Furthermore, domain-specific system

Furthermore, domain-specific systems that use instance-based learning algorithms have
performed extremely well in industrial applications. One example is ALFA (Jabbour,
Riveros, Landsbergen, & Meyer, 1987), a load forecasting assistant used by the Niagara
Mohawk Power Company of central New York State to estimate power load. ALFA uses
an instance-based learning algorithm to generate an initial prediction for power load, which
is then modified according to a rule-based domain theory. ALFA achieves the same accuracy
as experts but requires only two minutes to make load predictions (experts require two
hours). Another example is Clark's (1989) system for geologic prospect appraisal, which
is being used by Enterprise Oil to generate predictions of oil reservoir thickness and porosity
at a prospect site based on prospecting information gathered from nearby sites.
Using specific instances in supervised learning algorithms decreases the costs incurred
when updating concept descriptions, increases learning rates, allows for the representation
of probabilistic concept descriptions, and focuses theory-based reasoning in real-world applications.
However, no investigation has analyzed algorithms that use only specific instances
to solve incremental, supervised learning tasks.
In this article, we describe a methodology for instance-based learning (IBL) algorithms,
provide a geometric analysis to describe their generality and underlying intuition, address
two problems with this approach, and summarize convincing empirical evidence which
suggests that IBL algorithms perform well in applications to artificial and real-world domains.

ผลลัพธ์ (ไทย) 1:

นอกจากนี้ เฉพาะโดเมนที่ใช้อัลกอริทึมการเรียนรู้อย่างมีทำดีมากในงานอุตสาหกรรม ตัวอย่างหนึ่งคือ อัลฟา (JabbourRiveros, Landsbergen, & Meyer, 1987), ช่วยคาดการณ์โหลดใช้ในไนแองการาบริษัทพาวเวอร์โมฮอว์คของรัฐนิวยอร์กศูนย์กลางประเมินโหลดไฟฟ้า ใช้อัลฟ่าอัลกอริทึมการเรียนรู้ตัวอย่างเพื่อสร้างการคาดการณ์เริ่มต้นสำหรับโหลดไฟฟ้า ที่จากนั้นจะปรับเปลี่ยนตามทฤษฎีโดเมนตามกฎ อัลฟาได้รับถูกต้องเหมือนกันเป็นผู้เชี่ยวชาญ แต่ต้องให้โหลดคาดคะเน (ผู้เชี่ยวชาญต้องสองเพียงสองนาทีชั่วโมง) อีกตัวอย่างหนึ่งคือ ระบบของคลาร์ก (1989) ในการประเมินโอกาสธรณีวิทยา ซึ่งกำลังถูกใช้ โดยองค์กรน้ำมันเพื่อสร้างการคาดคะเนความหนาอ่างเก็บน้ำน้ำมันและ porosityในโอกาสไซต์แร่ข้อมูลรวบรวมจากไซต์ที่ใกล้เคียงใช้อินสแตนซ์ที่ระบุในกระบวนการเรียนรู้ที่มีลดต้นทุนที่เกิดขึ้นเมื่อปรับปรุงคำอธิบายแนวคิด เพิ่มพิเศษ การเรียนรู้ที่ช่วยให้การแสดงคำอธิบายแนวคิด probabilistic และเน้นทฤษฎีการใช้เหตุผลในการใช้งานจริงอย่างไรก็ตาม ตรวจสอบไม่ได้วิเคราะห์อัลกอริทึมที่ใช้อินสแตนซ์ที่เฉพาะเท่านั้นการแก้ไขงานเพิ่มขึ้น มีการเรียนรู้ในบทความนี้ เราได้อธิบายวิธีการอินสแตนซ์ที่ใช้เรียน (IBL) อัลกอริทึมการวิเคราะห์ทางเรขาคณิตไปอธิบาย generality และสัญชาตญาณพื้นฐาน ที่อยู่ของพวกเขาสองปัญหา ด้วยวิธีนี้ และสรุปผลของการทำให้หลักฐานที่แนะนำว่า อัลกอริทึม IBL ทำในโปรแกรมประยุกต์โดเมนเทียม และ โลกจริง

ผลลัพธ์ (ไทย) 2:

นอกจากนี้ระบบโดเมนเฉพาะที่ใช้ขั้นตอนวิธีการเรียนรู้ตัวอย่างที่ใช้มีประสิทธิภาพดีมากในงานอุตสาหกรรม ตัวอย่างหนึ่งคืออัลฟ่า (Jabbour,
Riveros, Landsbergen และเมเยอร์ 1987) ผู้ช่วยพยากรณ์ความต้องการไฟฟ้าที่ใช้โดยไนแอการา
บริษัท อินเดียนแดงพลังของภาคกลางของรัฐนิวยอร์กในการประมาณการภาระอำนาจ ALFA ใช้อัลกอริทึมการเรียนรู้ตัวอย่างที่ใช้ในการสร้างการคาดการณ์ครั้งแรกสำหรับการโหลดพลังงานซึ่งมีการแก้ไขแล้วตามทฤษฎีโดเมนตามกฎ ALFA ประสบความสำเร็จในความถูกต้องเหมือนกันว่าเป็นผู้เชี่ยวชาญแต่ต้องมีเพียงสองนาทีที่จะทำให้การคาดการณ์โหลด (ผู้เชี่ยวชาญจำเป็นต้องใช้สองชั่วโมง) อีกตัวอย่างหนึ่งคือคลาร์ก (1989) ระบบการประเมินโอกาสทางธรณีวิทยาซึ่งจะถูกใช้โดยองค์กรน้ำมันเพื่อสร้างการคาดการณ์ของความหนาของอ่างเก็บน้ำน้ำมันและความพรุนที่เว็บไซต์โอกาสบนพื้นฐานของข้อมูลแร่รวบรวมจากเว็บไซต์ที่อยู่บริเวณใกล้เคียง. ใช้กรณีที่เฉพาะเจาะจงในขั้นตอนวิธีการเรียนรู้ภายใต้การดูแลลดลง ค่าใช้จ่ายที่เกิดขึ้นเมื่อปรับปรุงรายละเอียดแนวคิดเพิ่มอัตราการเรียนรู้จะช่วยให้การเป็นตัวแทนของคำอธิบายแนวคิดความน่าจะเป็นและมุ่งเน้นการให้เหตุผลทฤษฎีที่ใช้ในการใช้งานจริงของโลก. แต่การสอบสวนไม่ได้มีการวิเคราะห์ขั้นตอนวิธีการที่ใช้กรณีเฉพาะที่จะแก้ปัญหาที่เพิ่มขึ้นภายใต้การดูแลการเรียนรู้งาน. ในบทความนี้เราจะอธิบายวิธีการสำหรับการเรียนรู้เช่นตาม (IBL) ขั้นตอนวิธีการให้การวิเคราะห์ทางเรขาคณิตเพื่ออธิบายทั่วไปและสัญชาตญาณพื้นฐานของพวกเขาอยู่สองปัญหาด้วยวิธีนี้และสรุปหลักฐานเชิงประจักษ์ที่น่าเชื่อถือซึ่งแสดงให้เห็นว่าขั้นตอนวิธีการIBL ทำงานได้ดีในการใช้งานไปยังโดเมนเทียมและโลกแห่งความจริง

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ โดเมนเฉพาะระบบที่ใช้อินสแตนซ์ใช้อัลกอริทึมการเรียนรู้มี
แสดงมากในอุตสาหกรรม ตัวอย่างหนึ่งคืออัลฟา ( jabbour ริเวร landsbergen
, , , & Meyer , 1987 ) , ผู้ช่วยการพยากรณ์โหลดใช้ โดยน้ำตกไนการ่า
ออกพลังงานที่ บริษัท ของรัฐนิวยอร์กเซ็นทรัลประเมินพลังโหลด ใช้
อัลฟ่าตัวอย่างการเรียนรู้ขั้นตอนวิธีการสร้างการคาดการณ์เบื้องต้นสำหรับโหลดไฟฟ้าซึ่ง
แล้วแก้ไขตามกฎโดเมนทฤษฎี อัลฟ่าใช้
ความถูกต้องเช่นเดียวกับผู้เชี่ยวชาญ แต่ต้องใช้เพียงสองนาทีเพื่อทำให้การคาดการณ์โหลด ( ผู้เชี่ยวชาญต้องการสอง
ชั่วโมง ) อีกตัวอย่างคือ คล้าก ( 1989 ) ระบบการประเมินโอกาสทางธรณีวิทยาซึ่ง
ถูกใช้โดยบริษัทน้ำมันเพื่อสร้างการคาดการณ์ของความหนาของน้ำมัน อ่างเก็บน้ำ และรูพรุน
ที่ลูกค้าเว็บไซต์ตามการสำรวจรวบรวมข้อมูลจากเว็บไซต์ที่ใช้ในการเรียนรู้แบบ Supervised Learning
กรณีเฉพาะขั้นตอนวิธีการลดต้นทุนที่เกิดขึ้น
เมื่อปรับปรุงคำอธิบายแนวคิด เพิ่มอัตราการเรียนรู้ช่วยให้แนวคิดของการเป็นตัวแทน
คําอธิบายเน้นทฤษฎีและใช้เหตุผลในการใช้งานจริง .
แต่ไม่มีการสอบสวนได้มีการวิเคราะห์ขั้นตอนวิธีที่ใช้เฉพาะกรณีเฉพาะ
แก้เพิ่ม มีการเรียนรู้งาน .
ในบทความนี้เราจะอธิบายวิธีการอินสแตนซ์แห่งการเรียนรู้ ( IBL ) ขั้นตอนวิธีการวิเคราะห์เรขาคณิต
ให้บรรยายสภาพทั่วไปของพวกเขาและต้นแบบที่อยู่
สังหรณ์สองปัญหาด้วยวิธีนี้ และสรุปข้อมูลหลักฐานเชิงประจักษ์ที่น่าเชื่อถือซึ่ง
เห็นว่าขั้นตอนวิธี IBL ทำได้ดีในงานประดิษฐ์และใช้โดเมน