ÚVOD DO STROJOVÉHO UČEN: TROJOvé UČENÍ (Machr,,. Lm&rwn je vedecká dlscipíina, ffrbýväfict *e & světem. SU (ML) tvoří Cu.^í umelé intt . (Af). Hlavní oblostí zájmu ML ís&u zejme ^L^otitmy, kéerc zle-psuiísvoa výkcm.- ML pts&kytuie násitcie- (atletitmy prc-v restov ) umožňující učení umííý^\n eb/e-kiu fartefakéů). ML má-$v& poíátky někde v GO- žviech^ avlcuk fte-ivéísí rozvoj v obžasíi QÍ^oi-iímnú a metod uLiíomatizovemeho učeníinie£iaemítn/ch a^ieldkiu pochází z cca posledních 10 let Strojové učení • Otázka, zda lze naprogramoval počítače lak, aby byly schopny se učil, je aktuální od okamžiku vynálezu počítače. • Pod pojmem "učit se" se rozumí schopnost automatického zlepšováni výkonnosti s tím, jak vzrůstá znalost a zkušenost: Definice. O počítačovém programu říkáme, že se učí pomocí určité zkušenosti E vzhledem k nějaké třídě úloh ľa míře výkonnosti P, pokud jeho výkonnost pro dané úlohy v T měřená P se zlepšuje použitím E. • Zatím není známo, jak uzpůsobit počítače tak, aby se učily jako lide • Pro určité druhy úloh již byly vyvinuty efektivní učící algoritmy. • Např. problémy typu rozeznávání řeči jsou řešeny pomocí strojového učení daleko lépe než pomocí jakýchkoliv jiných přístupů. • Úspěch zaznamenaly mj. následující aplikace založené na strojovém učení: ► programy schopné učit se rozeznávat vyslovovaná slova (l 989): ► predikce doby uzdravení pacientů s pneumonií (1997); ► detekce zneužití kreditních karet (l989); ► řízení autonomního vozidla na dálnicích (1989); ► hry obdobné backgamonu na úrovni mistra světa (l992, 1995). «i- • V oblasti teorie strojového učení byly v současnosti nalezeny postupy umožňující např. charakterizovat základní vztah mezi počtem trénova-cích příkladů, počtem uvažovaných hypotéz, a očekávanou chybou naučených hypotéz. • Byly také získány počáteční modely zvířecího a lidského učení pio porozumění vztahu vůči počítačovým učícím algoritmům. Některé příklady stanovení učících problému vzhledem k všeobecné definici: • Hra v dámu počítačový program, který by se učil např. hrát dámu. může zvyšovat svou výkonnost pomocí míry dané schopností zvítězit ve třídě úloh zahrnující dámu, pomocí zkušenosti získané hraním dámy proti sobě. Učení se hrát dámu: ► T: hra v dámu ► P: procento vyhraných partu proti protivníkům ► E: hraní partií proti sobě Rozeznávání rukopisu: ► T: rozeznání a klasifikace slov psaných rukopisem ► P: procento korektně klasifikovaných slov ► E: databáze rukopisných slov s danou klasifikací Řízení robota: ► T: jízda na veřejné čtyřproudé dálnici za použití senzoru ► P: průměrná vzdálenost dosažená před výskytem chyby (posuzováno dohlížejícím člověkem) ► E: posloupnost obrazů a řídicích příkazu zaznamenaných při sledování člověka-řidiěe Některé z úspěšných aplikací strojového učení: • Rozeznávání mluvených slov nejúspěšnější aplikace tohoto lypu využívají v nějaké formě strojové učení. Např. systém SPHINX {WW) se učí strategie rozeznávání primitivních zvuku (fonémů) a slov pro specifické jedince ze zaznamenaného zvukového signálu. Jsou využity neuronové sítě a metody pro učení Markovových modelů pro automatické přizpůsobení se individuálním řečníkům, jejich slovníku, charakteristikám mikrofonů, šumu na pozadí apod. Tyto techniky mají použití i v mnoha dalších problémech interpretace signálu. • Učení jízdy autonomního vozidla trénování počítačem řízeného vozidla tak, aby jelo správným způsobem po různých typech silnic. Např. systém ALVINN (1989) používal strategie strojového učení k autonomní jízdě při rychlosti 70 mil/hod na vzdálenost 90 mil po veřejné dálnici za běžného provozu. Obdobné techniky mají aplikace v mnoha problémech regulace a řízení založených na využití senzoru. • Klasifikace nových astronomických struktur metody strojového učení byly využity v mnoha aplikacích na rozsáhlé datové báze k naučení se obecných pravidelností skrytých v datech. Např. NASA použila algoritmus rozhodovacího stromu pro zjišťování jak klasifikovat nebeské objekty na Palomarské observatoři v programu prohledávání oblohy (1995). Tento systém je nyní používán k automatické klasifikaci objektů na základě dat majících objem řádu terrabytc (obrazová data). • Naučení se hry v backgammon na úrovni mistra světa program TD-Gammon (1992, 1995) se naučil svou strategii hraním více než 1 milionu partií sám se sebou a nyní hraje srovnatelně s mistrem světa Techniky využité v TD-Gammonu jsou aplikovatelné v mnoha praktických problémech, kde je nutno provádět efektivní prohledávání rozsáhlých prostoru, • Strojové učení nyní tvoří značnou část oboru zvaného uměla inteligence. Jako disciplína bylo ovlivněno mnoha obory: ► Umělá inteligence učení se symbolických reprezentací konceptu. Problém prohledávání/vyhledávání. Učení jako přístup ke zlepšování řešení problému. Využívání již zaznamenané znalosti spolu s trénovacími daty pro řízení procesu učení, ► Buve.sovské metody Bayesúv teorém jako základ pro výpočet pravděpodobností hypotéz. Naivní Bayesovský klasifikátor. Algoritmy pro odhad hodnot nenaměřených proměnných. ► Teorie výpočetní složitosti teoretické hranice složitosti různých úloh učení, měřené v termínech nároků na výpočet, množství trénovacích příkladů, množství chyb apod.. nutných pro požadované učení. ► Teorie řízeni procedury pro učení se řízení procesů za účelem optimalizace předem stanovených cílů a pro předpovědi následných stavů řízených procesů, ► Informační teorie - měření entropie a informačního obsahu. Optimální kódy a jejich vztah k optimálním tréninkovým sekvencím pro kódování hypotéz. ► Filosofie - Oceamovo ostří (princip jenž stanovuje, že nejlepší je nejjednodušší hypotéza). Analýzy oprávněnosti generalizací přesahující naměřená data. ► Psychologie u nenrobiologie tzv. pravidlo praxe, podle kterého rychlost učení ve velmi širokém rozsahu úloh vzrůstá se získávanou praxí v daných úlohách (někdy také uváděno jako "čím více toho známe, tím snadněji se v tom dále zlepšujeme"). Neurobiologické studie motivovaly modely umělých neuronových sítí pro učení, ► Statistika charakteristiky chyb, které se vyskytují při odhadu přesnosti hypotézy založené na omezeném vzorku dat. Intervaly spolehlivosti, statistické testy. Před tím, než začneme sestavovat učící algoritmus pro konkrétní úkol. je obvykle nutno zodpovědět některé otázky: • Jaké existují algoritmy pro učení obecných cílových funkcí ze specifických trénovacích příkladu? Za jakých podmínek budou konkrétní algoritmy konvergovat k požadované funkci vzhledem k daným trénovacím datům? Které algoritmy poskytují nejlepší výkonnost a pro které problémy a reprezentace'.' • Jak mnoho trénovacích dat je zapotřebí? Jaká obecná omezeni mohou být nalezena, aby byl vytvořen vztah věrohodností naučených hypotéz k množství trénovacích dat a charakteru prostoru hypotéz'/ • Kdy a jak může apriorní znalost pomoci řídit proces generalizace z příkladu? Může tato znalost pomáhat i když je pouze přibližně správná? • Jaká je nejlepší strategie pro výběr použitelné trenovací zkušenosti a jak výběr této strategie mění složitost problému učení? • Jaký je nejlepší způsob jak redukovat problém učení na problém jedné či více aproximačních funkcí? Lze tento proces automatizovat? • Lze měnit reprezentaci problému tak. aby se zlepšila schopnost naučit se cílovou funkci? ZDROJE ML ML Čet pa ze všech ohíastl informed iky^ matematiky, froed.j kieté jsola U dos&ž&v\l clíť (ijl- učen/se- umělých ohjekhu) ioukko^iv po-Ci2iie£n&. NcLph- kombinací to+Lky, cfo-ůcobď-zové teof-ie. a vhodných heuirisíik ite wři/o-řií System pro z.i&kávdm( 'znaíosií. Z hlediska. ML té* poof^t^íma znalost u, meto.zna.Zosi : mtiazna tost zntxlosí o znalosti (**př u ES I maze mei*,z*%4,£psl urtih} icée-ta^ ____, sptcifCeU-ei b*ie 2Mä/$ *k\se díi^e) (n«.př. ft<*.vieÍtjL. ffxpet-thíeh sysiému) I informace zamává Časí da.t o\aia*\ údA^e/hodnoty ddvAu'ct émyst i „Objekty peteftctcLttttbo x.eLjmu* £um obsaJtuie- vie v netoz&téiieíwe, ^ tmě$i pestt-dótcLitcť smyšt (**ft- *>*>-Vet mnoha ttdi Hutdtjdoptovdzettjf tifit- ktm aeod) ., ZamUtná. cUlaS UČENÍ i cd ein z ústředních Schopnost učit se tvoři iedetn z jistt-eanicjr) rysů inteligence,. Učen'listředohodevnstdtWtí kognitivní psychologie a. uimě&c inie£iQence. <5£i-öii?v<5 učeni obe zmíněné discipz^ny casitjcne Strojové účetná studu {e. (výpočtové) ptoce-sy, Hct-e'tvoří odkladUčení ia.k u žid! ^ tobk u sérem. ML -5C- vnusi zabýva, t dvema. zaisoLdnimi hledisky: — ptobiémy spojene s t-eptesenlací zna,£oséiJ ot*ot.*Í2.asci' pauvnéti j a výkonností (co£ (sou, °^" / í f at i * »* « /y -_/ \ " fovnez ptcbXe.yv\y AI a^ Icc^nitivni ch V&ah — uče»! se může vyskytnout v xtetekoßiv ož>£as4i Vyzaduiťeí inte£l*e\/\c.i (diauf.¥\ostikoij pždnova.-m\ přirozený lo-iyk.. řízeníJ^aSBW •■• ). HISTORICKÝ VOHLE3) A/A ML Asi učen Ša, ke o<Á poloviny SV. le-t íze s£e£&sé ■ fič -Ze^weren^círi sysk^wičL. HIf/'ktsLce. v obdeLsK [/nfttudnf* AZe^y rozpozviaLx/aLw\ZZ&h<£ «se- kupr. ZCG&ol, &dde,&i(Ly přC-C6\#\£ AX- p - sícĹ&ý vztiZji 3.<3LjhKA o ML ^e. d<*4-u\e, od konce, 10. íeé:' zk&4.v*dtoi 2. encyklopedické lne? &* pft'ŽCs spe&i -á&n/ho chV**'t zlskAvdlnl 2jnct£&3h, pre dowiénovŽ specicíElcké zvic^ß-o^tnl házč^ cc ko~ we&vie, vegkd ncL. íek) kdy &e 2.«,Bci,&? \-cxsitoK/cct e^c cbŽ,€^/ihi ajfCC -ka-c'i xclU-C vidné ván l. eficcanositkäĽ} nairhhčPVcLuti ď řízení. Kenkt-éín! apčíttcLCC v »cilery cb obfas-tech t2V- probitému, reá&ného sveta, (pruZniyslj medíelínGĽj ľ/zenŕ • ) spočte v5 pevneľ^lmetosí {.ech n oželie, M Ľ Sysle.i*ia.-íicke cxpei-itoenéy 1^^ soiMtených. doL+ec-h o*, pre -dsnť teore-tickd čLnažý' zgľ áe posiuphe siccEy VtClrtoQU (SpíŠe onyvn zcLime-Hi je UČCf\ff é&$a,k ±ouca.sny .*/«•• dl<-íiéct-A-tut-y na.zv\GLČvtje- rozdílen,Czdjvnu djo chýr hta.v\nColf\ AKUpin- 0 MoJcÍovami' m&ekatiistou tvorí tfek podstatu &idsk4bo uce*\í ?6yckolo^\e-ký hánico V nemz Ide o výi"*/ til*&~ rít*vioó obecne kovisisíevtkteicUs ±c- šu*a*!Losbí Icc^toilívní'eurcU'ií&kiuhy as o ^ysve^i-ttMÍ MpACfft'ckycfn jôVtX pozot-ovosvyých běke-tAi uČ^hC- VysJÍe-efke** éeh&bc pr'iéiu,piA je h*,dcLr iŕnodt,Z\Z> z*U+maííoIcI\ ť-tHe\ŕ\í pŕw-biímči, pr'iŕC3.**iý ja-iyk) vmmd,mJ&-i- Tt-*.kiickJM pFinoscvvi jfe- mc^Ph. predikce, phOCe^AU aCCVtCOs -pauUkt Jtie. via.S.é,-íí, ku.pt. V obtcLiki riíLvhbu linsitukohfcli tu« -iŕf-ia£oc- pro powz.itŕ \te, \f3.d.cQ.ô^\/cuc\^\ pt-&c&SU. (£) Empirický phlsiup k*- síudiu ML \ c/fem je. odkhýt g>bcché pt-inoipy i/Zíachui'/ď Se k cha.ha.kéerisftkd,t*i uiZldoU asjt4 0hi£h>ilZ o^k obQ.CL&l-e.\*i ľ mlcinz. piZscbí. $h0Lv\d*.+d*\i*\ pŕiS-l-oopown le>- oxpet-ineHtoi/aLMt') k^e. šc-m^Hi A,t%ot]-tt*iUf> nebe ot&wxhncĽ ck. po^orucies<.) A^ky dopaud iyto 2.mcny <♦?«•/' ao. uce^C- VýsQedIkQ** býva, odtečiem'.sILeubých **i3v <^£^c>hii^iů,) faliüM t/z*wewne ,<*-ovwéCv\C idei e, pro iciich zieps^ť. &** pozadu/ zofroitZ 2. nich Z ^HtfcvM en í" &b t iŽe- • (5) Mm.íemm.éické siudiu.m ML ' client je, fermuiow-t <*^ dpkoCz^-6 tcoté,\my O ZvLá-dnuit Ccflyok -Írid pi-oble-MuL u&cvtí o, o a,£,f,ctií.mech /ia.vt-3.ei*ých k resent -íe-cUhc probti-mči. Typioký pŕ!s4-u.e> jLcje z.&bwujescfef^ici ni.Ao.ké,ko prob$liMu uíevu' odhoudzAgl. #iú>z\c.ZX ne-mi«'ž«' být rešeto -ponio&f rozUMnnéin? poi,k^ cvičných z>íair i vři viiLlňii s>íocc\nýc\n podmínke-ch- ^*íi'»cr z A 2 Z A > **. Vtek \' phtS {cct> výiAxiv'cC naísltoAer ol, poii^iy infotm#.{íky <** sé*i4iS -iiky- VýpciciovoL -Le-ot-tes ucehTphitoeóCcL vnn&he? pt~c~- 4.IŽ*}OSÍi aízaax ou o iMe-t&eteĹcU. k heŠenC {.ŽcMé-t» p*-r - © Afiik&lhi' phlsiup A ML •• Vt-imtLhHÍw CiJ?et*f lis pou-ÍiU ML neu -probfewy i*t« vict-MfaecU HLj t/ioivhli *-ep(r-Cv5-ent«,ct/ éi-eWucce/cA ctik&a^lčĹ a*- v\6LH.ě.z.iit£ 2mcl£.cš>^í slihomoízl^t^l -Ltc.-nováčcích oiout, pouzÄÍC ML k vyOtcncfovoiini 2m** -ifsénf faéfaí&j asoleiiť pta.ee- s uiivcbie£í k 4ks«.£c~ wí* zinčuJtcflní' baie- aío pc>2^cf0\/a,n£ poofoky. Tento př,(siup vědí. jfc'-&pJ0iA*r^dy j jc zcLjcti o vjwi) porozumení' a, xh&ďno&cmť ucícťck At^ot-ťt -MU ML ic- v-ídcL, o asJČaot-itvm&c-b- ^>hilmy o- *M^.Jreí«sfe ^zcí/«.«*í*iy i/䣫^i . RÁMEC ML twwoíi© o\-oliP*-\k(La-dui. ?»■» vxaSie, tXóe.£y vy s (routines S •poně-kuel »^ieatyiaz^a.Z^týin iyme2enf'w pcitvtu : Í/Č C n r ŕe zlepšovat*' i/ýkohnoséi pt-vvaĹcjäHých Činností v *Í,ia*ké,w phe>s£h+Jf r>&**oe>ľ■z.fckmrveL- ne.ta,(<ériAi pf-ostt-eai pomo< r vyplý H*3««.£«?rfir vypiývm.ircťck 3* zkušenosti V pínfrm' *ke.lno ákoZu, , ovše.\*t £zA miPi't jrt^i^«5^ UieJi5k.au .]0.ko pFeshos-bj účinnost. pceitopenf--. Pt-oilřeWt" pt-eofpokdaLoteĹ hLicuké CKÍet^C^ipor^ökuui IM CO 2. C- (?y da. V tost impitieuie- fitieuký typ i/M» t Krt i" O^&fif) sh-íckiufy t j ouíLt, éeu \MuLxx, tyh ja.lceĹkoQ,i\/. ~ZkuZetŕiv$L VyicLclu.\z, ut-cii:^ uicntöußnt zpha,eov/eu/«tUi d©ľ K*f«íz!e feýt 2«.ivi e"ťeii© n«-- \suiftM Po— lykový tfýsn*.&j Hebe»dioko\Ac€^ Ha- y^ii^fa^r^My- "ZfopStMr 2.lceu\ ui/ec/ene'e/c^wťce^ re, voz**' -ola.v€k *«c tvj *«• o»Čevn~ i/ieJČze- f>c>fiSova.t í-zjoQ,o\jojac Ulici s«- /e- i/i^y sp&ieM. \S nč/tťtc&u. 2.^<^&-t?5Í^yi baLi0í.£2íT£ : P^o^í« ukUtLtAeLwolo p«-t«ôíť n cm" uftetu' ] Teto ivv-iCMi' niwJřpíáteí tocvyvoíó. -pochyby — o\:£z.W o*lt> jV proč ? J)JCucö/ k íe**j Žt- pouAie i*iei*itfr©ucUci He-zaJii-wU -i, indukci. kiCfoú u.mo2.v\uiť ítsuzcvtí^ro ch,ťsicU prlpa,-a\t,ck/ (r£>-oheLie U z pí\ka,om do\mé.v\y. Ui&vítHéi A- otcvľetiéť dc*ne>¥\ou: dumána- se. nótzyť-«^ irfZeiťfcvióCj peku dc-Ktstuíc. vouzť omezený poocst khťtí [/tť^MC-SÍi ic JSOU. Vokud n&mtAsZjťtiŘZ, Plot. o.$e#if J>f~<^kh c- ?Í-\kta,J.: Rubikov*. kosíUou le, kĹCL»i&lcým p^lkžecd-e^^ uzwřeviS domciny. -Z"kdyžTřesci*Cj<*, cA,$tc VťCice. cbtíž-ne> (pro nokict-e'z iňd&) v ft-inořpu iňtcLme- kólť.zfoziJc-i vtJSket-ou mžot-mosci vúíPe-hn&u k Pe.Se^f/ - 2.lsksi\^^ >"j 2e.<7-teLvu , v nt-iMŽ.■>**ko$-tk&~ ncceMa-T-i« j Čistá as Z*/£io»i*i>ttC ebťtas : Učeni J& t-e&A&i we, snad- & b.$ oleh£ive- f^lkíix-dy -&«- w^zyi^cv-ťisi.Á. (ŕ-ea- Ä"tc+«6íJ. l/£-p«.(?nftw rphlr'^c^-C ý?&.k tie^ohiute^ kí+.4)£.{ko^c-\ oťp&at- ťeéfioiZu* <*s i/j£a.$ínťrtii pokusy At&uvit. A/*.v!cf ;*-iícM phVV\( ^/o^t (oyya.il f?hO hoalťCC- •SfGZU^vlli^e-jCyf^- J^ x-c -photCj it- otČ^eMi jie?tc x?fe^fk£reido\.viy r>e,u,i.e^ he*, i — ňike&iv &*&€*& éto& chyb*». /eck hubky- -ŕw-ŕc /'H<^ £y£ ^eL- fxfiLwJt • - ■ 4seH4. Z.ďjpeir-e.l"/ •&& — v\h{.V\& kobcUc-c.* „Chyba,t*\t S^Etois&k Uc,^''• ?ŕ-aiŕťdrgyio^^ prostredí ČévPÍ £oJkioty W&tvňújt obiCJLnost uCe-mí- (J) óíoiíéejé ct&ové Znct-£o$ti i^z. rm pcčt\miwe>k imú-Ž-c být k ty&tičchi' s£cŠ(é£/- žTetvi/i j> wcetotm -o^-cbJÍ-í^yj p/-^«?£e. ne^mtušlbyé Jciu?t>eio \rozvz\A«.i c&J&pBelffič&fa&vh&ZautMSict insUKvtc-*- do ut-oií é -ihíé/y úl, co h €■ - (T) Mh«í5Ívi" Šumu (/pí-ojéŕeW/. U11zeného uoewi ^fec*-* a#) 5U.M itldy zetsht-fnui'e, zkl-esiewt'2peine-' l/A-Ttby TtÄÍtže u^í'c/ 5e clť3>íA.\/G. ftespHsLi/né úd<*íZs cd s vvstltoXuMCw kýt/áĹ uče,vir ohkížnČJÁT. fzxisbu*} öd 3u,*tu výistL tfliťcoíy gÍdÍizv\& hoZe-l^<^Íc£-^lý ézi/*- (í) 3)t!fl konceptu, ctžsouvis! í £ÍAr.5ou04f konsistenci Ptostteali'. V toZklerýcli •otlpcuolt.cb toůže^ ctcitb k zia, áa-*t- (ivw^i^t, roČMtho období --- )■ Líceni tUe-KÍ 6'■* uZiée£€4*t") a, H*HZcnd („bt-z učitele") po&kyiujc ucíciniu £& phiwou zpctucu va*ziou c et wosíi Jette? l/yrfOHhcsti. Tou-io w-iloo^ cliybí' w. werften tí»o w£ev\t\ Wšííin«- phe>brét*t(X ML setýUái řízené!*© uée^ii'. U k£a^i,říí<4io|-íl ov&dpokíÁJJ^ í!zev\ý ukcLj ze- UtCLjd^ mdukotrfoí koncept scUopnJ phtsie ^&© wejpře-swě^y M - M fcSíleiil p\-oo$i\md Sc hlzené «čTe-m i/yskytuje* v p poudt-ck,. k<Áy uZiitJĹ ukáZc- ót?ŕ*Lvný kf'ok / kažet-iw bodl Í íi í. tJitčA í Č i t (žu 2£>v£* í- On-lint, <ť 6$-!Li*€s tíC€*tŕ Pří of?-£fVit ctče*! i&OU ptíkia^dy 2. ulici' {#r*?u ty &ys t-evnu. <*<*, t «J 2 . Je wcínv í Zpu.sc(o ^vne-^'f ^ £y". phík£axty jľscu. pPet/kld- MdvľJ pc 'e*4rtc-t Čivých 3GubcH\ch.. Inkrtmettiálru' a, neinkt-ememtálriť uce-nŕ On-line, a, o^-tlv\t, di&nf isau způsohy přcdá.\jó,<%! pi-tkiccctu, ty. 7.vt-a,t>ov£L\/a>t prec/k/defoshci o/orte^ bud" po i+jHotčivýcn teukÄ fntiaV- 7.f>t-a>cavect mttoístv» mstmM&t *a,rd*j C*x JřU řítrsipic- ihlcremtnídŽHt' m&íoeŕy ** 2a/a,^/ být icjpriwehe^ nejít Ůtvivt?pro o£ abcf«sptovo*t ne.inktc-Me^td.ž.iAi" vHt\t&c/i4 n«* an-£č*e_ atmíuobo\/<Ĺ*i**i pčedchoz-íc-h e>hik£a/G*vt*. .spusb £ tt,^^*Pŕií*vi(cí S IrcoXÍY-t-ncU vhnežiHeu it-c-nov^&íeíi phl-klewdCL.ťtxAola**. ÍZťpoUZÍt l*kr€,u*CMtcLIL*i'c^^^rpH-tmus pre &$-Zí*e, poŕhytox/CĽVicĹ ofwtcw t*> m*--h>oi^y ne-ck,Á> i*nc>lit;lcr*Lé'iíchaé-ivHG pfcb£hncut br4.v\ova*cr'i mv\(,- xittcu. AL*pY\ím£*i v< stupni k p&kuot (fULMeiVy^ k ptedchv^ieh pŕikiasdu, pc pčifeiC ka.zJ£ tt^— novaci infi£*iM&ct A&«ohi'éniufi je> n*i*kt-m,mt,ntd>ŽMÍpektAef znovu zpr9se>ovd\feí> všechny pre.c/ckcxrpříkč&^y- öbeis pťi3Íu*?y t*l**ít &V4 výhody > / NeittkťemeniaLirtť: Lzt, vytvořící st«,ii$Uky o tr<.mov9^oieX pt-\kí^J(e.cUi u~íÍh* U'Vnoim't Lcp*i \r€>-2\iohc chevd*S <*- pre a>a-évnei*ini R&pt-csenícLce/ zkušen o sei PČbd ZOspoc/GstiiiK ^UkúĹvoon/2.llu'a,£ ii/or múze, \zykcL2,cva,t 3 meŽhé ph,'zna,ky •• chiu.pA.ecse \yk«szui!ť(Uo A- a. J. Äy**iĽ>éoŕ>i Äi/|«/fc Mikeßiv/ £•) i'gJcg ^HTioz-inu {ckÍM,p*.lý , -f Šiš>ka.vý j in tortový }. EťcnV«,/**»éMí"'' ř&preý-en^ft-e-e- vculíveĹ biiovJ vektory f kcft, pG-zťt-z* p£/~ 5*t*ív»e'íw ísŕiy cdpovídfĹ tu-oi^G \J Heust HO áit' přícetož lineji-fcwŕe- bČíhcmwo&i a, 0 fte-PrféuWM&žé íÁio vž,a,${rnos-£'. iM>éa.*ci jOfko scutlooi- bomirtm.&fitekí A-tŕihutiC •- clodobc^ nt,2. £ VzoĹi^nwe £& vyJíiAGUsud hocírtočy. Kupr- V uvede.-tier* ■Ph/klďoíu Čzw\ ZVUK j kbztý mú^c na-bývcvt hodnot ŠÍ*Ud*\{. min,* V«Ml^ k\/okcL\ŕ\C. L?.es wA^iM vz&y t\r-H&fotrm£>i/a,t nominačnír€,pVe.9€V\t<*-CÍ Uo teoOÍskeboČcťlMGťiCsIMrU} (Xstts ^ýsC*.- de-k yi&wtufť bčt y£Vy v^ho^ý- J^ou~JtL hodnotyevkr1.>^.-tu. ňMřz&few výžuZlÄdj Ino&^&ké. kádove^AÍ /»clže, .zpe^ifíc- n^mchcu. vyskyfcini/H-í (ptc nt-citou. kombinaci kééltt)* / / tozdll od <*,í\-íV>iaí\Zj numerických. J p*pS»4 d^Ĺku óhĚ.u,p(l>j ái'JÍu šttkvLní Ou VťšĽkosi htcudi ■zvniHen-cbc ČľOfCL. kfatnchické dome-ny jsou i-*^i c-Weí. H€m pl-OStotU y kefe o-í^i'huíy určuji 0*>y- Nerk Pec« et ß* i vfi -pčL^I tou*iei-\c.k»ho ketrfavdvtr. k S k&stka,wii u, -±4o£e.\Ai: kfnkť&in/ l^^-fru-^c^- . kd\- kc$lky B 7 tdidl (no, A slu£)f' (fia.3 Uůl), (\n^CA)J (w iný C), (v*4«y 38>). kíždý iifefrčt pop ť ju je- i^w&$fodktim0(t$koy a,le ieiick poceí pťo r&zwé sittACLce- thtZzc hýé fázwý- £e-toZul'jetzyÁy SUbkt&tAjt schéntvtíiL, \/Ĺkviv\ke£Í ľ éT PARADIGMAT STROJOVÉHO UČENÍ Ml tvoři to SpoteŽn \fybod\n toiÁZIwax ML (ť«ip- výšt.kuwmťkCL v iéío o(o£a*»U,) w< ui«.$leotui(cí 6kocpiy\y {p^h«,e(i^w\^-f:a^) •■ @) Něutonove sííe, ŕ&pte&eviTuÄi' iho-ZoaI potoúci <*tto>'*ia- VtSlvě- Slit. Á iW^ttoiícAVMÍ oícilVovťtnywi pCMfCCl T>t-CL- inovýcb bod"ot Sl^lcícU g4t£iVí£u 2«2- vshu.p^icí^ uzi-iĽ .skt-2. vntí$-t\r<Áo vísítAprifoU. VaíUy ptifccixM* l^A^ct^C- Viíy V ^evlvyctžhýcb pí {pokeci,. AŕcM'*-«-^ vjsiup^cM azÉtZ sflč **ď£e> býí prever/ené*_ (<**• nUMch'ckdpťecrťket rt*bo «a. al'3khJ-ivtr rozhod ovó-to f * jliepJitwt ftcshesU' k£*.*lfťk*Lce, et pt-mefťkc^- se-eíoseihujť 2J*i£no(A VcUt au spoiled ntĽ-f'ltxilpíéuf' e&h>Vin podmínky oucz.kcť^havicttJL), oleL^y tpotoHiky) 2 hoofrčiZ tomtcfch pf/ziuW l/£*sé~ noi^r (vy^okc'^kóŕe.).■ -S&ŕVe- je^ue kČ/cJceu t*t('~ Kcu výkonnofiLi. © Indukci -pt-avičleí: pmSimC if-thbm ^c^\A-o(l- (IF spínány j?c*4mmky THEM ndsícdui» ďkc^j rozIncciovasCticU £t\-o*nčL . ci ob*~ei'-vfV£ft,. V f>o<Ä*- Učiti a£aí?t-ÍÍw(A5 Obvykli, phcx/cíoíi' ^2^- m Íct.&vi^" pw - íj Vě-fcšíw«- \nekool rckU.rsi\ŕ\AČ hC2.í?ťřru.AC- "tt-^MOV«^Cf r>í«,kw^ \Mwek- (5) Akm.tyliek* tiČ€WÍ: -LV\a,tv$k tepl~C3*.vtt&v«. pc?w.íí-fcflĽ íi í«íŕe<^«í-iif'oŕtZíc«-2(^ tco^w«j^i*r vyicuí(Fu.ie fcÁeviý ot-obté** • Uč ic( (*£*&*■ i hnus spcKé~ h*I. ni ^iľ. výcMe^J 2.v\(^LQí,h- ptc k.omsl\rukci aftík.tLZUs & vyAVliieMV? (A^\^ cic sb&itějŠieM. pt-«vf-í?U€Í- hfiSíe/ek -pt/fffcbHe sífcu-d^e- a(«mä,'w tt£e*(cke,ut«íGul užeMt je ŕi^Ätic t\*lřý{*tf fa$i*M- ,5fHÍVM* fei opUuuxLQu* oJtpcviď') v*. kvv*ve+% euce !<+> fiozS*M iy&*ova,c,i množiny ? ?úiÍÉL*l/ y?eJk£éLda,viýeb tri nevoideh msí*Mcí ? hc ke, íreř^í-í«« .J. Ar*«e/ *»«£*/ .^-^.'i n« í nekjy «ř-ccej učeni r UX\itč*iom. V&0L.*rtrte,fitl as&40H'ÍMrtu \C- ^oz^cz-Moi^c"" Je MULČCM« Í*#Ú**n«LC*. f?hť$íuf>n*l ? INĽUKTlVMi UCENt Pa,iři' k ne-jc/áiežiiČiŠiM w\eiod£wi ML. McĹ vyztne^^vt^ aspilfeosce, v imrjohßL, oborech. Intuiliv*i' elidCpeLuť iňJukitVnťhe uc€-h! : - Ko&ik vťouyy je. i-Čeba~ Ápa^í^it) &by cf.ovek oJosf*e£. k u&uelku, ze. vtá,ncc /e cernai ? - Jia^íc £ze p£>l-i>2r£/We£ UohC^péci „ptvočlíio" ZMaĹute,- &l •ílcUýcU of>ei-r«i»j 6 H«, -Mír ne^ -Íz3 *»e. ^«^»o^, p^/c ^Je «/zt i nebyíoL, ft-v&Čtsíc^ - 2 -Loh* íz4L ^ph*Vne) «?eneh6n£Czt, -Vdct^ íe kt-on,ž £ £*tŕ/ŕie sude' čís&o n#vt/r>f-v&£is.-&6. 3>^íe- Jv«C f>Hk#*,»(y (*4y 24) kouči' 4 OU Z*^Hy' 2 t>hch~ fttíkČ&alďr-c — tozhßi byehofrt UAoucfii (chybne )} i.e. přiVe*. C'. kc**ěfe.! 1 t$cu t>t-ve&ís£o^ (Z"f není)- ízv. n^e-bn^-n«č (ne.cf>rA>vv\i£iri*L) <*eweha,£Cz&*c<í . ft&vněz, Jíie inofu-lcGva.t (d* -z*.k£aLjZ uir9Jetfychf>řik£a -fCC (chybnej ťiv. poalcesinČ/yMsĹ ^ene- - bychis\M mlo^k £4«*^ 40% y p*uk íe ttuivtc ebecUybvi^ fi,klu « jriti' hypc- Í^1i4.\ CA- ****- výsÍu,T>U pOskytu.Íe. novOU rtoeH*©Y«,M#lt) ------------T—^T------------- .STARS' PH.ItflA*y +tV-;+;-;-;•; + - MTUAĹ/2AeA/r PltOCÍDWRA . ice-pty hePt-e2.entuiict &*U*ty áefoe) : ÍM^ktvic/t- fřitoietnat c'sÜa^y koncepty- poodttwtozi-\ny pfito?. oi£e£- \f Uvede-rtéw ptikSLa,otu. Vt'itoxene. caiMecvic uipotaiJ^w! konce-ptú je- biet4LtcM*e^ ?tože, keJZctý koncc-pt 2***$éu,pu.i^ SouJoot • Exp ji c i t H r hi&héu t ch iCs — ic v fod^oL-f-z, £?^et?rďctwý l\A JO (fT^^i -o • Sícťitčjši koncepty • - lcomti.*kiÍ»nť koncept (na.pt. tiokd A f+Vúttt&o} - diSiUJ*khhř*t k0HCCfyt(tnsupf. j>tiro*e*iZc,(zto ÍO-A V ft-vočťsic) Kcinip£c*HČÍ6,' kov\cephy /tia.51 být phi ivotbe pietou-clnie. fJhGffeu* Z.^hthuty oAs 3ř-«-^ic iosko Iťziy. foZU*. vJLmmfam&tť: víanivíosiri^ po^£^tcpncsé(uApe,haL»íaM4Í) pe.\řv\-éMe potil* ASfckkiZ : cvjpe-kt ie bud* z4Á£m*utf -ietvvx yte.bc AymboĽ o4a.iu (ku. č?). ThlkMy?i**P+&iy [ (vUky, cei-ve»ýj kfM, (ve£Uý} f} "*:)} J^r- Kzot- 4<- &kíisk po 3 ItXeafťsďcU («spekkcU) fo^cepi re,pteA^^iwo$K *iefe>c/ je Sto**j££fói££. Ou fie-ÁtoclAi júMía^C capovi Jaj* c! «"*pefef V^ uJ^a^s-éncí-RoÍKA-t^e . Clrcífcy i/xoŕ-^couc« hu v"e (7M.o(w (ölevtftcIccC ^ c capovi devici VŽaosUtCsU i/W>H*. ť^Kc^eti^ nebo 4pecY$c4Sj£"f; «^ *i«jw««e ^ [/ČoLs^csť pťVM&ó 1/iOt-u /t Jh-ibhuc SP^ci-Bťc-^i'tC MW Oolt»6\/ťolci.uCA { ( *, íevv^ i*-.iuk«#M/lf)j f Owelty, ?; ? ), ßbh: ČÄí-é vzot-ove, ín\e,\-«^ťcUie^ Hitt~*,irGhies vz&rús && f>ou.i/[/aC ée-hdy když i&&u, Icottc^pé:/ (#) [ jfe^a j Uprený A/ sitifctbž ob^CÝíý v\jčk hyvole-zGUL \n^ au h%, Klade-£i ínz í«e«e vaunts &tr2tli\ŕn& hypef-Q^ow lti bude, iaicv vždy tpczi&wie Itua-íí j?čIcQvdnUK, Iflypok ^*tc K)- %.k hik^Mej £e (73. iť olo&e-w^lSy Hez. U4 («, ^ i'e ŕClcU-lV PPT. r/% V H «t- WCÄ (h#>«-M,fi4 ■ fJ^č-Ui JL £ Y its £C>hc>uo^.ovcu t«shuic^ CK^MAÍiifc^i./) • Kenju,nleiivnr hiet-a,tchiCs ?ýt utc&*y u kosily kowccpé jxs t~ePt-€.3e.vľlo\/cĹv\ íŕ©Mi*(A^ kyt i*eu«lj Se. Hecuje í*. v»fecf-t£w,cĹ : lcou{u,*kče- lutCzÄ- ío^ ??!ktod ; k ke* cep h y : to»tept1> (hfc(Z,X), *a.(z/f>, fc>«*33«ř(Y), kÉ.'nCz)] fó»6«p£ 2•' [»«- C^*), n«, (ZjV^Joick(X,Y) J kov\ctft^' [nei,(Z;A), Ho, C2JY)JC€MÍt-o\/ane-M«u(,Z;YX] I4: l*+.(Z)X)J**.(-Z}Y)1 í»*>(zix)i»m,(zir)'} Koncepl „OBLOUK" (Palrick Wnsion) UM32.lt 1/ P 1/ / Z («»tfevo. / X 7" ^ ne) -j- -■fcrUtc Y 1/ r koncept A se (/2+«ťííu,jV km álhu.fcl.uhe V toxzĹ k&l" s^očslvcL nás k.O\n\<*-i±vl*A box\4. (box3Zb) a, \*Ž tejzMý objeJci- ie tou 2 inÍ4fiotii*ty VsiusveAř* izt>H ■*" O' ~ pi-íkJLcLoty. vyjU*-t>e,w ic bypofeea^-Vitiinôu i'^otc itfLfcŕ (proti) přikia^My poutiby *7^eal3-f-«.vutu ^>t-o^Ü^ • M-£* koti-ce.pi „Pl-vooťsla,"pfceadozeví \a,ko •PeitbřvníPhťkŽos*/' -p^k. v ďůsltsailuA ícbo vŠ&elinQs 'prvožiScäLs ísotc [/ cit&v&w k&\A- pt-Vooxsto } tovfc>»~£ Ze^jßciptsdrjc^eAtf «itx^w M€tti': herUrtséiky vho i/yčvárewť loy^o^^z /otcvýcU konce-pbů.-- 0 Vybeh nejApe-e-i^ťcleířr ícon^ept> kl^rý T.a,\nt-V\uít, f>ht'k£ci- 2.) Vyker ýt+i&fa&c-MČisf koncept > k^trý me^losodi^^, vrtU- ft)Vej£ef */ oJhosof (., best *"*$* ") oiMH&if» avaJžusies jWiHŕM, hypoiér^M o konce-pélt > k\-<.^dC £r ÍJkÁ&ddy. ^^tGliťtlkJj^ety • VžJy kaly £ je, ikcu,itoei*\ nový úJ«ty 4oJk <>he*(cltú7./ bypolďzGL, /e mniwnĹQ.*Z M«*i-uÍe- u. Ptol&že, \j%+\c \mum být nčUci-Ck -z-PtZsobLLfccU i^iutima^Z V)At-uZíb Itypoí-e-zu (lco*cse.pl) Viev bodný výběť fjřlk£,a,o(. SÍocZ (b$itM*ť Uypoi£i*A W(/ 2MOI/U zph*,««*^ £)*-(£) 0(0 Jam*l**> boat«. h)t,*AÍsUíi<-&Ĺ vté.pok\rýv<£ »evý &• ?*kuši pckry\já,f l/*«/T*e tf £f U , Vczn.: Ačkoliv uveMcv\eL &t-oce,alu.Ydc ul »fcruzínw^vn 4u. M-^A-^tí^Cří^/rr^pr-ccVH&u. ť»yp 1 a cdtü \MA.\M<.\-\ okých Jcť/ľjdeptu : fpbvoctA /pi-vo£Js£0 ^ í ./pŕ/ho*. < Ä00)-' (^pfiřOl. Č. /^^Vjí^, C^aaj ■přít- C"J i. ----^ ]6 ft-V«. pl"Vü£ ■ V""^ .............. -* tmvtĹH: pfitoí. < ZOO k»««.c,H«r kypt>\llA. H: přilro3. < 20G Ä f4SOj e {1,3*, a^3 ®N*\ woi/r aJiw/svic (., t+m,*t commit ment") Fře-Mcboi! mz{cd~ \j£cb \r\T9.\Atc*r Množných kov\cepi&} U<Át^.u.uC rV to nejo(«L£<^ od Sebe-. VýslutWf hvpote-Za- 4-e.dy MCtot Aeafiviý kcnc^-pt. nýbi-z. otiMLMi'Čewť (i/ymcxeMf) tmoínýcU (ecMdepitl. VculUvoL sc Mií:cV,eí:ÍLcLv ptostb*- l/* Mi"; Pe» c*í^u. lu } f~-k jg io eť£cuý k*#e*pt- ■ rW.*éw.t* 2 6/ (kot-**! krmj*ic+) V$tkny tcOHCeoéy /«i • MrVmáfu* xefcecMi" koJi4y koncept v Ĺ (spomim' kŕ*.-*ice.)JoJy M *** obecný^Je0 »cvý ^/'ÄiW.V;^; • CW*tr*ií 7 J_ ví«ít»v koncepty, kkte'n^iou. *p*e<- • W*k-«*í 2 L ty*±ykoliv konte, ft *fe««*ie7*Y«e£ «*^l~ 2 I>«i*t M^i^y S : • 0«f*J*«M z Ĺ vttcn*\y koncmpby obe&nd lmJco Q- • M*,jŕi*iM«Ĺ£u* «p*cio,cV-34u koJúAj koncept v C/ ki. *Ay wcfayt 4oJc obeewy ;«Joo wvýe, • CU^U-«.« 2 U uteehnv Uonc+píy, fcitvŕ' n^'tou, ebec^ níjíi* nei üe^«J*y p*-vetŕ 2 L. • 0Jš4+*m 2 O ^Ufko iiv koncept £cmZjc^ SP+oifi£i£j-ir we* *£#)*} ^iuý ko*ic*,pt v U. -* nov» Li [a,3*;Mi|j d* pt-yoc-í*£du ->» u#v«ĹU- pfii«ze^u£ cŕíŕ«. -* U«v«.L: StukĹ (**bc pH/eč,'$í<{ Q i-ieXteíc -"» UtfVqlU: 5"^/ tiebů pi-i/ccí$Q<^ -* how«Ĺ L: 5»tJa, nebo pf-vo^i's^ KoneZhšL bypo^xo.: s*J.+. zlt&** nebe pfí/oŕi'sfe^. A PoalilvnT prík^Ä-^y z.obccňu\\ sve-ci^lcke wo^ťily os JL „pj-o,5/ct--ŕ<á,va.ir" obecne' r»o0le-ßy- Nc^cľÍ ii/vn'' pŕllcitxfty &pcc'ia,£ízu,[t obe-che mow e íy o, „•pi-z,ŠkhičĹva. jí" špecifické ľnoeležy-