Intelligence Approach vol. II, Morgan Kaufman Publishers, Inc., Los Altos, California, USA 1986.
• Möller J.U., CLASSITALL: Incremental and Unsupervised Learning in the DIA-MOLE Framework, [w:] Daelemans W., Van den Bosch A., Weijters A., (eds.), Workshop Notes of the ECML/Mbiet Workshop on Empirical Learning of Natural Language Processing Tasks, 26 kwietnia 1997, Praga, Czechy.
• Neto J.P., Martins C., Almeida L., Speaker-adaptation in a Hybrid HMM-MIP Recognizer, materiały Instituto de Engenharia de Sistemas e Computadores i Institute Superior Tcnico, Lizbona, Portugalia.
• Reinke R.E., Michalski R.S., Incremental Learning of Concept Descriptions, Machine Intelligence 11/1986, Oxford University Press.
• Schlimmer J.C., Fisher D.H., A Case Study of Incremental Concept Induction, Proceedings of the Fifth International Conference on Artificial Intelligence, Filadelfia 1986.
• Utgoff P.E., An Improved Algorithm for Incremental Induction of Decision Trees, Machine Learning: Proceedings of the Eleventh International Conference, Morgan Kaufman Publishers, Inc., New Brunswick, NJ, 1994.
• Utgoff P.E., Berkman N.C., Clouse J.A., Decision Tree Induction Based on Efficient Tree Restructuring, Kluwer Academic Publishers, Boston, Technical Report 95-18, 1995.
• Utgoff P.E., ID5: An Incremental ID3, Technical Report 87-95, University of Massachusetts, Amherst, USA, 1987.
• Utgoff P.E., Incremental Induction of Decision Trees, Machine Learning no 4,1989, pp. 161-186.