tailieunhanh - Tóm tắt Luận án Tiến sĩ Hệ thống thông tin: Một số phương pháp học máy hiệu quả trong môi trường luồng dữ liệu liên tục

Luận án " Một số phương pháp học máy hiệu quả trong môi trường luồng dữ liệu liên tục" hướng tới xây dựng các phương pháp có thể học một mô hình Bayes tổng quát cho một tác vụ trên luồng dữ liệu. Các phương pháp này có thể làm việc hiệu quả với các thách thức đưa luồng dữ liệu. Mời các bạn cùng tham khảo luận án! | BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGÔ VĂN LINH MỘT SỐ PHƯƠNG PHÁP HỌC MÁY HIỆU QUẢ TRONG MÔI TRƯỜNG LUỒNG DỮ LIỆU LIÊN TỤC Ngành Hệ thống thông tin Mã số 9480104 TÓM TẮT LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN HÀ NỘI 2022 Công trình được hoàn thành tại Đại học Bách khoa Hà Nội Người hướng dẫn khoa học . Thân Quang Khoát Phản biện 1 Phản biện 2 Phản biện 3 Luận án được bảo vệ tại Hội đồng đánh giá luận án tiến sĩ cấp Trường họp tại Đại học Bách khoa Hà Nội. Vào hồi . giờ . ngày . tháng . năm . Có thể tìm hiểu luận án tại 1. Thư viện Tạ Quang Bửu - ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam. MỞ ĐẦU 1. Bối cảnh nghiên cứu Trong môi trường luồng một phương pháp học máy phải làm việc tốt trên dữ liệu mới đến và không được duyệt lại các dữ liệu trong quá khứ. Một số nghiên cứu gần đây đã cung cấp những giải pháp học từ luồng dữ liệu cho các mô hình Bayes mà sử dụng ngôn ngữ xác suất để mã hóa các giả thiết về dữ liệu. Chúng thường được chia vào trong hai nhóm tiếp cận phổ biến Tối ưu hóa ngẫu nhiên stochastic optimization và đệ quy Bayes recursive Bayesian approach . Hướng thứ nhất tận dụng sức mạnh của tối ưu hóa ngẫu nhiên để làm việc cho luồng dữ liệu. Các phương pháp trong hướng này giả sử rằng dữ liệu được sinh ngẫu nhiên từ một phân phối dữ liệu và các phương pháp khác nhau thường đưa ra giả thiết khác nhau về phân phối này. Hàm mục tiêu là kỳ vọng theo phân phối dữ liệu. Mỗi mini-batch đến được xem như là dữ liệu sinh ra từ phân phối dữ liệu và dùng cho quá trình học tham số mô hình. Trong khi đó ý tưởng chính của cách tiếp cận đệ quy Bayes là Phân phối hậu nghiệm posterior distribution học được từ thời điểm hiện tại sẽ được sử dụng làm phân phối tiên nghiệm prior distribution của thời điểm tiếp theo. Ý tưởng này hoàn toàn tự nhiên trong thực tế Tri thức chúng ta học được ngày hôm nay sẽ thành nền tảng để chúng ta làm việc ngày mai. Tuy nhiên việc xây dựng phương pháp học máy chỉ với mục đích giúp một mô hình Bayes chuyển từ học trong môi trường .