Machine Learning Was wir alles nicht behandelt haben
Weitere Ansätze Genetische Algorithmen Computationelles Lernen Lernen von Regelmengen / induktives Lernen Reinforcement Learning Support Vector Maschinen
Genetic Learning Basieren auf genetischen Algorithmen Orientiert an biologischem Modell Ursprünglich: Optimierungsprobleme (= finde den besten aus einer Menge von Kandidaten) Idee: –Mache zufällig eine große Anzahl von Vermutungen –Evaluiere diese Vermutungen und finde die Besten –Kombiniere dieses besten Vermutungen um neue Vermutungen zu machen –Wiederhole dieses Verfahren für eine Reihe (=Generation) von Vermutungen Gute Methode, wenn –Kein oder wenig Hintergrundwissen verfügbar –Großer Hypothesenraum
SVM (Support Vector Machines) Basieren auf Idee der trennenden Hyperebenen Normalerweise sind Probleme nicht linear separierbar Statt die Trennfläche zu bestimmen, finde mathematische Funktionen (=Kernels), die die Objekte im Vektorraum so transformieren, dass sie linear separierbar werden Typischerweise für Klassifikationsprobleme verwendet Support Vector Machines (SVM) Introductory Overview
Reinforcement Learning Beispiel: Lernen von Spielstrategien Trial and error learning Modelliert Interaktion zwischen einem Agenten und seiner Umwelt durch –Actions –States –Rewards Beinhaltet: –Ziel/Zweck –Effekt –Unsicherheit und nicht-Determinismus Markov Entscheidungsprozesse
Induktives Lernen Lernen von Regeln (z.B. Horn-Klauseln) Logik-basiert Generalisierung von Regeln Spezialisierung von Regeln