Teoria de l'aprenentatge computacional
En informàtica, la teoria de l'aprenentatge computacional (o simplement teoria de l'aprenentatge) és un subcamp de la intel·ligència artificial dedicat a estudiar el disseny i l'anàlisi d'algoritmes d'aprenentatge automàtic.[1]
Els resultats teòrics de l'aprenentatge automàtic tracten principalment d'un tipus d'aprenentatge inductiu anomenat aprenentatge supervisat. En l'aprenentatge supervisat, es donen mostres a un algorisme que s'etiqueten d'alguna manera útil. Per exemple, les mostres podrien ser descripcions de bolets i les etiquetes podrien indicar si els bolets són comestibles o no. L'algorisme pren aquestes mostres etiquetades anteriorment i les utilitza per induir un classificador. Aquest classificador és una funció que assigna etiquetes a mostres, incloses mostres que no s'han vist prèviament per l'algorisme. L'objectiu de l'algorisme d'aprenentatge supervisat és optimitzar alguna mesura del rendiment, com ara minimitzar el nombre d'errors comesos en mostres noves.[2]
A més dels límits de rendiment, la teoria de l'aprenentatge computacional estudia la complexitat temporal i la viabilitat de l'aprenentatge. En la teoria de l'aprenentatge computacional, un càlcul es considera factible si es pot fer en temps polinomial. Hi ha dos tipus de resultats de complexitat temporal:
- Resultats positius – Mostrant que una determinada classe de funcions es pot aprendre en temps polinomial.
- Resultats negatius – Mostrant que determinades classes no es poden aprendre en temps polinomial.
Els resultats negatius sovint es basen en supòsits comuns, però encara no provats, com ara:
- Complexitat computacional – P ≠ NP (el problema P versus NP);
- Criptogràfic : existeixen funcions unidireccionals.
Hi ha diversos enfocaments diferents a la teoria de l'aprenentatge computacional basats en fer diferents supòsits sobre els principis d'inferència utilitzats per generalitzar a partir de dades limitades. Això inclou diferents definicions de probabilitat (vegeu probabilitat de freqüència, probabilitat bayesiana) i diferents supòsits sobre la generació de mostres. Els diferents enfocaments inclouen:
- Aprenentatge exacte, proposat per Dana Angluin;
- Probablement aprenentatge aproximadament correcte (aprenentatge PAC), proposat per Leslie Valiant; [3]
- teoria VC, proposada per Vladimir Vapnik i Alexey Chervonenkis; [4]
- Inferència bayesiana;
- Teoria de l'aprenentatge algorítmic, a partir del treball d'E. Mark Gold; [5]
- Aprenentatge automàtic en línia, del treball de Nick Littlestone.
Referències[modifica]
- ↑ «ACL - Association for Computational Learning» (en anglès).
- ↑ Brownlee, Jason «A Gentle Introduction to Computational Learning Theory - MachineLearningMastery.com» (en anglès). MachineLearningMastery.com, 11-08-2020.
- ↑ Valiant, Leslie «Còpia arxivada». Communications of the ACM, 27, 11, 1984, pàg. 1134-1142. Arxivat de l'original el 2019-05-17 [Consulta: 16 febrer 2023].
- ↑ Vapnik, V.; Chervonenkis, A. Theory of Probability and Its Applications, 16, 2, 1971, pàg. 264-280.
- ↑ Gold, E. Mark Information and Control, 10, 5, 1967, pàg. 447–474. DOI: 10.1016/S0019-9958(67)91165-5 [Consulta: free].