논리 학습기

이 문서에는 여러 가지 문제가 있습니다.개선을 돕거나 토크 페이지에서 이러한 문제에 대해 논의해 주십시오.(이러한 템플릿메시지를 삭제하는 방법과 타이밍에 대해 설명합니다) 이 문서는 주제와 너무 밀접하게 관련되어 있는 출처에 지나치게 의존할 수 있으며, 잠재적으로 문서의 검증 가능성과 중립성을 저해할 수 있습니다. 신뢰할 수 있는 독립적인 서드파티 출처에 대한 보다 적절한 인용문으로 대체하여 개선해 주시기 바랍니다.(2015년 6월) (이 템플릿메시지 삭제 방법 및 삭제 시기 확인) 이 기사의 주요 기고자는 그 주제와 밀접한 관련이 있는 것으로 보인다.Wikipedia의 콘텐츠 정책, 특히 중립적인 관점을 준수하기 위해 청소가 필요할 수 있습니다.토크 페이지에서 더 자세히 논의해 주세요. (2015년 6월)(이 템플릿메시지를 삭제하는 방법과 타이밍을 확인합니다) (이 템플릿메시지를 삭제하는 방법과 타이밍을 확인합니다)

시리즈의 일부
기계 학습 및 데이터 마이닝
문제 분류 클러스터링 회귀 이상 검출 데이터 클리닝 자동 ML 어소시에이션 규칙 강화 학습 구조화된 예측 기능 엔지니어링 기능 학습 온라인 학습 준지도 학습 비지도 학습 순위 매기기 학습 문법 유도
지도 학습 (분류 • 회귀) 의사결정 트리 앙상블 배깅 부스팅 랜덤 포레스트 k-NN 선형 회귀 네이비 베이즈 인공신경망 로지스틱 회귀 분석 퍼셉트론 관련 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터링 버치 치유하다 계층적 k자형 기대 최대화(EM) DBSCAN 광학 평균 이동
치수 축소 인자 분석 CCA ICA LDA NMF PCA PGD t-SNE
구조화된 예측 그래픽 모델 베이즈 네트 조건부 랜덤 필드 히든 마르코프
이상 검출 k-NN 국소 특이치 계수
인공신경망 자동 인코더 인지 컴퓨팅 딥 러닝 딥 드림 다층 퍼셉트론 RNN LSTM GRU ESN 저장고 계산 제한 볼츠만 기계 GAN somerset. 컨볼루션 뉴럴 네트워크 유넷 트랜스포머 비전. 스파이킹 뉴럴 네트워크 메모리 트랜지스터 전기화학 RAM(ECRAM)
강화 학습 Q-러닝 사사 시간차(TD) 멀티 에이전트 셀프 플레이
인간과의 학습 액티브 러닝 크라우드 소싱 휴먼 인 더 루프
모델 진단 학습 곡선
이론. 커널 머신 바이어스-분산 트레이드오프 컴퓨터 학습 이론 경험적 리스크 최소화 오컴 러닝 PAC 학습 통계학 학습 VC 이론
기계학습장 NeurolIPS ICML ML JMLR ArXiv:cs.LG
관련 기사 인공지능 용어집 기계 학습 연구를 위한 데이터 세트 목록 기계학습의 개요
v t

Logic Learning Machine(LLM; 논리학습 머신)은 알기 쉬운 규칙 생성을 기반으로 하는 기계학습 방법입니다.LLM은 스위칭 뉴럴 네트워크(^[1]SNN) 패러다임의 효율적인 구현으로, 제노바에 있는 이탈리아 국립연구회의 CNR-IEIIT 수석연구원이 개발한 것입니다.

LLM은 의학 분야(정통 환자 분류,^[2] DNA 마이크로 어레이 분석 및 임상 의사결정 지원 시스템), 금융 서비스 및 공급망 관리 등 다양한 분야에서 사용되고 있습니다.

역사

스위칭 뉴럴 네트워크 접근법은 가장 일반적으로 사용되는 기계 학습 방법의 단점을 극복하기 위해 1990년대에 개발되었다.특히, 다층 퍼셉트론과 서포트 벡터 머신과 같은 블랙 박스 방법은 정확도는 높았지만 연구된 현상에 대한 깊은 통찰력을 제공할 수 없었다.반면, 의사결정 나무는 현상을 설명할 수 있었지만 종종 정확성이 부족했다.스위칭 뉴럴 네트워크는 부울 대수를 사용하여 매우 우수한 성능을 얻을 수 있는 일련의 이해하기 쉬운 규칙을 구축했습니다.2014년에는 효율적인 버전의 Switching Neural Network가 개발되어 Logic Learning Machine이라는 이름으로 ^[5]Rulex 제품군에 구현되었습니다.또한 회귀 문제에 전념하는 LLM 버전이 개발되었습니다.

일반

다른 기계학습 방법과 마찬가지로 LLM은 데이터를 사용하여 미래의 행동에 대해 적절한 예측을 수행할 수 있는 모델을 구축합니다.LLM은 목표 변수(출력)와 일부 입력을 포함하는 테이블에서 시작하여 지정된 입력 구성에 대응하는$$ 출력 $값{\displaystyle }$ y$\displaystyle$y를 반환하는 규칙 집합을 생성합니다.규칙은 다음 형식으로 작성됩니다.

$\displaystyle { text bf { if } { \ text { } } premise text { } } { \ text bf { then } } { \ text { } 일관성}$

여기서 결과에는 출력 값이 포함되지만 전제는 입력에 대한 하나 이상의 조건을 포함합니다.입력 유형에 따라 조건은 다른 형식을 가질 수 있습니다.

• 범주형 변수의 경우 입력값은 지정된 서브셋에 있어야 합니다.${\displaystyle {x\mathrm{}}_{}}$ 1 ${\displaystyle \{}$ {${\displaystyle A}$ ,${\displaystyle B}$ ,${\displaystyle C}$, . .$}$ \ $displaystyle$ x$_$ {$1}$ \ $in$\ {$A$ , $B$, $C$, ...$\backslash \}\}.$
• 순서 변수의 경우 조건은 부등식 또는 구간으로 작성됩니다.$x$ 2$$$\alpha$ {\ ${\$ 、 β${\displaystyle {x\mathrm{}}_{}}$ 、 ${\displaystyle 3}$ 、 \ $displaystyle$ \$leq x _ {$3$}$ $\leq$ \ q$$}

따라서 가능한 규칙은 다음과 같습니다.

${\displaystyle {textbf {if}}}x_{1}\in \{A,B,C,...\}{\text{AND }}x_{2}\leq \alpha {\text{AND }}\leq \leq \textbf {}}{\text{}}{\textbf {}}}{\text{}}}{\text{}}}=mar {y}}}\leq\leq\leq\leq}$

종류들

출력 유형에 따라 다양한 버전의 Logic Learning Machine이 개발되었습니다.

• 출력이 범주형 변수인 경우 유한 집합의 값을 가정할 수 있는 분류용 논리 학습 기계
• 출력이 정수 또는 실수인 경우 회귀용 논리 학습 기계.

레퍼런스

외부 링크

• Rulex 공식 웹사이트
• 기계 학습 엔지니어