Preguntas etiquetadas con lg.learning

Estoy bastante familiarizado con la teoría detrás de VC-Dimension, pero ahora estoy mirando los avances recientes (últimos 10 años) en la teoría del aprendizaje estadístico: promedios (locales) Rademacher, Lema de clase finita de Massart, Números de cobertura, Encadenamiento, Dudley Teorema, pseudodimensión, dimensión de rotura de grasa, números de embalaje, composición …

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

Es bien sabido que para el aprendizaje PAC clásico, los ejemplos de son necesarios para lograr un límite de error de ε whp, donde d es la dimensión VC de la clase de concepto.Ω(d/ε)Ω(d/ε)\Omega(d/\varepsilon)εε\varepsilonddd ¿Se sabe que se necesitan ejemplos de en el caso agnóstico?Ω(d/ε2)Ω(d/ε2)\Omega(d/\varepsilon^2)

10 lg.learning  machine-learning 

¿Qué clasificadores de aprendizaje automático son los más paralelizables? Si tuviera un problema de clasificación difícil, tiempo limitado, pero una LAN decente de computadoras para trabajar, ¿qué clasificadores probaría? Por supuesto, me parece que algunos clasificadores estándar que conozco se apilan de la siguiente manera, pero podría estar totalmente equivocado: …

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

En primer lugar, todavía no estoy seguro de si la teoría está bien adaptada para esta pregunta, por lo que no me ofenderé si la multitud cree que no es así ... En el marketing de motores de búsqueda, varios problemas son interesantes. El diseño de mecanismos de subasta justos …

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

Específicamente, solicito recursos para aprender sobre los sistemas de aprendizaje automático que pueden actualizar sus respectivas redes de creencias (o equivalentes) durante la operación. Incluso me he encontrado con algunos, aunque no pude marcarlos. Como puede imaginar, es un tema bastante desafiante para buscar en Internet.

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

¿Cuál es el resultado del estado del arte sobre la complejidad de las consultas de las fórmulas de aprendizaje 2-DNF PAC adecuadas con consultas de muestra y bajo distribución uniforme ? ¿O alguna atadura no trivial? Debido a que no estoy familiarizado con la teoría del aprendizaje y esta pregunta …

10 reference-request  lg.learning  boolean-functions 

Los bosques aleatorios tienen una reputación entre los profesionales de estar entre las técnicas de clasificación más efectivas. Sin embargo, no los encontramos mucho en la literatura teórica del aprendizaje, de la cual deduzco una ausencia de resultados teóricos profundos. Si uno quisiera profundizar en esta teoría, ¿por dónde empezaría?

9 machine-learning  lg.learning 

Supongamos que tengo puntos en R d . Estos inducen un diagrama de Voronoi. Si asigno a cada uno de los k puntos una etiqueta ± , estos inducen una función binaria en R d . Pregunta: ¿cuál es la dimensión VC de todas esas funciones binarias posibles inducidas por …

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

Me refiero específicamente a las familias de idiomas que admiten cadenas arbitrariamente largas, no conjunciones sobre n bits o listas de decisiones o cualquier otro lenguaje "simple" contenido en {0,1} ^ n. Estoy preguntando acerca de los lenguajes regulares "autómatas-teóricos" en lugar de los "lógicos-teóricos": algo así como los lenguajes …

9 automata-theory  machine-learning  lg.learning 

¿Hay algún resultado que demuestre que los modelos (digamos SVM, Neural-Net, kNN, etc.) tendrán dificultades para aprender instancias "raras" / fenómenos de cola?

8 machine-learning  lg.learning  pac-learning 

La dimensión VC es una medida de la complejidad de las clases de funciones que está estrechamente vinculada a la complejidad de la muestra. La dimensión de rotura de grasa es una generalización adecuada para dominios ordenados más ricos: es decir, . ¿Existe una generalización estándar de la dimensión VC …

8 reference-request  lg.learning  vc-dimension 

Mi deseo es describir la complejidad temporal de varios enfoques de agrupación. Por ejemplo, supongamos que tenemos puntos de datos en m espacio dimensional.nnnmmm Supongamos además que la matriz de diferencia de pares ΔΔ\Delta de n×nn×nn\times n dimensiones ya está calculada y que ya hemos gastado O(m⋅n2)O(m⋅n2)O(m\cdot n^2) pasos. ¿Cuál …

8 lg.learning  clustering