열성적인 학습
Eager learning인공지능에서 열성학습은 시스템에 질의가 나올 때까지 훈련 데이터를 넘어 일반화가 지연되는 게으른 학습과 달리 시스템이 시스템 훈련 중 입력에 독립적인 일반적인 목표 기능을 구성하려고 하는 학습 방식이다. [1] 인공신경망과 같은 열성적인 학습방법을 채용할 때 얻을 수 있는 가장 큰 장점은 훈련 중 목표기능이 세계적으로 근사하게 추정되어 게으른 학습시스템을 사용하는 것보다 훨씬 적은 공간을 필요로 한다는 것이다. 열성적인 학습 시스템은 또한 훈련 데이터의 소음에 훨씬 더 잘 대처한다. 열성학습은 오프라인 학습의 한 예로서, 시스템에 대한 교육 후 질의는 시스템 자체에 영향을 미치지 않으며, 따라서 시스템에 대한 동일한 질의는 항상 동일한 결과를 산출한다.
열성적인 학습의 주요 단점은 일반적으로 목표함수에 좋은 국부적 근사를 제공할 수 없다는 것이다.[2]
참조
- ^ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169.
- ^ INTRODUCTION TO KNOWLEDGE PROCESSING. p. 2.
