คำถามติดแท็ก lg.learning

ฉันค่อนข้างคุ้นเคยกับทฤษฎีที่อยู่เบื้องหลัง VC-Dimension แต่ตอนนี้ฉันกำลังดูความก้าวหน้าล่าสุด (10 ปีที่ผ่านมา) ในทฤษฎีการเรียนรู้ทางสถิติ: (ท้องถิ่น) ค่าเฉลี่ย Rademacher, Finite Class Lemma ของ Massart จำนวนครอบคลุม, Chaining, Dudley ทฤษฎี, Pseudodimension, Fat Shattering Dimensions, หมายเลขการบรรจุ, องค์ประกอบ Rademacher, และผลลัพธ์ / เครื่องมืออื่น ๆ ที่ฉันไม่ทราบ มีเว็บไซต์สำรวจรวบรวมบทความหรือที่ดีที่สุดของหนังสือครอบคลุมหัวข้อเหล่านี้หรือไม่ หรือฉันกำลังดูตัวอย่างของวิธีการผูกค่าเฉลี่ย Rademacher สำหรับคลาสที่เรียบง่ายในลักษณะเดียวกับที่ผู้คนใช้สี่เหลี่ยมที่จัดเรียงตามแนวแกนเพื่อแสดงวิธีการผูกมิติ VC ขอบคุณล่วงหน้า.

10 reference-request  machine-learning  lg.learning  books  vc-dimension 

เป็นที่ทราบกันดีว่าสำหรับการเรียนรู้ PAC แบบคลาสสิกตัวอย่างเป็นสิ่งที่จำเป็นเพื่อให้ได้ข้อผิดพลาดที่มีขอบเขตของε whp โดยที่dคือมิติ VC ของคลาสแนวคิดΩ(d/ε)Ω(d/ε)\Omega(d/\varepsilon)εε\varepsilonddd เป็นที่ทราบกันหรือไม่ว่าจำเป็นต้องใช้ตัวอย่างในกรณีผู้ไม่เชื่อเรื่องพระเจ้า?Ω(d/ε2)Ω(d/ε2)\Omega(d/\varepsilon^2)

10 lg.learning  machine-learning 

ตัวแยกประเภทการเรียนรู้ของเครื่องใดที่ขนานได้มากที่สุด หากคุณมีปัญหาในการจัดหมวดหมู่ยาก จำกัด เวลา แต่มี LAN ที่เหมาะสมสำหรับคอมพิวเตอร์ที่จะใช้งานตัวแยกประเภทใดที่คุณจะลอง สำหรับมือฉันดูเหมือนว่าตัวแยกประเภทมาตรฐานบางอย่างที่ฉันรู้ว่ามีสแต็กดังนี้ แต่ฉันอาจผิดทั้งหมด: ป่าสุ่ม - ขนานมากตราบใดที่แต่ละเครื่องสามารถเก็บข้อมูลทั้งหมด (เช่นไม่สามารถแบ่งข้อมูลการฝึกอบรมต่อ se แต่ขนานกันเป็นอย่างอื่น) การส่งเสริม - สนับสนุน Vector Machine - ไม่ขนานกันมาก ต้นไม้ตัดสินใจ - สามารถแบ่งออกเป็นบางส่วนได้ แต่ไม่ค่อยมีประสิทธิภาพ

10 lg.learning  machine-learning  dc.parallel-comp 

ก่อนอื่นฉันก็ยังไม่แน่ใจว่าคำถามนี้เหมาะสำหรับคำถามนี้หรือไม่ดังนั้นฉันจะไม่โกรธถ้าผู้ชมคิดว่าไม่ใช่กรณีนี้ ... ในการตลาดเสิร์ชเอ็นจิ้นมีปัญหาหลายอย่างที่น่าสนใจ การออกแบบกลไกการประมูลที่ยุติธรรม (และให้ผลกำไร) และการคำนวณกลยุทธ์การเสนอราคาที่ดีที่สุดภายใต้ทรัพยากรทางการเงินที่มีขอบเขตเป็นสองตัวอย่างของปัญหาที่น่าสนใจ (และบันทึกไว้อย่างดี) ปัญหาที่น่าสนใจอีกประการหนึ่งคือการเลือกหนึ่งในคำหลัก: วิธีเลือกคำหลักที่ให้ผลกำไรมากที่สุด (ไม่มีลิงก์ไปยังจำนวนเงินที่มีอยู่หรือไปยัง "หัวข้อ" ของคำหลัก) "กำไร" สามารถให้รายได้ที่ดีที่สุดหรือกำไรที่ดีที่สุด ปัญหาเหล่านี้เกี่ยวข้องกับความไม่แน่นอน: ไม่ทราบอัตราการคลิกผ่านของคำหลักอัตราการแปลงไม่เป็นที่รู้จักเช่นกัน คุณรู้หรือไม่ว่างานด้านทฤษฎีบางอย่างเกี่ยวข้องกับปัญหานี้หรือไม่?

10 reference-request  lg.learning  gt.game-theory 

โดยเฉพาะฉันขอทรัพยากรเพื่อเรียนรู้เกี่ยวกับระบบการเรียนรู้ของเครื่องที่สามารถปรับปรุงเครือข่ายความเชื่อของตน (หรือเทียบเท่า) ระหว่างการดำเนินการ ฉันวิ่งข้ามไปไม่กี่ครั้งแม้ว่าฉันจะทำบุ๊กมาร์กไม่สำเร็จ อย่างที่คุณอาจจินตนาการมันเป็นหัวข้อที่ค่อนข้างท้าทายในการค้นหาบนอินเทอร์เน็ต

10 reference-request  machine-learning  lg.learning  ai.artificial-intel  online-learning 

อะไรคือผลลัพธ์ของความซับซ้อนของการสืบค้นของPAC learning 2-DNF ที่เหมาะสมกับสูตรตัวอย่างและภายใต้การแจกแจงแบบเดียวกัน ? หรือมีข้อผูกมัดใด ๆ เพราะฉันไม่คุ้นเคยกับทฤษฎีการเรียนรู้และคำถามนี้ถูกกระตุ้นโดยสาขาที่แตกต่างกันคำตอบอาจชัดเจน ฉันตรวจสอบหนังสือโดย Kearns และ Vazirani แต่ดูเหมือนว่าพวกเขาจะไม่พิจารณาการตั้งค่านี้อย่างชัดเจน UPD แม้ว่าพารามิเตอร์หลักที่น่าสนใจคือความซับซ้อนของแบบสอบถามเวลาทำงานก็มีความสำคัญเช่นกัน หากเป็นไปได้ควรใช้เวลาทำงานโดยประมาณจะค่อนข้างเหมือนกับความซับซ้อนของการสืบค้นหรือในพหุนามมากที่สุด UPD ภาคผนวก B (ด้านบนของหน้า 18) ของกระดาษ "ฟังก์ชั่นการเรียนรู้ Submodular" โดย Balcan และฮาร์วีย์กล่าวว่า อย่างไรก็ตามพวกเขาไม่ได้เอ่ยถึงไม่ว่าผลลัพธ์นี้จะเป็นการเรียนรู้ที่เหมาะสมหรือให้การอ้างอิงใด ๆ

10 reference-request  lg.learning  boolean-functions 

ป่าสุ่มมีชื่อเสียงในหมู่ผู้ปฏิบัติงานซึ่งเป็นเทคนิคการจำแนกที่มีประสิทธิภาพมากที่สุด แต่เราไม่ได้พบพวกเขามากในวรรณกรรมการเรียนรู้เชิงทฤษฎีซึ่งฉันคาดการณ์ว่าจะไม่มีผลลัพธ์เชิงทฤษฎีที่ลึกซึ้ง หากใครอยากเจาะลึกทฤษฎีนี้ใครจะเริ่ม

9 machine-learning  lg.learning 

สมมติว่าฉันมีคะแนนใน d สิ่งเหล่านี้ทำให้เกิดแผนภาพ Voronoi ถ้าผมกำหนดให้แต่ละจุดป้ายเหล่านี้ก่อให้เกิดการทำงานที่ไบนารี d คำถาม: อะไรคือมิติ VC ของฟังก์ชันเลขฐานสองที่เป็นไปได้ทั้งหมดที่เกิดจากจุดและการทำเครื่องหมายของจุดเหล่านี้?kkkRdRd\mathbb{R}^dkkk±±\pmRdRd\mathbb{R}^dkkk

9 cg.comp-geom  machine-learning  lg.learning  convex-geometry  high-dimensional-geometry 

ฉันหมายถึงตระกูลภาษาที่ยอมรับสตริงที่มีความยาวโดยพลการไม่ใช่สันธานร่วมกับบิตหรือรายการการตัดสินใจหรือภาษา "แบบง่าย" อื่น ๆ ที่มีอยู่ใน {0,1} ^ n ฉันกำลังถามเกี่ยวกับภาษาปกติ "ทฤษฎีทางออโตมายา" ซึ่งตรงข้ามกับภาษา "ตรรกะ - ทฤษฎี": บางอย่างเช่นภาษาที่สามารถทดสอบได้ทีละน้อย, ภาษาเริ่มต้นที่มีความสูงเป็นศูนย์, ภาษาที่สามารถทดสอบได้ในท้องถิ่น พารามิเตอร์ความซับซ้อนที่เกี่ยวข้อง n คือขนาดของการรับ DFA ขั้นต่ำ ดังที่กล่าวไว้โดยสังเขป: มีครอบครัวที่น่าสนใจของ n-state DFAs ที่รู้กันดีว่าสามารถเรียนรู้ PAC ได้อย่างมีประสิทธิภาพหรือไม่?

9 automata-theory  machine-learning  lg.learning