Μεθοδολογίες Στατιστικές, Πιθανοτήτων, Δυνατοτήτων

Abstract

Εξηγείται πως αρκετά μοντέλα της κλασικής Υπολογιστικής Νοημοσύνης τελικά χρησιμοποιούνται ως τεχνικές στατιστικής μάθησης και λήψης αποφάσεων. Αλλά και το αντίστροφο, στατιστικά μοντέλα μάθησης και λήψης αποφάσεων γίνανε δημοφιλή στην περιοχή της Υπολογιστικής Νοημοσύνης. Αυτό το κεφάλαιο παρουσιάζει ομάδες πολλαπλών ταξινομητών οι οποίες (ομάδες) αποτελούνται από ταξινομητές της κλασικής Υπολογιστικής Νοημοσύνης. Επίσης, παρουσιάζει τις μηχανές διανυσμάτων στήριξης ως μια από τις πλέον δημοφιλείς στην Υπολογιστική Νοημοσύνη, στατιστικές τεχνικές για ταξινόμηση και παλινδρόμηση. Ιδιαίτερη αναφορά γίνεται σε μεθοδολογίες επεξεργασίας συναρτήσεων πεποίθησης. Συσχετισμοί με προαναφερθέντα νευρωνικά δίκτυα επίσης παρουσιάζονται.

This chapter explains how several models of classical Computational Intelligence are ultimately used as techniques in statistical learning and decision-making. Conversely, statistical learning models and decision-making have become popular in the field of Computational Intelligence. The chapter presents ensemble classifiers composed of classifiers from classical Computational Intelligence. Additionally, Support Vector Machines (SVMs) are introduced as one of the most popular techniques in Computational Intelligence, used for classification and regression tasks. Special emphasis is placed on methodologies for processing belief functions. Correlations with the aforementioned neural networks are also discussed.