Доклад посвящен дополнительным аспектам машинного обучения, основанного на байесовском выводе, в приложении к деревьям и графам решений. Сравниваются метод выбора модели maximum a posteriori (MAP) и получение модели матожиданием по постериорным вероятностям (байесовской оценкой); описывается процедура эффективного вычисления байесовской оценки для деревьев и графов решений. Рассматриваются способы задания первичных вероятностей для байесовского вывода. Графы решений обобщаются до Тьюринг-полных моделей, рассматриваются преимущества и недостатки данного класса моделей. Вкратце рассматриваются возможности применения описанных методов машинного обучения в производственных процессах.
Докладчик: Иван Белобородов
Материалы:
- Jaynes, E.T. 2003. Probability Theory: The Logic of Science.
- Veness, J., Ng, K.S., Hutter, M., Uther, W., and Silver, D. 2011. A Monte-Carlo AIXI Approximation. Journal of Artificial Intelligence Research 40, 95–142.
- Looks, M. 2006. Competent Program Evolution. Doctoral Dissertation.