| http://dbpedia.org/ontology/abstract
|
У машинному навчанні, леда́че навча́ння (а … У машинному навчанні, леда́че навча́ння (англ. lazy learning) — метод навчання, в якому здійснення узагальнення над тренувальними даними відкладається до тих пір, поки не буде зроблено запит до системи, на противагу до , за якого система намагається узагальнити тренувальні дані до отримання запитів. Основною перевагою, отримуваною від застосування методу ледачого навчання, такого як , є те, що цільова функція апроксимуватиметься локально, наприклад, як у методі найближчих k-сусідів. Оскільки цільова функція апроксимується локально для кожного запиту до системи, системи ледачого навчання можуть одночасно розв'язувати декілька задач, і успішно справлятися зі змінами в предметній області. Недоліки, пов'язані з ледачим навчанням, включають вимогу великого простору для зберігання всіх тренувальних даних. Особливо зашумлені тренувальні дані роблять непотрібне збільшення об'єму бази прецедентів, бо протягом тренувальної фази не здійснюється жодного абстрагування. Іншим недоліком є те, що методи ледачого навчання, зазвичай, є повільнішими в оцінці, хоч це й доповнюється швидшою фазою тренування. Ледачі класифікатори є найкориснішими для великих наборів даних з малою кількістю атрибутів.наборів даних з малою кількістю атрибутів.
, Na Inteligência Artificial, a Lazy Learnin … Na Inteligência Artificial, a Lazy Learning (engl., Aprendizagem Preguiçosa) é um método de aprendizagem em que a generalização por detrás da informação do treino é apenas feita quando uma questão é feita ao sistema, funcionamento contrário à Eager Learning (engl., Aprendizagem Ansiosa), onde nesta última o sistema tenta fazer a generalização antes de receber os “inputs”. A grande vantagem obtida em implementar este método, como o Raciocínio baseado em casos, é que a função alvo é aproximada localmente, tal como o algoritmo . Com esta aproximação local os sistemas com este método têm capacidade de, simultaneamente, resolver múltiplos problemas e lidar com sucessos com mudanças no domínio do problema. As desvantagens com a aprendizagem preguiçosa são o facto de armazenar o dataset inteiro, o que necessita de grande espaço. Dados de treino com instâncias desnecessárias aumentam o número de casos base desnecessariamente, isto deve-se à falta de abstracção durante a fase de treino. Outra desvantagem é que este método é lento a na fase de avaliação, embora tenha uma fase de treino rápida. O método de aprendizagem preguiçosa é normalmente usado para grandes conjuntos de dados com poucos atributos.s conjuntos de dados com poucos atributos.
, Lazy learning (engl., „Träges Lernen“) ist … Lazy learning (engl., „Träges Lernen“) ist eine Klasse von maschinellen Lernverfahren. Im Gegensatz zum eager learning findet dabei die Modellbildung nicht während oder nach dem Trainieren statt, sondern erst zur Zeit der Anfrage. Der Vorteil ist dabei, dass zur Zeit der Abfrage die Modellbildung lokal in der Umgebung des aktuellen Arbeitspunktes geschehen kann.s aktuellen Arbeitspunktes geschehen kann.
, En inteligencia artificial, el aprendizaje … En inteligencia artificial, el aprendizaje vago es un método de aprendizaje en el que la generalización más allá de los datos de entrenamiento es demorada hasta que se hace una pregunta al sistema, al contrario que en el aprendizaje entusiasta, donde el sistema intenta generalizar los datos de entrenamiento antes de recibir preguntas. La ventaja principal que se obtiene utilizando un método de aprendizaje vago, como el razonamiento basado en Casos, es que la función objetivo será aproximada localmente, como en el algoritmo vecino más k-próximo. Debido a que la función objetivo es aproximada localmente para cada pregunta al sistema, los sistemas de aprendizaje vago pueden simultáneamente resolver múltiples problemas y gestionar con éxito cambios en el dominio del problema. Las desventajas del aprendizaje vago incluyen el gran espacio requerido para almacenar todo el set de datos de entrenamiento. Datos de entrenamiento particularmente ruidosos aumentan la base de casos innecesariamente, porque no se realiza una abstracción durante la fase de entrenamiento. Otra desventaja es que los métodos de entrenamiento vago son normalmente más lentos de evaluar, aunque esto se asocia con una fase de entrenamiento más rápida. Los clasificadores vagos son los más útiles para sets de datos grandes con pocos atributos.
* Datos: Q130657des con pocos atributos.
* Datos: Q130657
, In machine learning, lazy learning is a le … In machine learning, lazy learning is a learning method in which generalization of the training data is, in theory, delayed until a query is made to the system, as opposed to eager learning, where the system tries to generalize the training data before receiving queries. The primary motivation for employing lazy learning, as in the K-nearest neighbors algorithm, used by online recommendation systems ("people who viewed/purchased/listened to this movie/item/tune also ...") is that the data set is continuously updated with new entries (e.g., new items for sale at Amazon, new movies to view at Netflix, new clips at YouTube, new music at Spotify or Pandora). Because of the continuous update, the "training data" would be rendered obsolete in a relatively short time especially in areas like books and movies, where new best-sellers or hit movies/music are published/released continuously. Therefore, one cannot really talk of a "training phase". Lazy classifiers are most useful for large, continuously changing datasets with few attributes that are commonly queried. Specifically, even if a large set of attributes exist - for example, books have a year of publication, author/s, publisher, title, edition, ISBN, selling price, etc. - recommendation queries rely on far fewer attributes - e.g., purchase or viewing co-occurrence data, and user ratings of items purchased/viewed.nd user ratings of items purchased/viewed.
|
| rdfs:comment |
У машинному навчанні, леда́че навча́ння (а … У машинному навчанні, леда́че навча́ння (англ. lazy learning) — метод навчання, в якому здійснення узагальнення над тренувальними даними відкладається до тих пір, поки не буде зроблено запит до системи, на противагу до , за якого система намагається узагальнити тренувальні дані до отримання запитів. Ледачі класифікатори є найкориснішими для великих наборів даних з малою кількістю атрибутів.наборів даних з малою кількістю атрибутів.
, Lazy learning (engl., „Träges Lernen“) ist … Lazy learning (engl., „Träges Lernen“) ist eine Klasse von maschinellen Lernverfahren. Im Gegensatz zum eager learning findet dabei die Modellbildung nicht während oder nach dem Trainieren statt, sondern erst zur Zeit der Anfrage. Der Vorteil ist dabei, dass zur Zeit der Abfrage die Modellbildung lokal in der Umgebung des aktuellen Arbeitspunktes geschehen kann.s aktuellen Arbeitspunktes geschehen kann.
, Na Inteligência Artificial, a Lazy Learnin … Na Inteligência Artificial, a Lazy Learning (engl., Aprendizagem Preguiçosa) é um método de aprendizagem em que a generalização por detrás da informação do treino é apenas feita quando uma questão é feita ao sistema, funcionamento contrário à Eager Learning (engl., Aprendizagem Ansiosa), onde nesta última o sistema tenta fazer a generalização antes de receber os “inputs”. O método de aprendizagem preguiçosa é normalmente usado para grandes conjuntos de dados com poucos atributos.s conjuntos de dados com poucos atributos.
, In machine learning, lazy learning is a le … In machine learning, lazy learning is a learning method in which generalization of the training data is, in theory, delayed until a query is made to the system, as opposed to eager learning, where the system tries to generalize the training data before receiving queries.he training data before receiving queries.
, En inteligencia artificial, el aprendizaje … En inteligencia artificial, el aprendizaje vago es un método de aprendizaje en el que la generalización más allá de los datos de entrenamiento es demorada hasta que se hace una pregunta al sistema, al contrario que en el aprendizaje entusiasta, donde el sistema intenta generalizar los datos de entrenamiento antes de recibir preguntas. Los clasificadores vagos son los más útiles para sets de datos grandes con pocos atributos.
* Datos: Q130657des con pocos atributos.
* Datos: Q130657
|
