|
| |
|
|
경험적 발견에 대한 자료 주도 접근방식
파일 
경험적 발견에 대한 자료 주도 접근방식.hwp
[Size :
120 Kbyte
]
경험적 발견에 대한 자료 주도 접근방식.hwp
[Size :
120 Kbyte
]
분량 23 Page
가격 3,000 원
×
링크 주소가 복사되었습니다.
링크 주소가 복사되었습니다.
원하는 곳에 붙혀넣기 하세요
카트
|
다운받기
|
 네이버 ID로 다운 받기  카카오 ID로 다운 받기  구글 ID로 다운 받기  페이스북 ID로 다운 받기 |
뒤로
|
자료설명
본 논문에서 우리는 개념 형성 과제에 초점을 맞추고 점진적으로 클러스터 형성, 개념 기술, 개념 위계를 형성해 나가는 몇가지 방법을 조사한다. ...
본문/내용
본 논문에서 우리는 개념 형성 과제에 초점을 맞추고 점진적으로 클러스터 형성, 개념 기술, 개념 위계를 형성해 나가는 몇가지 방법을 조사한다. 우리는 개념 형성에 쓰인 기존의 작업들을 살펴보고 그들의 공통된 특징을 뽑아 보는 것으로 시작하고자 한다. 그 후에 개념 형성 과정의 세 모델들 - Feigenbaum`s[9] EPAM, Lebowitz`s [24,26] UNIMEM, Fisher`s[12] COBWEB -에 대해 자세히 살펴본다. 그 다음으로 Fisher의 시스템을 확장시킨 CLASSIT을 기술하며 그 프로그램의 학습 행동에 대한 연구 실험을 보고한다. 그 다음 앞으로의 과제에 대한 몇가지 제시와 우리의 중요 관찰들에 대한 요약으로 끝을 맺겠다.
2. 개념 형성 방법들
기계학습 연구의 대부분은 개념 학습의 넓은 영역에 초접을 맞추어 왔다. 많은 독자에게 있어 개념 형성 작업은 다만 잘 알려진 접근법들의 조그마한 변형에 불과하며 분명 다른 작업들과 밀접히 연관되어 있는 것으로 비추일 것이다. 어쨌거나, 개념 형성 방법은 다른 분야와 구분시켜 주는 많은 중요 특징들을 공유하고 있다. 이 장에서는 이러한 공통 특징들을 확인하고 특히 개념 클러스터링을 위한 방법에 대해 살펴본다. 몇가지 의미에서 이러한 자질들은 개념 형성(concept formation)이라는 용어를 정의하는 특질들로 볼 수 있다.
2. 개념 형성 방법들
기계학습 연구의 대부분은 개념 학습의 넓은 영역에 초접을 맞추어 왔다. 많은 독자에게 있어 개념 형성 작업은 다만 잘 알려진 접근법들의 조그마한 변형에 불과하며 분명 다른 작업들과 밀접히 연관되어 있는 것으로 비추일 것이다. 어쨌거나, 개념 형성 방법은 다른 분야와 구분시켜 주는 많은 중요 특징들을 공유하고 있다. 이 장에서는 이러한 공통 특징들을 확인하고 특히 개념 클러스터링을 위한 방법에 대해 살펴본다. 몇가지 의미에서 이러한 자질들은 개념 형성(concept formation)이라는 용어를 정의하는 특질들로 볼 수 있다.
2.1 개념 계층도로 지식을 표현하기
개념 형성 방법의 특징 중 가장 분명한 공통된 점은 지식을 개념 계층도(concept hierarchy)에 표현하여 조직화 하는 것이다. 이러한 종류의 자료 구조는 일반성(generality) 정도에 따라 부분 순서 관계를 가지는 노드들의 집합을 포함하며, 이런 까닭에 몇몇 기계 학습 시스템(Michalski [29], Mitchell, Utgoff and Banerji[32])에서 사용하는 is-a 위계와 유사하다.참고문헌
1. Bacon, F., The New Organon and Related Writings (edited by F. H. Anderson) (Liberal
Arts Press, New York, 1960).
2. Bradshaw, G. L., Langley, P. and Simon, H. A., BACON.4: The discovery of intrinsic
properties, in: Proceedings Third Biennial Conference of the Canadian Society for
Computational Studies of Intelligence, Victoria, BC (1980) 19-25.
3. Dietterich, T. G. and Michalski, R. S., A comparative review of selected methods for
learning from examples, in: R. S. Michalski, J. G. Carbonell and T. M. Mitchell (Eds.),
Machine Learning: An Artificial Intelligence Approach (Tioga, Palo Alto, CA, 1983)307-330.
4. Falkenheiner, B. C. and Michalski, R. S., Integrating quantitative and qualitative discovery:
The ABACUS system, Machine Learning 1 (1986) 367-401.
5. Falkenheiner, B. C., Scientific theory formation through analogical inference, in:
Proceedings Fourth International Workshop on Machine Learning, Irvine, CA (1987)
218-229.
6. Fisher, D., Knowledge acquisition via incremental conceptual clustering, Machine Learning
2 (1987) 139-172.
7. Forbus, K. D., Qualitative process theory, Artificial Intelligence 24 (1984) 85-168.
8. Gerwin, D. G., Information processing, data inferences, and scientific generalization, Behav.
Sci. 19 (1974) 314-325.
9. Glymour, C., Theory and Evidence (Princeton University Press, Princeton, NJ, 1980).
10. Jones, R., Generating predictions to aid the scientific discovery process, in: Proceedings
AAAI-86, Philadelphia, PA (1986) 513-517.
11. Koehn, B. W. and Zytkow, J. M., Experimenting and theorizing in theory formationm in:
Proceedings ACMSIGART International Symposium on Methodologies for Intelligent
Systems, Knoxville, TN (1986) 296-307.
12. Kokar, M. M. Determining arguments of invariant functional descriptions, Machine
Learning 1 (1986) 403-422.
13. Kulkarni, D. and Simon, H. A., The process of scientific discovery: The strategy of
experimentation, Cognitive Sci. 12 (1988) 139-175.
| 📝 Regist Info |
|
I D : lsyy****** Date : 2015-02-19 FileNo : 16059337 |
Cart  | |
| |