Quelle est la différence entre l'apprentissage automatique inductif, déductif et abductif?


Réponse 1:

APPRENTISSAGE DE LA MACHINE INDUCTIVE:

Du point de vue de l'apprentissage inductif, on nous donne des échantillons d'entrée (x) et des échantillons de sortie (f (x)) et le problème est d'estimer la fonction (f). Plus précisément, le problème est de généraliser à partir des échantillons et de la cartographie pour être utile pour estimer la sortie de nouveaux échantillons à l'avenir.

En pratique, il est presque toujours trop difficile d'estimer la fonction, nous recherchons donc de très bonnes approximations de la fonction.

Voici quelques exemples pratiques d'induction:

  • Évaluation du risque de crédit: Le x est la propriété du client. Le f (x) est approuvé ou non. Diagnostic de la maladie: Le x correspond aux propriétés du patient. Le f (x) est la maladie dont ils souffrent. Reconnaissance faciale: Les x sont des images bitmap des visages des gens. Le f (x) consiste à attribuer un nom au visage. Direction automatique: Les x sont des images bitmap d'une caméra devant la voiture. Le f (x) est le degré de rotation du volant.

Apprentissage automatique déductif:

Une approche déductive de l'enseignement des langues commence par donner aux apprenants des règles, puis des exemples, puis des exercices. Il s'agit d'une approche centrée sur l'enseignant pour présenter de nouveaux contenus. Ceci est comparé à une approche inductive, qui commence par des exemples et demande aux apprenants de trouver des règles et est donc plus centrée sur l'apprenant.

Apprentissage automatique abductif:

L'enlèvement et l'induction sont des formes strictement liées de raisonnement irréalisable. Cependant, la recherche sur l'apprentissage automatique est principalement axée sur les techniques inductives, menant d'exemples spécifiques à des règles générales, avec des applications à la classification, au diagnostic et à la synthèse de programmes. L'enlèvement a été utilisé dans l'apprentissage automatique, mais son utilisation était généralement une technique de côté, à intégrer ou à ajouter en plus du schéma inductif de base. Nous discutons de la relation générale entre le raisonnement abductif et inductif, montrant qu'ils résolvent différentes instanciations du même problème. Ensuite, nous analysons les façons spécifiques dont l'enlèvement a été utilisé dans le Machine Learning. Deux cas différents sont individualisés:

Le raisonnement abductif utilisé dans les systèmes d'apprentissage basés sur des explications comme une heuristique pour guider la recherche dans la spécialisation descendante, et

Enlèvement utilisé pour générer des exemples manquants dans l'apprentissage relationnel. Dans les deux cas, le recours à l'enlèvement n'est pas général et adapté à un problème très minuscule et spécifique.

En ce sens, la communauté Machine Learning n'a pas utilisé l'abduction comme synonyme d'induction, malgré le haut degré de similitude. Cependant, les deux utilisations de l'enlèvement dans l'apprentissage se sont révélées efficaces pour les fins auxquelles elles étaient destinées.


Réponse 2:

La procédure classique d'apprentissage automatique suit le paradigme scientifique de l'induction et de la déduction. Dans l'étape inductive, nous apprenons le modèle à partir de données brutes (ce qu'on appelle un ensemble d'apprentissage), et dans l'étape déductive, le modèle est appliqué pour prédire le comportement de nouvelles données. (Maintenant, la `` prédiction '' est utilisée dans un sens vague, car le modèle lui-même - par exemple le réseau bayésien - peut consister en deux types de propositions: hypothèse et preuve. Nous pouvons prédire la preuve (état des choses), lorsque les hypothèses sont données, ou rechercher l'explication la plus probable, lorsque certaines preuves sont observées. Le diagnostic des causes possibles est également probabiliste, c'est-à-dire «prédiction», mais ces deux tâches sont une utilisation déductive du modèle.)