Pembelajaran Terpandu

Untuk diskusi, metode asli pembelajaran mesin diusulkan. Kemampuan untuk belajar secara singkat, sampel terorganisir diasumsikan. Mungkin relevan di area yang tidak memiliki data besar.

Pertanyaan sentral :

Dalam kondisi apa sejumlah contoh input-output terbatas mengembalikan program secara unik ?

Formalisme :

Kami menyebut pemrogram empat kali lipat {PRG, IN, OUT, COMPUTE}, di mana PRG, IN dan OUT adalah huruf, PRG *, IN *, OUT * adalah kumpulan kata di dalamnya. KOMPUTE - fungsi yang cocok dengan sepasang kata dari PRG dan IN kata dari OUT
KOMPUTE: PRG * × IN * → OUT *. Atau:

di mana program, input, output adalah kata dalam PRG *, IN *, OUT *, masing-masing.

Programmer COMPUTE bersifat universal jika untuk fungsi yang dapat dihitung dari IN ke OUT, ada program dari PRG yang mengimplementasikannya.

Contohnya adalah pasangan (input, output) ∈ {IN * × OUT *} untuk mana kesetaraan (I) berlaku. Contoh contoh akan disebut set yang terbatas dari mereka.

Biarkan program ∈ PRG *. Kami akan memanggil simbol α dari program signifikan jika ada contoh untuk itu di area definisi program yang kesetaraan (I) dapat dilanggar ketika α diganti dengan simbol lain dari PRG.

Kami mengatakan bahwa sampel mencakup program jika untuk simbol signifikan dari program dalam sampel ini ada contoh yang mengkonfirmasikan signifikansinya.

Teorema

Untuk setiap program, ada beberapa sampel - referensi dan kontrol - yang memungkinkan Anda untuk mengidentifikasi program ini dengan akurasi hingga kesetaraan.

Bukti:

Jelas, untuk program apa pun, ada sampel sampul terbatas, sejak catatan akhir program. Kami membentuk sampel seperti itu dan menyebutnya sebagai referensi. Banyak program yang dicakup oleh sampel referensi dapat dihitung, karena banyak dari semua program pada umumnya dapat dihitung. Kami memberi nomor baru semua program pada set ini. Contoh untuk sampel kontrol akan dipilih dari ruang lingkup program kami sehingga satu per satu
kecualikan semua program dengan angka kurang dari jumlah program yang diinginkan.
Proses akan berhenti pada program yang setara dengan yang dicari, atau yang lain
itu sendiri. Jelas, hanya sejumlah contoh terbatas yang diperlukan untuk sampel kontrol.

Penjelasan:

Sejumlah contoh yang terbatas dapat digeneralisasikan dengan jumlah metode yang tak terbatas dan umumnya. Temuan dari masing-masing program hanya akan bertepatan dalam banyak contoh dan berbeda di luar itu. Namun, pilihan opsi generalisasi dapat dikontrol dengan memilih pertanyaan kontrol dengan jawaban yang diketahui oleh pemeriksa sehingga program selain yang diinginkan akan menyebabkan kesalahan dan hanya program setara yang dapat lulus semua tes.

Dengan analogi dengan proses pendidikan, kami akan mencakup sampel dengan fakta pendukung (untuk singkatnya, fakta sederhana), pertanyaan manajer - kontrol ( tes ). Untuk mengidentifikasi secara unik (hingga kesetaraan) program, sampel pelatihan harus terdiri dari dua bagian - rujukan dan kontrol.

Metode Pembelajaran Mesin yang Dikelola

Pembelajaran Terorganisir (“Tantangan Siswa”)

Sampel pelatihan disusun dan ditata, terdiri dari pelajaran. Pelajaran terdiri dari dua bagian - fakta dan tes. Setiap pelajaran memiliki programnya sendiri. Program program pelajaran sebelumnya digunakan sebagai bahan bangunan untuk yang berikutnya sebagai subprogram atau templat.

Pemrograman induktif ("pengalaman hidup")

Sampel pelatihan dirampingkan tetapi tidak diberi label, tidak ada pembagian menjadi fakta dan tes. Tugasnya adalah untuk secara konsisten menyesuaikan program (pengetahuan) dengan setiap contoh baru (pengalaman). Untuk melakukan ini, Anda perlu mempertahankan sampel pelatihan (internal) Anda sendiri dan memodifikasi (mengisi) setiap kali program saat ini mengarah ke kesalahan.

Kekuatan prediktif ("tugas ilmuwan")

Banyak contoh tidak dipesan atau ditandai. Diperlukan untuk menemukan sampel pelatihan minimum yang diperlukan untuk membangun sebuah program yang (I) valid dalam semua contoh set.

Solusi umum adalah penghitungan lengkap opsi penomoran untuk contoh dan sintesis induktif untuk masing-masing, dengan pelacakan minimum. Membuang verifikasi opsi ketika jumlah fakta melebihi minimum yang sudah diketahui.

Organisasi pelatihan ("tugas guru")

Program ini dikenal. Diperlukan baginya untuk membuat sampel pelatihan untuk meminimalkan kompleksitas pembelajaran bagi siswa. Guru tidak dapat mentransfer pengetahuan dan keterampilannya (program) langsung ke siswa, ia harus menciptakan kondisi untuk akuisisi independen mereka oleh siswa.

Tugas guru untuk robot akan masuk akal ketika kecerdasan buatan melampaui manusia. Penting untuk tidak hanya menemukan solusi untuk masalah yang sulit, tetapi juga jelas untuk menjelaskannya kepada orang-orang.

---

© 2019 Averin A.V.