Проблема извлечения и последующего накопления знаний в конечном счете сводится к знаниям о модели, которые формализуются путем оценивания ее характеристик. Последнее интерпретируется как обучение модели с использованием данных. Современное представление о машинном обучении предполагает, что его результатом являются "обученные" детерминированные модели, снабженные эмпирическими вероятностными оценками их достоверности.В настоящей монографии развивается новое направление в машинном обучении -рандомизированное машинное обучение, которое направлено на генерацию ансамблей энтропийно "обученных" рандомизированных моделей. Если иметь в виду, что процедуры машинного обучения применяются к задачам с достаточно высоким уровнем неопределенности (не вполне достоверные данные, неполнота знаний о моделируе...
Problema izvlechenija i posledujuschego nakoplenija znanij v konechnom schete svoditsja k znanijam o modeli, kotorye formalizujutsja putem otsenivanija ee kharakteristik. Poslednee interpretiruetsja kak obuchenie modeli s ispolzovaniem dannykh. Sovremennoe predstavlenie o mashinnom obuchenii predpolagaet, chto ego rezultatom javljajutsja "obuchennye" determinirovannye modeli, snabzhennye empiricheskimi verojatnostnymi otsenkami ikh dostovernosti.V nastojaschej monografii razvivaetsja novoe napravlenie v mashinnom obuchenii -randomizirovannoe mashinnoe obuchenie, kotoroe napravleno na generatsiju ansamblej entropijno "obuchennykh" randomizirovannykh modelej. Esli imet v vidu, chto protsedury mashinnogo obuchenija primenjajutsja k zadacham s dostatochno vysokim urovnem neopredelennosti (ne vpolne dostovernye dannye, nepolnota znanij o modelirue...
