This HTML5 document contains 27 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dcthttp://purl.org/dc/terms/
template-enhttp://ja.dbpedia.org/resource/Template:
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
dbpedia-wikidatahttp://wikidata.dbpedia.org/resource/
rdfshttp://www.w3.org/2000/01/rdf-schema#
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
n8http://ja.dbpedia.org/resource/Category:
n10http://ja.wikipedia.org/wiki/
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
dbpedia-jahttp://ja.dbpedia.org/resource/
prop-enhttp://ja.dbpedia.org/property/

Statements

Subject Item
dbpedia-wikidata:Q458526
owl:sameAs
dbpedia-ja:確率的で近似的に正しい学習
Subject Item
dbpedia-ja:レスリー・ヴァリアント
dbo:wikiPageWikiLink
dbpedia-ja:確率的で近似的に正しい学習
Subject Item
dbpedia-ja:確率的で近似的に正しい学習
rdfs:label
確率的で近似的に正しい学習
rdfs:comment
確率的で近似的に正しい学習（英: probably approximately correct learning）やPAC学習（英: PAC learning）とは、機械学習のにおいて、機械学習の数学的解析フレームワークの1つである。Leslie Valiant が1984年に提唱した。 このフレームワークにおいて、学習アルゴリズムは標本を受け取り、仮説と呼ばれる汎化した関数をある関数クラスの中から選択する必要がある。目標は、高い確率で、選択した関数が小さな汎化誤差になる事である。学習アルゴリズムは、与えられた近似比率、成功率、標本分布から概念を学習する必要がある。 このモデルは後にノイズ（誤分類された標本）を扱えるように拡張された。 PACフレームワークの重要なイノベーションは、計算論的学習理論という概念を機械学習にもたらしたことである。特に、学習アルゴリズムは（時間計算量と空間計算量が訓練データサイズの多項式サイズの制限の元で）適切な関数を見つけ出すことが期待され、学習アルゴリズムは（訓練データサイズが仮説空間サイズの多項式サイズに収まっているなど）効率的な手順を実装する必要がある。
dct:subject
n8:数学に関する記事 n8:機械学習
dbo:wikiPageID
3984401
dbo:wikiPageRevisionID
73869669
dbo:wikiPageWikiLink
dbpedia-ja:標本 n8:機械学習 dbpedia-ja:分類_(統計学) dbpedia-ja:機械学習 dbpedia-ja:計算論的学習理論 n8:数学に関する記事 dbpedia-ja:数学 dbpedia-ja:仮説
prop-en:wikiPageUsesTemplate
template-en:Reflist template-en:Lang-en-short template-en:Machine_learning_bar template-en:Stats-stub
dbo:abstract
確率的で近似的に正しい学習（英: probably approximately correct learning）やPAC学習（英: PAC learning）とは、機械学習のにおいて、機械学習の数学的解析フレームワークの1つである。Leslie Valiant が1984年に提唱した。 このフレームワークにおいて、学習アルゴリズムは標本を受け取り、仮説と呼ばれる汎化した関数をある関数クラスの中から選択する必要がある。目標は、高い確率で、選択した関数が小さな汎化誤差になる事である。学習アルゴリズムは、与えられた近似比率、成功率、標本分布から概念を学習する必要がある。 このモデルは後にノイズ（誤分類された標本）を扱えるように拡張された。 PACフレームワークの重要なイノベーションは、計算論的学習理論という概念を機械学習にもたらしたことである。特に、学習アルゴリズムは（時間計算量と空間計算量が訓練データサイズの多項式サイズの制限の元で）適切な関数を見つけ出すことが期待され、学習アルゴリズムは（訓練データサイズが仮説空間サイズの多項式サイズに収まっているなど）効率的な手順を実装する必要がある。
dbo:wikiPageLength
1898
prov:wasDerivedFrom
n10:確率的で近似的に正しい学習?oldid=73869669&ns=0
foaf:isPrimaryTopicOf
n10:確率的で近似的に正しい学習
Subject Item
dbpedia-ja:PAC学習
dbo:wikiPageWikiLink
dbpedia-ja:確率的で近似的に正しい学習
dbo:wikiPageRedirects
dbpedia-ja:確率的で近似的に正しい学習
Subject Item
n10:確率的で近似的に正しい学習
foaf:primaryTopic
dbpedia-ja:確率的で近似的に正しい学習