• Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Meta-uczenie się w celu wyboru najlepszych algorytmów odkrywania związków przyczynowych

Meta-uczenie się w celu wyboru najlepszych algorytmów odkrywania związków przyczynowych

Paperback

General Computers

ISBN10: 6207825926
ISBN13: 9786207825929
Publisher: Wydawnictwo Nasza Wiedza
Published: May 27 2025
Pages: 60
Weight: 0.21
Height: 0.14 Width: 6.00 Depth: 9.00
Language: Polish
William Senfuma, magister nauk ścislych: studiowal informatykę na Uniwersytecie Makerere. Analityk danych w firmie Tiaxa w Niemczech. Wybór najlepszego algorytmu odkrywania związków przyczynowych dla nowego zbioru danych jest trudnym i czasochlonnym procesem, ponieważ wymaga od badacza posiadania wcześniejszej wiedzy na temat istniejących standardowych algorytmów uczenia się struktur. W ramach niniejszych badań zaproponowano nowatorskie podejście do tego problemu oparte na meta-uczeniu. Meta-uczenie odnosi się do uczenia się o algorytmach uczenia, w którym wykorzystuje się różne rodzaje metadanych, takie jak wlaściwości problemu uczenia, miary wydajności różnych algorytmów oraz poprzednie wzorce wyprowadzone z danych, w celu wybrania najlepszego lub kombinacji algorytmów uczenia, które pozwolą skutecznie rozwiązac dany problem uczenia. Wykorzystano kilka sieci bayesowskich opisanych w literaturze, z których pobrano próbki w celu wygenerowania tysięcy zbiorów danych, a następnie wyodrębniono z nich konkretne cechy do celów meta-uczenia. Na każdym z wygenerowanych zbiorów danych uruchomiono trzy standardowe algorytmy uczenia struktury w celu odkrycia podstawowych sieci przyczynowych, a następnie oceniono ich wydajnośc. Dzięki naszym nowym technikom udalo nam się wdrożyc narzędzie do generowania wielu modeli przyczynowych, pobierania wielu zbiorów danych z każdego modelu, a następnie określenia najlepszego lub kombinacji algorytmów dla nowych zbiorów danych poprzez meta-uczenie.

Also in

General Computers