Категория:Теория вычислительного обучения

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(шаблон)
Текущая версия (19:45, 13 декабря 2009) (править) (отменить)
(категория)
 
(1 промежуточная версия не показана)
Строка 2: Строка 2:
'''Теория вычислительного обучения''' (Computational Learning Theory, COLT) изучает методы построения и анализа алгоритмов, обучаемых по прецедентам. Она сосредоточена на получении строгих математических результатов. Основные направления исследований — [[вычислительная сложность]] алгоритмов и [[переобучение|проблема переобучения]].
'''Теория вычислительного обучения''' (Computational Learning Theory, COLT) изучает методы построения и анализа алгоритмов, обучаемых по прецедентам. Она сосредоточена на получении строгих математических результатов. Основные направления исследований — [[вычислительная сложность]] алгоритмов и [[переобучение|проблема переобучения]].
-
{{Tip|Содержание=
+
{{Tip|Список статей на этой странице генерируется автоматически.
-
Список статей на этой странице генерируется автоматически.
+
Чтобы статья попала в данную категорию, в конец статьи необходимо добавить строку:
Чтобы статья попала в данную категорию, в конец статьи необходимо добавить строку:
<pre>
<pre>
Строка 10: Строка 9:
}}
}}
[[Категория:Машинное обучение]]
[[Категория:Машинное обучение]]
 +
[[Категория:Теоретические исследования]]

Текущая версия

Теория вычислительного обучения (Computational Learning Theory, COLT) изучает методы построения и анализа алгоритмов, обучаемых по прецедентам. Она сосредоточена на получении строгих математических результатов. Основные направления исследований — вычислительная сложность алгоритмов и проблема переобучения.

Список статей на этой странице генерируется автоматически.

Чтобы статья попала в данную категорию, в конец статьи необходимо добавить строку:

[[Категория:Теория вычислительного обучения]]
Личные инструменты