克里斯托弗·M·毕晓普。 基于模型的机器学习。 (英语) Zbl 1353.68229号 菲洛斯。事务处理。英国皇家学会。,序列号。A、 数学。物理。工程科学。 371,编号1984,文章ID 20120222,17 p.(2013). 总结:几十年来,在机器学习领域的研究已经产生了许多不同的算法来解决广泛的问题。为了解决一个新的应用程序,研究人员通常会尝试将他们的问题映射到这些现有方法中的一种,这通常会受到他们对特定算法的熟悉程度以及相应软件实现的可用性的影响。在本研究中,我们描述了一种应用机器学习的替代方法,其中为每个新应用程序制定了定制解决方案。解决方案通过紧凑的建模语言表示,然后自动生成相应的自定义机器学习代码。这种基于模型的方法有几个主要优点,包括有机会为特定场景创建高度定制的模型,以及快速原型制作和一系列替代模型的比较。此外,机器学习领域的新手不必学习大量的传统方法,而是可以将注意力集中在理解单个建模环境上。在本研究中,我们展示了概率图形模型与高效推理算法如何为基于模型的机器学习提供非常灵活的基础,并且我们概述了该框架的大规模商业应用,涉及数千万用户。我们还将概率编程的概念描述为基于模型的机器学习的强大软件环境,并讨论了一种称为Infer的特定概率编程语言。NET,在实际应用中得到了广泛的应用。 引用于5文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 60J20型 马尔可夫链和离散时间马尔可夫过程在一般状态空间(社会流动、学习理论、工业过程等)上的应用 2015年1月62日 贝叶斯推断 62H30型 分类和区分;聚类分析(统计方面) 软件:漏洞;推断。净值 PDF格式BibTeX公司 XML格式引用 \发短信{C.M.毕晓普},菲洛斯。事务处理。英国皇家学会。,序列号。A、 数学。物理。工程科学。371,编号1984,文章ID 20120222,17 p.(2013;Zbl 1353.68229) 全文: 内政部 参考文献: [1] PROC IEEEE 77第257页–(1989)·数字对象标识代码:10.1109/5.18626 [2] Roweis,《神经计算》11(2),第305页–(1999)·doi:10.1162/08997669900016674 [3] TRANS AM SOC MECH ENG D J BASIC ENG 82第35页–(1060) [4] 第245页第29页–(1997年)·Zbl 0892.68080号 ·doi:10.1023/A:1007425814087 [5] 神经计算12 pp 963–(1998) [6] IEEE传输信息理论47 pp 498–(2001)·Zbl 0998.68234号 ·数字对象标识代码:10.1109/18.910572 [7] J R STAT SOC 50第157页–(1988年) [8] 化学物理杂志21第1087页–(1953年)·数字对象标识代码:10.1063/1.1699114 [9] 第6页,661页–(2005年) [10] IEEE传输信息理论51 pp 2313–(2005)·Zbl 1310.94028号 ·doi:10.1109/TIT.2005.850091 [11] Lunn,《医学统计》28(25),第3049页–(2009)·doi:10.1002/sim.3680 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。