|
用于机器学习和数据挖掘的声明式建模
Declarative Modeling For Machine Learning and Data Mining |
|
| |
| 课程网址: |
http://videolectures.net/ecmlpkdd2012_de_raedt_declarative_modeli...
|
| 主讲教师: |
Luc De Raedt
|
| 开课单位: |
鲁汶大学
|
| 开课时间: |
2012-10-29
|
| 课程语种: |
英语
|
| 中文简介: |
尽管当今机器学习和数据挖掘普及尽管机器学习和数据挖掘在今天非常流行，但是开发包含机器学习或数据挖掘技术的应用程序和软件仍然具有挑战性。这是因为机器学习和数据挖掘的重点是开发高性能算法来解决特定的任务，而不是开发一般的原则和技术。我提出将约束规划方法应用到机器学习和数据挖掘中来缓解这些问题，并将机器学习和数据挖掘问题指定为约束满足和优化问题。重要的是向用户提供一种方法，以声明性地指定机器学习或数据挖掘问题是什么，而不是必须概述如何计算该解决方案。这对应于基于模型+求解器的机器学习和数据挖掘方法，在这种方法中，用户用高级建模语言指定问题，系统自动将这些模型转换成一种格式，求解器可以使用这种格式高效地生成解决方案。对于用户来说，这应该比实现或调整计算特定问题的特定解决方案的算法要容易得多。在整个演讲中，我将使用我们在约束编程方面的工作中的插图来进行itemset挖掘和概率编程。但开发包含机器学习或数据挖掘技术的应用程序和软件仍然具有挑战性。这是因为机器学习和数据挖掘专注于开发用于解决特定任务的高性能算法，而不是开发一般原则和技术。我建议通过将约束编程方法应用于机器学习和数据挖掘以及指定机器来缓解这些问题。学习和数据挖掘问题作为约束满足和优化问题。重要的是为用户提供一种声明性地指定机器学习或数据挖掘问题的方法，而不是必须概述如何计算该解决方案。这对应于基于模型求解器的机器学习和数据挖掘方法，其中用户以高级建模语言指定问题，系统自动将这些模型转换为可由解算器用于有效生成解决方案的格式。这对于用户来说应该比实现或调整计算特定问题的特定解决方案的算法容易得多。在整个讲座中，我将使用我们关于项集挖掘和概率编程的约束编程的工作中的插图。
|
| 课程简介: |
Despite the popularity of machine learning and data mining today, it remains challenging to develop applications and software that incorporates machine learning or data mining techniques. This is because machine learning and data mining have focussed on developing high-performance algorithms for solving particular tasks rather than on developing general principles and techniques. I propose to alleviate these problems by applying the constraint programming methodology to machine learning and data mining and to specify machine learning and data mining problems as constraint satisfaction and optimization problems. What is essential is that the user be provided with a way to declaratively specify what the machine learning or data mining problem is rather than having to outline how that solution needs to be computed. This corresponds to a model + solver-based approach to machine learning and data mining, in which the user specifies the problem in a high level modeling language and the system automatically transforms such models into a format that can be used by a solver to efficiently generate a solution. This should be much easier for the user than having to implement or adapt an algorithm that computes a particular solution to a specific problem. Throughout the talk, I shall use illustrations from our work on constraint programming for itemset mining and probabilistic programming.
|
| 关 键 词: |
机器学习; 数据挖掘; 应用软件开发; 高性能算法; 计算解决方案; 高级建模语言
|
| 课程来源: |
视频讲座网公开课
|
| 最后编审: |
2019-05-26：cwx
|
| 阅读次数: |
72
|
|
图 书 馆