Statistická učící teorie

Statistická učící teorie byla vyvinuta během 1960-1990 hlavně Vladimir Vapnik a Alexey Chervonenkis. Teorie vysvětlí proces učení od statistického hlediska.

Tato teorie foundational sjednotí takové různorodé algoritmy takový jako neuronové sítě, ředitel analýza komponent, a maximální pravděpodobnost.

Teorie pokryje čtyři části (získané od “povahy statistické učící teorie”):

• Teorie důslednosti procesů učení
  • Co (nutné a dostatečné) podmínky pro důslednost procesu učení založeného na empirickém riziku minimization princip?
• Nonasymptotic teorie rychlosti sbližování procesů učení
  • Jak rychlá je rychlost sbližování procesu učení?
• Teorie řízení schopnost zevšeobecňování procesů učení
  • Jak může jeden řídit rychlost sbližování ( zevšeobecňování schopnost) procesu učení?
• Teorie budovat stroje učení
  • Jak může jeden budovat algoritmy, které mohou řídit schopnost zevšeobecňování?

Poslední díl teorie představil známý učící algoritmus: podpůrný vektorový stroj.

Statistická učící teorie obsahuje důležitá pojetí takový jak VC rozměr a strukturální riziko minimization. Tato teorie je založení skutečného porozumění učení stroje.

Tato teorie je příbuzná matematickým předmětům takový jak:

• reprodukovat jádrové Hilbert prostory
• regularization sítě
• kernelss

Odkazy

• Povaha statistické učící teorie, Vladimir Vapnik, Springer-Verlag, (1999), ISBN 0387987800
• Statistická učící teorie, Vladimir Vapnik, Wiley-Interscience, (1998), ISBN 0471030031