Global ETD Search

1	Complexity in Statistical Relational Learning : A Study on Learning Bayesian Logic Programs / Komplexitet i statistiskt relationslärande Hagerf, Alexander January 2015 (has links) Most work that is done within machine learning today uses statistical methods which assume that the data is identically and independently distributed. However, the problem domains that we face in the real world are often much more complicated and present both complex relational/logical parts as well as parts with uncertainty. Statistical relational learning (SRL) is a sub-ﬁeld of machine learning and A.I. that tries to solve these limitations by combining both relational and statistical learning and has become a big research sector in recent years. This thesis will present SRL further and speciﬁcally introduce, test and review one of the implementations, namely Bayesian logic programs. / Idag används inom maskininlärning nästan alltid statistiska metoder som antar att datat för lärande är identiskt och oberoende distribuerat. Men de problemområden som vi står inför i den verkliga världen är ofta mycket mer komplicerade och har både komplexa relationella/logiska delar samt osäkerhet. Statistiskt relationslärande (SRL) är en del av maskininlärning och A.I. som försöker lösa dessa begränsningar genom att kombinera både relationer och statistiskt lärande och har på senare år blivit ett stort forskningsområde. Denna avhandling presenterar SRL mer i detalj och utreder och testar en speciﬁk implementation, Bayesianska logikprogram. machine learning statistical herbrand relational ilp kreator learning bayesian logic program balios complexity blp srl foi maskininlärning relationslärande herbrand ilp kreator relationer logik komplexitet balios bayesiansk blp srl foi Computer Sciences Datavetenskap (datalogi)

Search results

Complexity in Statistical Relational Learning : A Study on Learning Bayesian Logic Programs / Komplexitet i statistiskt relationslärande