Machine Learning Was wir alles nicht behandelt haben
Machine Learning Was wir alles nicht behandelt haben
Weitere Ansätze • Genetische Algorithmen • Computationelles Lernen • Lernen von Regelmengen / induktives Lernen • „Reinforcement Learning“ • Support Vector Maschinen
Genetic Learning • Basieren auf genetischen Algorithmen • Orientiert an biologischem Modell • Ursprünglich: Optimierungsprobleme (= finde den besten aus einer Menge von Kandidaten) • Idee: – Mache zufällig eine große Anzahl von Vermutungen – Evaluiere diese Vermutungen und finde die Besten – Kombiniere dieses besten Vermutungen um neue Vermutungen zu machen – Wiederhole dieses Verfahren für eine Reihe (=Generation) von Vermutungen • Gute Methode, wenn – Kein oder wenig Hintergrundwissen verfügbar – Großer Hypothesenraum
SVM (Support Vector Machines) • Basieren auf Idee der trennenden Hyperebenen • Normalerweise sind Probleme nicht linear separierbar • Statt die Trennfläche zu bestimmen, finde mathematische Funktionen (=Kernels), die Objekte im Vektorraum so transformieren, dass sie linear separierbar werden • Typischerweise für Klassifikationsprobleme verwendet • Support Vector Machines (SVM) Introductory Overview
Reinforcement Learning • Beispiel: Lernen von Spielstrategien • „Trial and error learning“ • Modelliert Interaktion zwischen einem Agenten und seiner Umwelt durch – Actions – States – Rewards • Beinhaltet: – Ziel/Zweck – Effekt – Unsicherheit und nicht-Determinismus • Markov Entscheidungsprozesse
Induktives Lernen • • Lernen von Regeln (z. B. Horn-Klauseln) Logik-basiert Generalisierung von Regeln Spezialisierung von Regeln
- Slides: 6