В области искусственного интеллекта , нетерпеливое обучение является методом обучения , в котором система пытается построить общую, входную независимые целевую функцию в процессе обучения системы, в отличии от ленивого обучения , где задерживается обобщение за обучающие данные , пока запрос не выполнен в систему. [1] Основное преимущество, полученное при использовании метода активного обучения, такого как искусственная нейронная сеть , заключается в том, что целевая функция будет аппроксимироваться глобально во время обучения, что требует гораздо меньше места, чем при использовании системы ленивого обучения. Системы активного обучения также намного лучше справляются с шумом в обучающих данных . Активное обучение - пример автономного обучения, в котором запросы к системе после обучения не влияют на саму систему, и, следовательно, один и тот же запрос к системе всегда будет давать один и тот же результат.
Главный недостаток активного обучения состоит в том, что он, как правило, не может обеспечить хорошие локальные приближения в целевой функции. [2]
Ссылки [ править ]
- ^ Хендрикс, Ирис; Ван ден Бош, Антал (октябрь 2005 г.). «Гибридные алгоритмы с классификацией на основе экземпляров» . Машинное обучение: ECML2005 . Springer. С. 158–169.
- ^ ВВЕДЕНИЕ В ОБРАБОТКУ ЗНАНИЙ . п. 2.
 | Эта статья об искусственном интеллекте незавершена . Вы можете помочь Википедии, расширив ее . |
