Warianty tytułu
Języki publikacji
Abstrakty
Środowisko, w którym żyjemy zmienia się w czasie, stąd w algorytmach uczenia powinno uwzględniać się czasową naturę opisywanych zjawisk. W sytuacji, gdy mamy do czynienia ze strumieniem przypadków, mniej kosztowne jest stosowanie algorytmów uczenia przyrostowego. Pomimo istnienia już pewnych algorytmów przyrostowych, dziedzina ta uważana jest za stosunkowo mało zbadaną, przez co dającą duże możliwości poznawcze. (fragment tekstu)
Rocznik
Strony
110--116
Opis fizyczny
Twórcy
autor
- Akademia Ekonomiczna we Wrocławiu
autor
- Akademia Ekonomiczna we Wrocławiu
Bibliografia
- Galant V.: Zastosowanie indukcyjnych metod symbolicznych do odkrywania wiedzy w SIZ. Rozprawa doktorska przygotowana pod kierunkiem prof, dr hab. inż. Andrzeja Baborskiego, Wrocław 1997.
- Quinlan J.R.: C4.5: programs for machine learning. Morgan Kaufmann Publishers, 1993.
- Quinlan J.R.: Induction of Decision Trees. Machine Learning 1986/1.
- Quinlan J.R.: Simplifying Decision Trees. Academic Press Limited 1988.
- Schlimmer J.C., Fisher D.: A case study of incremental concept induction. Proceeding of the Fifth National Conference on Artificial Intelligence. Philadelphia 1986.
- Simon H.A.: Why Should Machines Learn? [w:] An Artificial Intelligence Approach. TIOGA, Palo Alto (CA), 1983.
- Utgoff P.E.: Incremental Induction of Decision Trees. Machine Learning, 1989/4, s.161-186.
- Utgoff P.E.: Decision Tree Induction Based on Efficient Tree Restructuring. Technical Report 95-18, 1995.
- Langlay P.: Order Effects in Incremental Learning.
- Jajuga K.: Statystyczna teoria rozpoznawania obrazów. Warszawa: PWN 1990.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000170902878