Probably approximately correct learning
http://dbpedia.org/resource/Probably_approximately_correct_learning an entity of type: Software
L'apprentissage PAC (pour probably approximately correct en anglais) est un cadre théorique pour l'apprentissage automatique. Il permet notamment d'évaluer la difficulté d'un problème dans le contexte de l'apprentissage supervisé. Il a été proposé par Leslie Valiant en 1984.
rdf:langString
確率的で近似的に正しい学習（英: probably approximately correct learning）やPAC学習（英: PAC learning）とは、機械学習のにおいて、機械学習の数学的解析フレームワークの1つである。Leslie Valiant が1984年に提唱した。 このフレームワークにおいて、学習アルゴリズムは標本を受け取り、仮説と呼ばれる汎化した関数をある関数クラスの中から選択する必要がある。目標は、高い確率で、選択した関数が小さな汎化誤差になる事である。学習アルゴリズムは、与えられた近似比率、成功率、標本分布から概念を学習する必要がある。 このモデルは後にノイズ（誤分類された標本）を扱えるように拡張された。 PACフレームワークの重要なイノベーションは、計算論的学習理論という概念を機械学習にもたらしたことである。特に、学習アルゴリズムは（時間計算量と空間計算量が訓練データサイズの多項式サイズの制限の元で）適切な関数を見つけ出すことが期待され、学習アルゴリズムは（訓練データサイズが仮説空間サイズの多項式サイズに収まっているなど）効率的な手順を実装する必要がある。
rdf:langString
في ، ربما يكون التعلم الصحيح تقريبًا (PAC) هو إطار للتحليل الرياضي للتعلم الآلي. تم اقتراحه في عام 1984 من قبل ليزلي فاليانت. حيث يتلقى المتعلم عينات ويجب عليه تحديد الفرضية التي تكون من فئة معينة للوظائف الممكنة. الهدف هو أنه مع وجود احتمال كبير ، سيكون للوظيفة المحددة أحتمال خطأ منخفض. يجب أن يكون المتعلم قادرًا على تعلم المفهوم في من خلال أي احتمال للنجاح ، أو توزيع العينات حيث تم تمديد النموذج لاحقًا لمعالجة الضوضاء (العينات المصنفة بشكل غير صحيح).
rdf:langString
Wahrscheinlich Annähernd Richtiges Lernen (WARL) oder englisch Probably approximately correct learning (PAC learning) ist ein Framework für das maschinelle Lernen, das von Leslie Valiant in seinem Paper A theory of the learnable eingeführt wurde.
rdf:langString
En teoría de aprendizaje computacional, aprendizaje correcto probablemente aproximado (Aprendizaje PAC) (en inglés probably approximately correct learning) es un marco para análisis matemático de aprendizaje de máquina. Este fue propuesto en 1984 por Leslie Valiant. El modelo fue más tarde extendido para tratar ruido (muestras mal clasificadas).
rdf:langString
In computational learning theory, probably approximately correct (PAC) learning is a framework for mathematical analysis of machine learning. It was proposed in 1984 by Leslie Valiant. In this framework, the learner receives samples and must select a generalization function (called the hypothesis) from a certain class of possible functions. The goal is that, with high probability (the "probably" part), the selected function will have low generalization error (the "approximately correct" part). The learner must be able to learn the concept given any arbitrary approximation ratio, probability of success, or distribution of the samples.
rdf:langString
Вероятно приближённо корректное обучение (ВПК-обучение, англ. Probably Approximately Correct learning, PAC learning) — схема машинного обучения, использующая понятия асимптотической достоверности и вычислительной сложности. Предложена в 1984 году Лесли Вэлиантом. Модель была позднее расширена для обработки шума (некорректно классифицируемых выборок).
rdf:langString
Ймовірносно приблизно коректне навчання (ЙПК навчання, англ. Probably Approximately Correct learning, (PAC learning) в — це схема математичного аналізу машинного навчання. Схему запропонував в 1984 Леслі Веліант .
rdf:langString
rdf:langString
ربما التعلم الصحيح تقريبا
rdf:langString
Probably Approximately Correct Learning
rdf:langString
Aprendizaje PAC
rdf:langString
Apprentissage PAC
rdf:langString
確率的で近似的に正しい学習
rdf:langString
Probably approximately correct learning
rdf:langString
Вероятно приближённо корректное обучение
rdf:langString
Ймовірносно приблизно коректне навчання
xsd:integer
380008
xsd:integer
1124938221
rdf:langString
في ، ربما يكون التعلم الصحيح تقريبًا (PAC) هو إطار للتحليل الرياضي للتعلم الآلي. تم اقتراحه في عام 1984 من قبل ليزلي فاليانت. حيث يتلقى المتعلم عينات ويجب عليه تحديد الفرضية التي تكون من فئة معينة للوظائف الممكنة. الهدف هو أنه مع وجود احتمال كبير ، سيكون للوظيفة المحددة أحتمال خطأ منخفض. يجب أن يكون المتعلم قادرًا على تعلم المفهوم في من خلال أي احتمال للنجاح ، أو توزيع العينات حيث تم تمديد النموذج لاحقًا لمعالجة الضوضاء (العينات المصنفة بشكل غير صحيح). يتم تمثيل أحد الابتكارات المهمة في إطار التعلم الصحيح في إدخال مفاهيم نظرية التعقيد الحسابي في التعلم الآلي و من المتوقع أن يجد المتعلم وظائف فعالة ويجب على المتعلم نفسه تنفيذ إجراء فعال كذلك .
rdf:langString
Wahrscheinlich Annähernd Richtiges Lernen (WARL) oder englisch Probably approximately correct learning (PAC learning) ist ein Framework für das maschinelle Lernen, das von Leslie Valiant in seinem Paper A theory of the learnable eingeführt wurde. In diesem Framework erhält die lernende Einheit Beispiele, die gemäß einer bestimmten Funktion klassifiziert sind. Das Ziel des Trainings ist es, mit großer Wahrscheinlichkeit eine Annäherung dieser Funktion zu finden. Man erwartet von der lernenden Einheit, das Konzept mit einer beliebigen , einer beliebigen und einer beliebigen Verteilung der Beispiele zu lernen.
rdf:langString
En teoría de aprendizaje computacional, aprendizaje correcto probablemente aproximado (Aprendizaje PAC) (en inglés probably approximately correct learning) es un marco para análisis matemático de aprendizaje de máquina. Este fue propuesto en 1984 por Leslie Valiant. En este marco, la técnica de aprendizaje recibe muestras y debe seleccionar una función de generalización (llamado la hipótesis) de una clase segura de funciones posibles. El objetivo es que, con una alta probabilidad (la parte del "probablemente"), la función seleccionada tendrá un error de generalización bajo (la parte del "correcto aproximado"). La técnica de aprendizaje tiene que ser capaz de aprender el concepto dado cualquier proporción de aproximación arbitraria, probabilidad de éxito, o distribución de las muestras. El modelo fue más tarde extendido para tratar ruido (muestras mal clasificadas). Una innovación importante al marco del PAC es la introducción de los conceptos de la teoría de la complejidad computacional de aprendizaje automático. En particular, se espera que la técnica de aprendizaje encuentre funciones eficientes (en tiempo y requisitos espaciales limitados a un polinomio del tamaño del ejemplo), y la técnica de aprendizaje en si debe implementar un procedimiento eficiente (que exige un recuento limitado a un polinomio de la medida del concepto, modificado por los límites de aproximación y de probabilidad).
rdf:langString
L'apprentissage PAC (pour probably approximately correct en anglais) est un cadre théorique pour l'apprentissage automatique. Il permet notamment d'évaluer la difficulté d'un problème dans le contexte de l'apprentissage supervisé. Il a été proposé par Leslie Valiant en 1984.
rdf:langString
In computational learning theory, probably approximately correct (PAC) learning is a framework for mathematical analysis of machine learning. It was proposed in 1984 by Leslie Valiant. In this framework, the learner receives samples and must select a generalization function (called the hypothesis) from a certain class of possible functions. The goal is that, with high probability (the "probably" part), the selected function will have low generalization error (the "approximately correct" part). The learner must be able to learn the concept given any arbitrary approximation ratio, probability of success, or distribution of the samples. The model was later extended to treat noise (misclassified samples). An important innovation of the PAC framework is the introduction of computational complexity theory concepts to machine learning. In particular, the learner is expected to find efficient functions (time and space requirements bounded to a polynomial of the example size), and the learner itself must implement an efficient procedure (requiring an example count bounded to a polynomial of the concept size, modified by the approximation and likelihood bounds).
rdf:langString
確率的で近似的に正しい学習（英: probably approximately correct learning）やPAC学習（英: PAC learning）とは、機械学習のにおいて、機械学習の数学的解析フレームワークの1つである。Leslie Valiant が1984年に提唱した。 このフレームワークにおいて、学習アルゴリズムは標本を受け取り、仮説と呼ばれる汎化した関数をある関数クラスの中から選択する必要がある。目標は、高い確率で、選択した関数が小さな汎化誤差になる事である。学習アルゴリズムは、与えられた近似比率、成功率、標本分布から概念を学習する必要がある。 このモデルは後にノイズ（誤分類された標本）を扱えるように拡張された。 PACフレームワークの重要なイノベーションは、計算論的学習理論という概念を機械学習にもたらしたことである。特に、学習アルゴリズムは（時間計算量と空間計算量が訓練データサイズの多項式サイズの制限の元で）適切な関数を見つけ出すことが期待され、学習アルゴリズムは（訓練データサイズが仮説空間サイズの多項式サイズに収まっているなど）効率的な手順を実装する必要がある。
rdf:langString
Вероятно приближённо корректное обучение (ВПК-обучение, англ. Probably Approximately Correct learning, PAC learning) — схема машинного обучения, использующая понятия асимптотической достоверности и вычислительной сложности. Предложена в 1984 году Лесли Вэлиантом. В этой схеме учитель получает выборки и должен выбрать обобщающую функцию (называемую гипотезой) из определённого класса возможных функций. Целью является функция, которая с большой вероятностью (откуда «вероятно» в названии) будет иметь низкую (откуда «приближенно корректное» в названии). Учитель должен быть способен обучить концепт, дающее произвольный коэффициент аппроксимации, вероятность успеха или распределения выборок. Модель была позднее расширена для обработки шума (некорректно классифицируемых выборок). Важным нововведением схемы ВПК является использование понятия о вычислительной сложности машинного обучения. В частности, ожидается, что учитель находит эффективные функции (которые ограничены по времени выполнения и требуемому пространству многочленом от размера выборки), и учитель должен реализовать эффективную процедуру (запрашивая размер примера, ограниченный многочленом от размера концепта, модифицированного границами приближения и правдоподобия).
rdf:langString
Ймовірносно приблизно коректне навчання (ЙПК навчання, англ. Probably Approximately Correct learning, (PAC learning) в — це схема математичного аналізу машинного навчання. Схему запропонував в 1984 Леслі Веліант . У цій схемі вчитель отримує вибірки і повинен вибрати узагальнюючу функцію (звану гіпотезою) з певного класу можливих функцій. Метою є функція, яка з великою ймовірністю (звідки «імовірносно» в назві) матиме низьку помилку узагальнення (звідки «приблизно коректне» в назві). Учитель повинен бути здатний навчити концепт , що дає довільний коефіцієнт апроксимації, ймовірність успіху або розподілу вибірок.
xsd:nonNegativeInteger
6630