1. Trang chủ
  2. » Công Nghệ Thông Tin

Efficient learning machines theories, concepts, and applications for engineers and system designers awad khanna 2015 04 30

263 152 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 263
Dung lượng 7,93 MB

Nội dung

For your convenience Apress has placed some of the front matter material after the index Please use the Bookmarks and Contents at a Glance links to access them Contents at a Glance About the Authors����������������������������������������������������������������������������������������������������xv About the Technical Reviewers�����������������������������������������������������������������������������xvii Acknowledgments��������������������������������������������������������������������������������������������������xix ■■Chapter 1: Machine Learning�������������������������������������������������������������������������������� ■■Chapter 2: Machine Learning and Knowledge Discovery������������������������������������ 19 ■■Chapter 3: Support Vector Machines for Classification��������������������������������������� 39 ■■Chapter 4: Support Vector Regression���������������������������������������������������������������� 67 ■■Chapter 5: Hidden Markov Model������������������������������������������������������������������������ 81 ■■Chapter 6: Bioinspired Computing: Swarm Intelligence������������������������������������ 105 ■■Chapter 7: Deep Neural Networks��������������������������������������������������������������������� 127 ■■Chapter 8: Cortical Algorithms�������������������������������������������������������������������������� 149 ■■Chapter 9: Deep Learning���������������������������������������������������������������������������������� 167 ■■Chapter 10: Multiobjective Optimization����������������������������������������������������������� 185 ■■Chapter 11: Machine Learning in Action: Examples������������������������������������������ 209 Index��������������������������������������������������������������������������������������������������������������������� 241 v Chapter Machine Learning Nature is a self-made machine, more perfectly automated than any automated machine To create something in the image of nature is to create a machine, and it was by learning the inner working of nature that man became a builder of machines —Eric Hoffer, Reflections on the Human Condition Machine learning (ML) is a branch of artificial intelligence that systematically applies algorithms to synthesize the underlying relationships among data and information For example, ML systems can be trained on automatic speech recognition systems (such as iPhone’s Siri) to convert acoustic information in a sequence of speech data into semantic structure expressed in the form of a string of words ML is already finding widespread uses in web search, ad placement, credit scoring, stock market prediction, gene sequence analysis, behavior analysis, smart coupons, drug development, weather forecasting, big data analytics, and many more applications ML will play a decisive role in the development of a host of user-centric innovations ML owes its burgeoning adoption to its ability to characterize underlying relationships within large arrays of data in ways that solve problems in big data analytics, behavioral pattern recognition, and information evolution ML systems can moreover be trained to categorize the changing conditions of a process so as to model variations in operating behavior As bodies of knowledge evolve under the influence of new ideas and technologies, ML systems can identify disruptions to the existing models and redesign and retrain themselves to adapt to and coevolve with the new knowledge The computational characteristic of ML is to generalize the training experience (or examples) and output a hypothesis that estimates the target function The generalization attribute of ML allows the system to perform well on unseen data instances by accurately predicting the future data Unlike other optimization problems, ML does not have a well-defined function that can be optimized Instead, training errors serve as a catalyst to test learning errors The process of generalization requires classifiers that input discrete or continuous feature vectors and output a class The goal of ML is to predict future events or scenarios that are unknown to the computer In 1959, Arthur Samuel described ML as the “field of study that gives computers the ability to learn without being explicitly programmed” (Samuel 1959) He concluded that programming computers to learn from experience should eventually eliminate the need for much of this detailed programming effort According to Tom M Mitchell’s definition of ML: “A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.” Alan Turing’s seminal paper (Turing 1950) introduced a benchmark standard for demonstrating machine intelligence, such that a machine has to be intelligent and responsive in a manner that cannot be differentiated from that of a human being Chapter ■ Machine Learning The learning process plays a crucial role in generalizing the problem by acting on its historical experience Experience exists in the form of training datasets, which aid in achieving accurate results on new and unseen tasks The training datasets encompass an existing problem domain that the learner uses to build a general model about that domain This enables the model to generate largely accurate predictions in new cases Key Terminology To facilitate the reader’s understanding of the concept of ML, this section defines and discusses some key multidisciplinary conceptual terms in relation to ML • classifier A method that receives a new input as an unlabeled instance of an observation or feature and identifies a category or class to which it belongs Many commonly used classifiers employ statistical inference (probability measure) to categorize the best label for a given instance • confusion matrix (aka error matrix) A matrix that visualizes the performance of the classification algorithm using the data in the matrix It compares ������������� 142 References������������������������������������������������������������������������������������������������������������������� 142 ■■Chapter 8: Cortical Algorithms�������������������������������������������������������������������������� 149 Cortical Algorithm Primer��������������������������������������������������������������������������������������������� 149 Cortical Algorithm Structure �������������������������������������������������������������������������������������������������������������� 149 Training of Cortical Algorithms����������������������������������������������������������������������������������������������������������� 152 Weight Update�������������������������������������������������������������������������������������������������������������� 154 Experimental Results ������������������������������������������������������������������������������������������������������������������������� 156 xi ■ Contents Modified Cortical Algorithms Applied to Arabic Spoken Digits: Case Study����������������� 159 Entropy-Based Weight Update Rule���������������������������������������������������������������������������������������������������� 159 Experimental Validation���������������������������������������������������������������������������������������������������������������������� 160 References ��������������������������������������������������������������������������������������������������������������� 164 ■■Chapter 9: Deep Learning���������������������������������������������������������������������������������� 167 Overview of Hierarchical Temporal Memory���������������������������������������������������������������� 167 Hierarchical Temporal Memory Generations���������������������������������������������������������������� 168 Sparse Distributed Representation����������������������������������������������������������������������������������������������������� 171 Algorithmic Implementation �������������������������������������������������������������������������������������������������������������� 171 Spatial Pooler������������������������������������������������������������������������������������������������������������������������������������� 172 Temporal Pooler���������������������������������������������������������������������������������������������������������������������������������� 173 Related Work���������������������������������������������������������������������������������������������������������������� 174 Overview of Spiking Neural Networks�������������������������������������������������������������������������� 175 Hodgkin-Huxley Model����������������������������������������������������������������������������������������������������������������������� 176 Integrate-and-Fire Model������������������������������������������������������������������������������������������������������������������� 176 Leaky Integrate-and-Fire Model��������������������������������������������������������������������������������������������������������� 177 Izhikevich Model��������������������������������������������������������������������������������������������������������������������������������� 177 Thorpe’s Model����������������������������������������������������������������������������������������������������������������������������������� 178 Information Coding in SNN����������������������������������������������������������������������������������������������������������������� 178 Learning in SNN���������������������������������������������������������������������������������������������������������������������������������� 179 SNN Variants and Extensions�������������������������������������������������������������������������������������������������������������� 180 Conclusion�������������������������������������������������������������������������������������������������������������������� 182 References������������������������������������������������������������������������������������������������������������������� 182 ■■Chapter 10: Multiobjective Optimization����������������������������������������������������������� 185 Formal Definition���������������������������������������������������������������������������������������������������������� 186 Pareto Optimality�������������������������������������������������������������������������������������������������������������������������������� 187 Dominance Relationship��������������������������������������������������������������������������������������������������������������������� 187 Performance Measure������������������������������������������������������������������������������������������������������������������������ 188 xii ■ Contents Machine Learning: Evolutionary Algorithms����������������������������������������������������������������� 189 Genetic Algorithm������������������������������������������������������������������������������������������������������������������������������� 190 Genetic Programming������������������������������������������������������������������������������������������������������������������������� 191 Multiobjective Optimization: An Evolutionary Approach����������������������������������������������� 192 Weighted-Sum Approach�������������������������������������������������������������������������������������������������������������������� 192 Vector-Evaluated Genetic Algorithm��������������������������������������������������������������������������������������������������� 193 Multiobjective Genetic Algorithm�������������������������������������������������������������������������������������������������������� 194 Niched Pareto Genetic Algorithm�������������������������������������������������������������������������������������������������������� 194 Nondominated Sorting Genetic Algorithm������������������������������������������������������������������������������������������ 195 Strength Pareto Evolutionary Algorithm��������������������������������������������������������������������������������������������� 196 Strength Pareto Evolutionary Algorithm II������������������������������������������������������������������������������������������� 198 Pareto Archived Evolutionary Strategy����������������������������������������������������������������������������������������������� 199 Pareto Envelope-Based Selection Algorithm�������������������������������������������������������������������������������������� 200 Pareto Envelope-Based Selection Algorithm II����������������������������������������������������������������������������������� 201 Elitist Nondominated Sorting Genetic Algorithm�������������������������������������������������������������������������������� 201 Example: Multiobjective Optimization�������������������������������������������������������������������������� 204 Objective Functions������������������������������������������������������������������������������������������������������ 206 References������������������������������������������������������������������������������������������������������������������� 207 ■■Chapter 11: Machine Learning in Action: Examples������������������������������������������ 209 Viable System Modeling����������������������������������������������������������������������������������������������� 211 Example 1: Workload Fingerprinting on a Compute Node�������������������������������������������� 213 Phase Determination�������������������������������������������������������������������������������������������������������������������������� 214 Fingerprinting������������������������������������������������������������������������������������������������������������������������������������� 218 Forecasting����������������������������������������������������������������������������������������������������������������������������������������� 221 Example 2: Dynamic Energy Allocation������������������������������������������������������������������������ 221 Learning Process: Feature Selection�������������������������������������������������������������������������������������������������� 222 Learning Process: Optimization Planning������������������������������������������������������������������������������������������� 224 Learning Process: Monitoring������������������������������������������������������������������������������������������������������������� 225 xiii ■ Contents Model Training: Procedure and Evaluation������������������������������������������������������������������� 227 Example 3: System Approach to Intrusion Detection��������������������������������������������������� 230 Modeling Scheme������������������������������������������������������������������������������������������������������������������������������� 231 Intrusion Detection System Architecture�������������������������������������������������������������������������������������������� 233 Profiles and System Considerations����������������������������������������������������������������������������� 236 Sensor Data Measurements����������������������������������������������������������������������������������������� 237 Summary���������������������������������������������������������������������������������������������������������������������� 239 References������������������������������������������������������������������������������������������������������������������� 239 Index��������������������������������������������������������������������������������������������������������������������� 241 xiv About the Authors Mariette Awad is an assistant professor in the Department of Electrical and Computer Engineering at the American University of Beirut She was also a visiting professor at Virginia Commonwealth University, Intel (Mobile and Communications Group), and the Massachusetts Institute of Technology and was invited by the Computer Vision Center at the Autonomous University of Barcelona, Google, and Qualcomm to present her work on machine learning and image processing Additionally, she has published in numerous conference proceedings and journals Prior to her academic position, she was with the IBM Systems and Technology Group, in Essex Junction, Vermont, as a wireless product engineer Over the years, her technical leadership and innovative spirit have earned her management recognition and several business awards as well as multiple IBM patents Mariette holds a PhD in Electrical Engineering from the University of Vermont Rahul Khanna is currently a principal engineer working as a platform architect at Intel involved in the development of energy-efficient algorithms Over the past 20 years he has worked on server system software technologies, including platform automation, power/thermal optimization techniques, reliability, and predictive methodologies He has authored numerous technical papers and book chapters on energy optimization, platform wireless interconnect, sensor networks, interconnect reliability, predictive modeling, motion estimation, and security and has coauthored a book on platform autonomy He holds 33 patents He is also the coinventor of the Intel Interconnect Built-in Self-Test (IBIST), a methodology for high-speed interconnect testing His research interests include machine learning–based power/ thermal optimization algorithms, narrow-channel high-speed wireless interconnects, and information retrieval in dense sensor networks Rahul is a member of the Institute of Electrical and Electronic Engineers and the recipient of three Intel Achievement Awards for his contributions in areas related to the advancement of platform technologies xv About the Technical Reviewers Abishai Daniel is a staff reliability engineer with Intel’s Datacenter Group He works in the areas of device, component, architectural reliability, and input-output (I/O) signal integrity, with a focus on statistical predictive model development based on reliability data and the application of machine learning techniques to reliability modeling He has served as both program committee member and session chair for various Institute of Electrical and Electronic Engineer conferences, mainly on the topics of reliability and design for reliability, and has published more than 15 papers Abishai has an AB from Wabash College and an MSEE and a PhD from the University of Michigan Myron Porter has served in a variety of roles at Intel, including systems programmer, manager, board validation program manager, and technical writer Previously, he had positions at other Fortune 500 companies He has lived in Bush Alaska and Sakha (Russian Yakutia) but was raised in the Ozarks He got his start in business selling Christmas cards door-to-door at the age of eight Myron later sold fireworks and has worked as a cabdriver, a pollster/political interviewer, a grant writer, a cook, a substitute teacher, a fuel truck deliveryman, a college English instructor, a copywriter, a restaurant manager, an ESL teacher, and a technical contractor Additionally, he has done volunteer work for a veterinarian and two college radio stations and as technical support to a regional women’s shelter Melissa Stockman is currently in the Division of Surgery at the American University of Beirut Medical Center, focusing on the analysis of medical data She also worked as a senior software engineer in the United States and was the director, for more than 10 years, of Information Technology Infrastructure and Support at the Lebanese American University She holds a PhD in Electrical and Computer Engineering from the American University of Beirut as well as a BA in Mathematics from New York University and an MA in Computer Science from George Mason University Melissa’s research areas include machine learning, support vector machines, and computer architecture xvii ... Machine learning (ML) is a branch of artificial intelligence that systematically applies algorithms to synthesize the underlying relationships among data and information For example, ML systems...th program committee member and session chair for various Institute of Electrical and Electronic Engineer conferences, mainly on the topics of reliability and design for reliability, and has publish...of the Institute of Electrical and Electronic Engineers and the recipient of three Intel Achievement Awards for his contributions in areas related to the advancement of platform technologies xv Abo

Ngày đăng: 12/04/2019, 00:12

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN