Applications et limites de l'apprentissage automatique
Traduit par
ScribdTranslationsApplications et limites de l'apprentissage automatique
Traduit par
ScribdTranslations1.1.
Donnez trois applications informatiques pour lesquelles les approches d'apprentissage automatique semblent appropriées et
trois pour lesquels ils semblent inappropriés. Choisissez des applications qui ne sont pas déjà mentionnées dans ce
chapitre, et inclure une justification d'une phrase pour chacun.
Réponse.
Apprentissage automatique : Reconnaissance faciale, reconnaissance d'écriture manuscrite, approbation de carte de crédit.
Not machine learning: calculate payroll, execute a query to database, use WORD.
2.1. Expliquez pourquoi la taille de l'espace des hypothèses dans la tâche d'apprentissage EnjoySport est de 973. Comment
le nombre d'instances possibles et d'hypothèses possibles augmenterait-il avec l'ajout de la
attribut CourantEau, qui peut prendre les valeurs Léger, Modéré, ou Fort ? Plus généralement,
comment le nombre d'instances et d'hypothèses possibles augmente avec l'ajout d'un nouveau
attribut A qui peut prendre k valeurs possibles ?
Réponse.
Puisque toutes les occurrences de "φpour
un attribut de l'hypothèse résulte en une hypothèse qui ne
accepter n'importe quelle instance, toutes ces hypothèses sont égales à celle où l'attribut est "φ». Alors le
le nombre d'hypothèses est 4*3*3*3*3*3 +1 = 973.
Avec l'attribut supplémentaire Watercurrent, le nombre d'instances = 3*2*2*2*2*2*3 = 288, le
nombre d'hypothèses = 4*3*3*3*3*3*4 +1 = 3889.
En général, le nombre d'hypothèses = 4*3*3*3*3*3*(k+1)+1.
2.3. Considérez à nouveau la tâche d'apprentissage EnjoySport et l'espace d'hypothèses H décrit dans la section
2.2. Définissons un nouvel espace hypothétique H' qui consiste en toutes les disjonctions par paires de la
hypothèses dans H. Par exemple, une hypothèse typique dans H' est (?, Froid, Élevé, ?, ?, ?) v (Ensoleillé, ?,
Élevé, ?, ?, Même) Tracez l'algorithme d'ÉLIMINATION DES CANDIDATS pour l'espace d'hypothèses
H' donné la séquence d'exemples d'entraînement du Tableau 2.1 (c'est-à-dire, montrer la séquence de S et G)
ensembles de limites.)
Réponse.
S0=(φ,φ,φ,φ,φ,φ) v(φ,φ,φ,φ,φ,φ)
G0 = (?,?,?,?, ?,?)v(?,?,?, ?, ?,?)
<Ensoleillé, Chaud, Normal, Fort, Chaud, Même, Oui>
S1=(Sunny, Warm, Normal, Strong, Warm, Same)v(φ,φ,φ,φ,φ,φ)
G1 = (?,?,?,?, ?,?)v(?,?,?, ?, ?,?)
Example 2: <Sunny, Warm, High, Strong, Warm, Same, Yes>
S2= {(Sunny, Warm, Normal, Strong, Warm, Same)v(Soleil, Chaud, Élevé, Fort, Chaud, Même)
(Sunny, Warm, , Strong, Warm, Same) v (φ,φ,φ,φ,φ,φ)}
G2 = (?, ?,?,?, ?,?)v(?,?,?, ?, ?,?)
Example 3: <Rainy, Cold, High, Strong, Warm, Change, No>
S3={(Sunny, Warm, Normal, Strong, Warm, Same)v(Soleil, Chaud, Élevé, Fort, Chaud, Même)
(Ensoleillé, Chaud, , Fort, Chaud, Même) v (φ,φ,φ,φ,φ,φ)}
G3 = {(Sunny, ?,?,?, ?,?)v(?, Warm,?, ?, ?,?),
(Ensoleillé,?,?,?, ?,?)v(?, ?,?, ?, ?, Même)
(?, Warm,?,?, ?,?)v(?, ?,?,?, ?, Same)}
1
Example 4: <Sunny, Warm, High, Strong, Cool, Change, Yes>
S4= {(Sunny, Warm, ?, Strong, ?, ?) v (Sunny, Warm, High, Strong, Warm, Same)
(Ensoleillé, Chaud, Normal, Fort, Chaud, Même) v (Ensoleillé, Chaud, Élevé, Fort, ?, ?)
(Ensoleillé, Chaud, , Fort, , )v(φ,φ,φ,φ,φ,φ)
(Ensoleillé, Chaud, , Fort, Chaud, Même)v(Ensoleillé, Chaud, Élevé, Fort, Froid, Changement)}
G4 = {(Ensoleillé,?,?,?, ?,?)v(?, Chaud,?, ?, ?,?),
(Ensoleillé,?,?,?, ?,?)v(?, ?,?, ?, ?, Même)
(?, Chaud, ?, ?, ?, ?) v (?, ?, ?, ?, ?, Même)
2.4. Considérez l'espace d'instances constitué de points entiers dans le plan x, y et l'ensemble de
hypothèses H consistant en rectangles. Plus précisément, les hypothèses sont de la forme a≤x≤ b, c≤ y≤
d, où a, b, c et d peuvent être n'importe quels entiers.
(a) Considérez l'espace de version par rapport à l'ensemble des formations positives (+) et négatives (-)
examples shown below. What is the S boundary of the version space in this case? Write out the
hypothèses et les dessiner sur le diagramme.
(b) Quelle est la frontière G de cet espace de version ? Écrivez les hypothèses et dessinez-les.
(c) Supposons que l'apprenant puisse maintenant suggérer une nouvelle instance x, y et demander au formateur à son sujet.
classification. Suggérez une requête garantie pour réduire la taille de l'espace de version, peu importe
how the trainer classifies it. Suggest one that will not.
(d) Maintenant, supposons que vous êtes un enseignant, essayant d'enseigner un concept cible particulier (par exemple, 3≤ x≤ 5
2≤ y≤ 9). Quel est le plus petit nombre d'exemples d'entraînement que vous pouvez fournir afin que le
L'algorithme d'élimination des candidats apprendra-t-il parfaitement le concept cible ?
Ans. (a) S= (4,6,3,5) (b) G=(3,8,2,7) (c) e.g., (7,6), (5,4) (d) 4 points: (3,2,+), (5,9,+),
(2,1,-),(6,10,-)
[Link] la preuve du théorème de représentation de l'espace de version (Théorème 2.1).
Preuve : Chaque membre de VSH,Dsatisfait le côté droit de l'expression.
Soit h un membre arbitraire de VSH,D, alors h est cohérent avec tous les exemples d'entraînement dans D.
En supposant que h ne satisfait pas le côté droit de l'expression, cela signifie¬(∃s∈S)∃(g∈G)(g≥ h
≥ s) =¬(∃s∈S)∃(g∈G) (g≥ h)∧ (h≥ s). Par conséquent, il n'existe pas de g dans G tel que g soit plus
general or equal to h or there does not exist s from S so that h is more general or equal to s.
Si le premier cas est vrai, cela conduit à une incohérence selon la définition de G. Si le second cas est vrai, cela
2
leads to aninconsistenceaccording to the definition of [Link], h satisfies the right-hand side of
l'expression. (Remarques : puisque nous supposons que l'expression n'est pas remplie, cela ne peut être que si S
ou G est vide, ce qui ne peut se produire qu'en cas d'exemples d'entraînement inconsistants, tels que le bruit
ou le concept cible n'est pas membre de H.)