Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

'''Теория статистического обучения''' (Statistical Learning Theory, SLT) изучает методы построения и анализа алгоритмов, обучаемых по прецедентам. Основные направления исследований — получение оценок [[обобщающая способность|обобщающей способности]] и проблема [[переобучение|переобучения]], разработка новых методов обучения. Почти то же самое, что [[теория вычислительного обучения]] (Computational Learning Theory, COLT). Термин SLT употребляют вместо COLT, как правило, чтобы дистанцироваться от проблем вычислительной сложности (computational complexity), которые рассматривались совместно с проблемами обучаемости в [[Теория Валианта|теории Валианта]]. Ценность такого объединения сомнительна. В последнее время термин SLT стал употребляться относительно чаще. Термин '''статистическое обучение''' (Statistical Learning) употребляют как синоним [[машинное обучение|машинного обучения]] (Machine Learning). == Ссылки == * [http://en.wikipedia.org/wiki/Statistical_learning_theory Statistical Learning Theory] — материал из Википедии. * [http://en.wikipedia.org/wiki/Statistical_learning Statistical Learning] — материал из Википедии (переадресация на Machine Learning). == Литература == # {{П:Hastie 2001 The Elements of Statistical Learning}}

• Шаблон:Nobr
• Шаблон:ВсеАвторы
• Шаблон:Книга
• Шаблон:Монография
• Шаблон:Переводы
• Шаблон:Подробнее
• Публикация:Hastie 2001 The Elements of Statistical Learning

Возврат к странице Теория статистического обучения.