Ймовірносно приблизно коректне навчання

Ймовірносно приблизно коректне навчання (ЙПК навчання, англ.   Probably Approximately Correct learning, (PAC learning) в теорії обчислювального навчання — це схема математичного аналізу машинного навчання. Схему запропонував в 1984 Леслі Веліант [1] .

Частина з циклу
Машинне навчання та добування даних
Задачі класифікація кластерування регресія виявляння аномалій очищування даних АвтоМН асоціативні правила навчання з підкріпленням структурове передбачування конструювання ознак навчання ознак інтерактивне навчання напівавтоматичне навчання спонтанне навчання навчання ранжуванню виведення граматик
Кероване навчання (класифікація • регресія) ансамблі випадковий ліс натяжкове агрегування підсилювання дерева рішень доречно-векторна машина k-НС лінійна регресія логістична регресія наївне баєсове опорно-векторна машина штучні нейронні мережі перцептрон
Кластерування BIRCH CURE ієрархічне k-середніх очікування-максимізація DBSCAN OPTICS зсув середнього
Знижування розмірності факторний аналіз метод незалежних компонент канонічна кореляція лінійний розділювальний аналіз метод головних компонент власний узагальнений розклад розклад невід'ємних матриць t-розподілене вкладення стохастичної близькості
Структурове передбачування графові моделі баєсова мережа прихована марковська модель умовне випадкове поле
Виявляння аномалій k-НС коефіцієнт локального відхилення
Штучна нейронна мережа автокодувальник когнітивні обчислення глибинне навчання DeepDream багатошаровий перцептрон рекурентна нейронна мережа ДКЧП ВРВ МВС обмежена машина Больцмана ГЗМ самоорганізаційне відображення згорткова нейронна мережа U-Net трансформер спайкова нейронна мережа мемтранзистор Електрохімічна ПДД (ECRAM)
Навчання з підкріпленням Q-навчання SARSA метод часових різниць
Теорія Компроміс зсуву та дисперсії ймовірносно приблизно коректне навчання мінімізація емпіричного ризику оккамове навчання статистичне навчання теорія Вапника — Червоненкіса теорія обчислювального навчання
Місця машинного навчання NeurIPS ICML ML JMLR ArXiv:cs.LG
Пов'язані статті глосарій штучного інтелекту список наборів даних для досліджень з машинного навчання перелік понять машинного навчання

У цій схемі вчитель отримує вибірки і повинен вибрати узагальнюючу функцію (звану гіпотезою) з певного класу можливих функцій. Метою є функція, яка з великою ймовірністю (звідки «імовірносно» в назві) матиме низьку помилку узагальнення (звідки «приблизно коректне» в назві). Учитель повинен бути здатний навчити концепт [2] , що дає довільний коефіцієнт апроксимації, ймовірність успіху або розподілу вибірок.