Я. Гудфеллоу, И. Бенджио, А. Курвилль



Download 14,23 Mb.
Pdf ko'rish
bet61/779
Sana14.06.2022
Hajmi14,23 Mb.
#671946
TuriКнига
1   ...   57   58   59   60   61   62   63   64   ...   779
Bog'liq
Гудфеллоу Я , Бенджио И , Курвилль А Глубокое обучение

3.1. Зачем нужна вероятность?
Во многих разделах информатики имеют дело в основном с детерминированными 
сущностями. Обычно программист может предполагать, что процессор выполня-
ет машинные команды без ошибок. Аппаратные ошибки бывают, но они настолько 
редки, что в большинстве программ учитывать такую возможность необязательно. 
Однако если большинство теоретиков и инженеров-программистов работант в срав-
нительно стерильных и определенных условиях, то почему же в машинном обучении 
так часто используется теория вероятностей?


62 

 
Теория вероятностей и теория информации 
Машинное обучение по необходимости имеет дело с недостоверными, а иногда 
и стохастическими (недетерминированными) величинами. Недостоверность и неде-
терминированность проистекают из многих источников. Теоретические аргументы 
в пользу количественной оценки недостоверности с помощью теории вероятностей 
приводились уже в 1980-х годах. Многие перечисленные ниже аргументы взяты из 
работы Pearl (1988) или навеяны ей.
Почти во всех отраслях знания требуется возможность рассуждать в присутствии 
неопределенности. На самом деле, если не считать математических утверждений, кото-
рые истинны по определению, трудно привести пример какого-нибудь высказывания, 
которое было бы абсолютно верным, или события, которое произойдет гарантированно.
Существуют три источника неопределенности:
1) стохастичность, присущая моделируемой системе. Например, в большинстве 
интерпретаций квантовой механики динамика субатомных частиц описывает-
ся в вероятностных терминах. Можно также сконструировать теоретические 
сценарии с постулированной случайной динамикой, например гипотетическая 
карточная игра в предположении, что карты перетасованы случайно;
2) неполнота наблюдаемых данных. Даже детерминированная система может казать-
ся стохастической, если мы не в состоянии наблюдать все переменные, описываю-
щие ее поведение. Например, в парадоксе Монти Холла участник игрового шоу 
выбирает одну из трех дверей и получает скрытый за ней приз. За двумя дверьми 
находятся козы, за третьей – автомобиль. Исход при любом выборе участника де-
терминирован, но, с точки зрения самого участника, исход неопределенный;
3) неполнота модели. Если используется модель, которая отбрасывает часть 
наблю даемой информации, то отброшенная информация приводит к недосто-
верности полученных от модели предсказаний. Допустим, к примеру, что мы 
конструируем робота, который способен точно фиксировать положения всех 
находящихся поблизости от него объектов. Если робот дискретизирует прост-
ранство, стремясь спрогнозировать положения объектов в будущем, то сам акт 
дискретизации уже делает информацию о положении объектов недостоверной: 
каждый объект может находиться в дискретной области, окружающей занимае-
мое им место в пространстве.
Во многих случаях практичнее использовать простое неопределенное правило, 
чем сложное определенное, даже если истинное правило детерминировано, и систе-
ма моделирования позволяет его адекватно представить. Например, простое правило 
«Большинство птиц умеет летать» легко формулируется и в общем случае полезно, 
тогда как правило «Птицы умеют летать, за исключением очень молодых птенцов, 
которые еще не научились летать, больных и травмированных птиц, которые утрати-
ли способность летать, нелетающих птиц, включая казуара, страуса и киви…» трудно 
сформулировать, сопровождать и передавать другим людям, и даже после всех уси-
лий оно оказывается хрупким и уязвимым к неточностям.
Хотя понятно, что необходимы средства для представления недостоверности и рас-
суждений в условиях неопределенности, не сразу очевидно, что теория вероятностей 
располагает всеми инструментами, которые нужны в приложениях искусственного 
интеллекта. Первоначально теория вероятностей разрабатывалась для анализа час-
тоты событий. Легко видеть, как применить ее для изучения таких событий, как сдача 
карт в покере. Подобные события зачастую повторяемы. Говоря, что вероятность не-
которого исхода равна 
p
, мы имеем в виду, что если повторить эксперимент (напри-


Распределения вероятности 

63
мер, сдачу карт) бесконечное число раз, то доля таких исходов составит 
p
. Не понят-
но, как такое рассуждение может быть применимо к неповторяемым событиям. Когда 
врач осматривает пациента и говорит, что у него грипп с вероятностью 40 процентов, 
то это означает что-то совсем другое – мы не можем создать бесконечно много копий 
пациента и не имеем никаких оснований утверждать, что у разных копий будут такие 
же симптомы, но различные заболевания. В случае медицинской диагностики веро-
ятность описывает 

Download 14,23 Mb.

Do'stlaringiz bilan baham:
1   ...   57   58   59   60   61   62   63   64   ...   779




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish