للمناقشة ، يتم اقتراح طريقة أصلية للتعلم الآلي. يفترض القدرة على التعلم باختصار ، العينات المنظمة. قد تكون ذات صلة في المناطق التي لا توجد فيها بيانات كبيرة.
السؤال الرئيسي :
تحت أي ظروف يقوم عدد
محدود من أمثلة المدخلات والمخرجات باستعادة البرنامج
بشكل فريد ؟
الشكلية :
نحن نطلق على
الجهاز المبرمج أربعة {PRG ، IN ، OUT ، COMPUTE} ، حيث PRG ، IN و OUT هي حروف أبجدية ، PRG * ، IN * ، OUT * هي عبارة عن مجموعات من الكلمات فيها. الحوسبة - دالة تطابق زوج من الكلمات من PRG وفي كلمة من OUT
الحوسبة: PRG * × IN * → OUT *. أو:
حيث البرنامج ، الإدخال ، الإخراج عبارة عن كلمات في PRG * ، IN * ، OUT * ، على التوالي.
يعد مبرمج COMPUTE عالميًا إذا كان هناك برنامج من PRG يقوم بتنفيذ أي وظيفة محسوبة من IN إلى OUT.
مثال على ذلك هو زوج (إدخال ، إخراج) ∈ {IN * × OUT *} التي تحمل المساواة (I). سيتم استدعاء
عينة من الأمثلة أي مجموعة محدودة منها.
دع البرنامج ∈ PRG *. سوف ندعو رمز α من البرنامج
ذو مغزى إذا كان هناك مثال لذلك في منطقة تعريف البرنامج التي يمكن أن تنتهك فيها المساواة (I) عندما يتم استبدال α برمز آخر من PRG.
نقول إن العينة
تغطي البرنامج إذا كان هناك مثال يؤكد أهميته لأي رمز مهم للبرنامج في هذه العينة.
نظرية:بالنسبة لأي برنامج ، هناك نوعان من العينات - المرجع والتحكم - مما يسمح لك بتحديد هذا البرنامج بدقة تصل إلى التكافؤ.
البرهان:من الواضح ، بالنسبة لأي برنامج ، هناك عينة تغطية محدودة ، منذ السجل النهائي للبرنامج. نحن تشكيل مثل هذه العينة ونطلق عليه مرجع واحد. العديد من البرامج التي تغطيها العينة المرجعية قابلة للتعداد ، لأن العديد من جميع البرامج بشكل عام قابلة للتعداد. نعيد ترقيم جميع برامج هذه المجموعة. سيتم تحديد أمثلة لعينة التحكم من نطاق برنامجنا بحيث واحد تلو الآخر
استبعاد جميع البرامج التي تحتوي على أرقام أقل من عدد البرنامج المطلوب.
ستتوقف العملية عند برنامج مكافئ للبرنامج المطلوب أو غير ذلك
نفسها. من الواضح ، هناك حاجة فقط لعدد محدود من الأمثلة لعينة التحكم.
التفسير:يمكن تعميم عدد محدود من الأمثلة من خلال عدد لا حصر له من الأساليب. سوف تتزامن نتائج البرامج المعنية فقط في العديد من الأمثلة وتختلف عن ذلك. ومع ذلك ، يمكن التحكم في اختيار خيار التعميم من خلال تحديد أسئلة التحكم مع إجابات معروفة للفاحص بحيث تؤدي البرامج الأخرى بخلاف البرنامج المرغوب فيه إلى أخطاء والبرنامج المكافئ فقط هو الذي يمكنه اجتياز جميع الاختبارات.
عن طريق القياس مع العملية التعليمية ، سنغطي العينة من خلال دعم الحقائق (للإيجاز ، ببساطة
الحقائق ) ، أسئلة المدير - السيطرة (
الاختبارات ). من أجل تحديد البرنامج بشكل فريد (بحد أقصى التكافؤ) ، يجب أن تتكون عينة التدريب من
جزأين - المرجع والتحكم.
أساليب تعلم الآلة المدارة
التعلم المنظم ("تحدي الطالب")
يتم طلب عينة التدريب وترتيبها ، وتتكون من دروس. يتكون الدرس من جزأين - حقائق واختبارات. كل درس له برنامج خاص به. تستخدم برامج برنامج الدروس السابقة كمواد بناء للدروس اللاحقة مثل برامج فرعية أو قوالب.
البرمجة الاستقرائية ("تجربة الحياة")
يتم تبسيط عينة التدريب ولكن لا يتم تصنيفها ، ولا يوجد تقسيم إلى حقائق واختبارات. تتمثل المهمة في تكييف البرنامج (المعرفة) باستمرار مع كل مثال جديد (تجربة). للقيام بذلك ، تحتاج إلى الاحتفاظ بنموذج التدريب (الداخلي) الخاص بك وتعديله (تجديده) في كل مرة يؤدي فيها البرنامج الحالي إلى حدوث خطأ.
القوة التنبؤية ("مهمة العالم")
العديد من الأمثلة غير مرتبة أو محددة. يجب
العثور على الحد الأدنى لعينة التدريب اللازمة لإنشاء برنامج يكون (I) صالحًا في جميع أمثلة المجموعة.
الحل العام هو تعداد كامل لخيارات الترقيم للحصول على أمثلة والتوليف الاستقرائي لكل منها ، مع تتبع الحد الأدنى. تجاهل التحقق من الخيارات عندما يتجاوز عدد الحقائق الحد الأدنى المعروف بالفعل.
تنظيم التدريب ("مهمة المعلم")
البرنامج معروف. يجب عليها بناء عينة تدريب
لتقليل تعقيد التعلم للطالب. لا يمكن للمدرس نقل معرفته ومهاراته (البرنامج) مباشرة إلى الطالب ؛ يجب عليه تهيئة الظروف لاكتساب الطالب المستقل.
ستكون مهمة المعلم للروبوتات منطقية عندما تتجاوز الذكاء الاصطناعي الإنسان. سيكون من المهم ليس فقط إيجاد حل لمشكلة صعبة ، ولكن من الواضح شرح ذلك للناس.
© 2019 Averin A.V.