Machine Learning: From Theory to Applications: Cooperative Research at Siemens and MIT

این جلد شامل برخی از مقالات تحقیقاتی کلیدی در زمینه یادگیری ماشینی است که در MIT و زیمنس طی یک تلاش تحقیقاتی مشترک سه ساله تولید شده است. این شامل مقالاتی در مورد بسیاری از سبک های مختلف یادگیری ماشین است که در سه بخش سازماندهی شده است. بخش اول، تئوری، شامل سه مقاله در مورد جنبه های نظری یادگیری ماشین است. دو مورد اول از تئوری پیچیدگی محاسباتی استفاده می کنند تا برخی از محدودیت های اساسی را در مورد آنچه به طور موثر قابل یادگیری است به دست آورند. سومین یک الگوریتم کارآمد برای شناسایی خودکارهای محدود ارائه می دهد. بخش دوم، هوش مصنوعی و روش‌های یادگیری نمادین، شامل پنج مقاله است که نمای کلی از وضعیت هنر و پیشرفت‌های آتی در زمینه یادگیری ماشینی را ارائه می‌کند، زیرشاخه‌ای از هوش مصنوعی که با کسب دانش خودکار و بازنگری دانش سروکار دارد. بخش سوم، محاسبات عصبی و جمعی، شامل پنج مقاله نمونه‌برداری از تنوع نظری و روندها در زمینه تحقیقات جدید و پرشور شبکه‌های عصبی است: القای نمادین موازی گسترده، تجزیه کار از طریق رقابت، تمایز واج، یادگیری مبتنی بر رفتار، و خود ترمیم‌کننده عصبی. شبکه ها.

This volume includes some of the key research papers in the area of machine learning produced at MIT and Siemens during a three-year joint research effort. It includes papers on many different styles of machine learning, organized into three parts. Part I, theory, includes three papers on theoretical aspects of machine learning. The first two use the theory of computational complexity to derive some fundamental limits on what isefficiently learnable. The third provides an efficient algorithm for identifying finite automata. Part II, artificial intelligence and symbolic learning methods, includes five papers giving an overview of the state of the art and future developments in the field of machine learning, a subfield of artificial intelligence dealing with automated knowledge acquisition and knowledge revision. Part III, neural and collective computation, includes five papers sampling the theoretical diversity and trends in the vigorous new research field of neural networks: massively parallel symbolic induction, task decomposition through competition, phoneme discrimination, behavior-based learning, and self-repairing neural networks.