היונות של סקינר למידת יתר מה היא בעית למידה ניסוח מודל ראשוני של למידה

1. ‫לומדות‬ ‫מערכות‬
Igor Kleiner
Lecture 1/ Part 3
‫ממוחשבת‬ ‫למידה‬ ‫מהי‬?‫מדוגמאות‬ ‫למידה‬
2017

2. ‫תזכורת‬

3. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: classical condition example
• https://www.youtube.com/watch?v=TtfQlkGwE2U

4. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: pin pong
• https://www.youtube.com/watch?v=vGazyH6fQQ4

5. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: superstition
• https://www.youtube.com/watch?v=8uPmeWiFTIw

6. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: superstition
• https://www.youtube.com/watch?v=8uPmeWiFTIw
•‫קרא‬ ‫מה‬?

7. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: superstition
• https://www.youtube.com/watch?v=8uPmeWiFTIw
•‫קרא‬ ‫מה‬?
•‫קיים‬ ‫שלא‬ ‫משהו‬ ‫למדה‬ ‫היונה‬,‫רעש‬ ‫למדה‬!

8. ‫למידה‬ ‫מהי‬?
• Skinner pigeon: superstition
• https://www.youtube.com/watch?v=8uPmeWiFTIw
•‫קרא‬ ‫מה‬?
•‫היונה‬‫קיים‬ ‫שלא‬ ‫משהו‬ ‫למדה‬,‫רעש‬ ‫למדה‬!‫יתר‬ ‫למידת‬-overfitting

9. ‫מדוגמאות‬ ‫למידה‬
•‫כלב‬ ‫מהו‬?

10. ‫מדוגמאות‬ ‫למידה‬
•‫כלב‬ ‫מהו‬?
•‫אחר‬ ‫ודבר‬ ‫כלב‬ ‫בין‬ ‫להבדיל‬ ‫יודעים‬ ‫כולנו‬

11. ‫מדוגמאות‬ ‫למידה‬
•‫כלב‬ ‫מהו‬?
•‫אחר‬ ‫ודבר‬ ‫כלב‬ ‫בין‬ ‫להבדיל‬ ‫יודעים‬ ‫כולנו‬
•‫בן‬ ‫לילד‬ ‫נראה‬ ‫אם‬3‫תמונה‬ ‫שנים‬,‫מקרים‬ ‫ברוב‬ ‫להגיד‬ ‫תוכל‬ ‫הוא‬,‫על‬ ‫האם‬
‫לא‬ ‫או‬ ‫כלב‬ ‫יש‬ ‫התמונה‬

12. ‫מדוגמאות‬ ‫למידה‬
•‫כלב‬ ‫מהו‬?
•‫אחר‬ ‫ודבר‬ ‫כלב‬ ‫בין‬ ‫להבדיל‬ ‫יודעים‬ ‫כולנו‬
•‫בן‬ ‫לתינוק‬ ‫נראה‬ ‫אם‬3‫תמונה‬,‫מקרים‬ ‫ברוב‬ ‫להגיד‬ ‫תוכל‬ ‫הוא‬,‫יש‬ ‫התמונה‬ ‫על‬ ‫האם‬
‫לא‬ ‫או‬ ‫כלב‬
•‫הגדרה‬ ‫נקבל‬ ‫לא‬ ‫המקרים‬ ‫ברוב‬ ‫כלב‬ ‫של‬ ‫הגדרה‬ ‫לתת‬ ‫בוגר‬ ‫אדם‬ ‫מבן‬ ‫נבקש‬ ‫אם‬
‫מדויקת‬

13. ‫מדוגמאות‬ ‫למידה‬
•‫שראינו‬ ‫מדוגמאות‬ ‫אלה‬ ‫מדויקות‬ ‫מהגדרות‬ ‫לא‬ ‫כלב‬ ‫מהו‬ ‫למדנו‬ ‫אנו‬

14. ‫מדוגמאות‬ ‫למידה‬
•‫מדוגמאות‬ ‫למידה‬(‫ממוחשבת‬ ‫למידה‬)‫בקורס‬ ‫הרבה‬ ‫נתקל‬ ‫אנו‬ ‫שבו‬ ‫המצב‬ ‫זה‬:
•‫בעיה‬ ‫לנו‬ ‫יש‬,
•‫נתונים‬ ‫יש‬
•‫אנליטי‬ ‫פתרון‬ ‫קיים‬ ‫ולא‬(‫ידוע‬ ‫לא‬ ‫אך‬ ‫קיים‬ ‫או‬)
•‫נתונים‬ ‫בעזרת‬ ‫טוב‬ ‫פתרון‬ ‫למצוא‬ ‫נצטרך‬ ‫אנו‬(‫דוגמאות‬)‫ברשותנו‬ ‫שיש‬

15. ‫מדוגמאות‬ ‫למידה‬
•‫מדוגמאות‬ ‫למידה‬(‫ממוחשבת‬ ‫למידה‬)‫בקורס‬ ‫הרבה‬ ‫נתקל‬ ‫אנו‬ ‫שבו‬ ‫המצב‬ ‫זה‬:
•‫בעיה‬ ‫לנו‬ ‫יש‬,
•‫נתונים‬ ‫יש‬
•‫אנליטי‬ ‫פתרון‬ ‫קיים‬ ‫ולא‬(‫ידוע‬ ‫לא‬ ‫אך‬ ‫קיים‬ ‫או‬)
•‫למצוא‬ ‫נצטרך‬ ‫אנו‬‫טוב‬ ‫פתרון‬‫נתונים‬ ‫בעזרת‬(‫דוגמאות‬)‫ברשותנו‬ ‫שיש‬

16. ‫הלוואה‬ ‫בעיית‬
•‫למידה‬ ‫בעיית‬ ‫מפורמליזציה‬ ‫נתחיל‬
•‫פשוטה‬ ‫יחסית‬ ‫בבעיה‬ ‫נסתכל‬ ‫כך‬ ‫לשם‬:‫הלוואה‬ ‫בעיית‬

17. ‫הלוואה‬ ‫בעיית‬
•‫לבנק‬ ‫מגיעים‬ ‫שונים‬ ‫אנשים‬
•‫מסוים‬ ‫ללקוח‬ ‫הלוואה‬ ‫לתת‬ ‫האם‬ ‫להחליט‬ ‫צריך‬ ‫הבנק‬
•‫שלו‬ ‫נתונים‬ ‫יש‬ ‫לקוח‬ ‫לכל‬:‫גיל‬,‫משכורת‬,‫בנקאית‬ ‫היסטוריה‬,‫וכו‬ ‫השכלה‬’
•‫לקוחות‬ ‫של‬ ‫הנתונים‬ ‫את‬ ‫יודע‬ ‫הבנק‬
•‫בעבר‬ ‫הלוואה‬ ‫שקיבלו‬ ‫קודמות‬ ‫לקוחות‬ ‫של‬ ‫ההיסטוריה‬ ‫את‬ ‫יודע‬ ‫גם‬ ‫הבנק‬

18. ‫הלוואה‬ ‫בעיית‬
•‫ב‬ ‫נסמן‬ ‫לקוח‬ ‫של‬ ‫הנתונים‬-x
•‫ב‬ ‫נסמן‬ ‫בנקאי‬ ‫של‬ ‫ההחלטה‬-y(1‫או‬0‫ההלוואה‬ ‫לתת‬ ‫לא‬ ‫או‬ ‫לתת‬)
•‫ידוע‬ ‫לא‬ ‫מטרה‬ ‫פונקצית‬f: X -> Y

19. ‫הלוואה‬ ‫בעיית‬
•‫ב‬ ‫נסמן‬ ‫לקוח‬ ‫של‬ ‫הנתונים‬-x(input):
•‫ב‬ ‫נסמן‬ ‫בנקאי‬ ‫של‬ ‫ההחלטה‬-y(1‫או‬0‫ההלוואה‬ ‫את‬ ‫לא‬ ‫או‬ ‫לתת‬( )output)
•‫ידוע‬ ‫לא‬ ‫מטרה‬ ‫פונקצית‬f: X -> Y
•X–‫הקלטיים‬ ‫מרחב‬(‫לקוחות‬ ‫נתוני‬)
•Y–‫הפלט‬ ‫מרחב‬(‫בנקאי‬ ‫של‬ ‫החלטה‬01)
•D–‫הבעיה‬ ‫נתוני‬ ‫כל‬ ‫אוסף‬:(x1,y1),(x2,y2),….,(xN,yN)‫כאשר‬yi=f(xi)

20. ‫הלוואה‬ ‫בעיית‬
•‫ב‬ ‫נסמן‬ ‫לקוח‬ ‫של‬ ‫הנתונים‬-x(input):features, independent variables
•‫ב‬ ‫נסמן‬ ‫בנקאי‬ ‫של‬ ‫ההחלטה‬-y(0‫או‬1‫ההלוואה‬ ‫את‬ ‫לא‬ ‫או‬ ‫לתת‬( )output)
•‫ידוע‬ ‫לא‬ ‫מטרה‬ ‫פונקצית‬f: X -> Y
•X–‫הקלטיים‬ ‫מרחב‬(‫לקוחות‬ ‫נתוני‬)
•Y–‫הפלט‬ ‫מרחב‬(‫בנקאי‬ ‫של‬ ‫החלטה‬01)
•D–‫הבעיה‬ ‫נתוני‬ ‫כל‬ ‫אוסף‬:(x1,y1),(x2,y2),….,(xN,yN)‫כאשר‬yi=f(xi)

21. ‫הלוואה‬ ‫בעיית‬
•‫ב‬ ‫נסמן‬ ‫לקוח‬ ‫של‬ ‫הנתונים‬-x(input):features, independent variables
•‫ב‬ ‫נסמן‬ ‫בנקאי‬ ‫של‬ ‫ההחלטה‬-y(1‫או‬0‫ההלוואה‬ ‫את‬ ‫לא‬ ‫או‬ ‫לתת‬( )output)
•‫ידוע‬ ‫לא‬ ‫מטרה‬ ‫פונקצית‬f: X -> Y
•X–‫הקלטיים‬ ‫מרחב‬(‫לקוחות‬ ‫נתוני‬)
•Y–‫הפלט‬ ‫מרחב‬(‫בנקאי‬ ‫של‬ ‫החלטה‬01)
•D–‫הבעיה‬ ‫נתוני‬ ‫כל‬ ‫אוסף‬:(x1,y1),(x2,y2),….,(xN,yN)‫כאשר‬yi=f(xi)
data points

22. ‫הלוואה‬ ‫בעיית‬
•‫האלגוריתם‬‫נוסחה‬ ‫לבחור‬ ‫כדי‬ ‫הבעיה‬ ‫בנתוני‬ ‫משתמש‬ ‫למידה‬g:
•g: X -> Y
•‫ש‬ ‫כך‬-g‫תהי‬‫טוב‬ ‫קירוב‬‫ל‬-f
•‫האלגוריתם‬‫בוחר‬g‫נוסחאות‬ ‫של‬ ‫מאוסף‬H(‫השערות‬ ‫של‬ ‫אוסף‬)
•H‫אחד‬ ‫נוסחה‬ ‫רק‬ ‫להכיל‬ ‫יכול‬
•H‫לינאריות‬ ‫נוסחאות‬ ‫כל‬ ‫להכיל‬ ‫יכול‬

23. ‫הלוואה‬ ‫בעיית‬
•‫האלגוריתם‬‫נוסחה‬ ‫לבחור‬ ‫כדי‬ ‫בעיה‬ ‫בנתוני‬ ‫משתמש‬ ‫למידה‬g:
•g: X -> Y
•‫ש‬ ‫כך‬-g‫תהי‬‫טוב‬ ‫קירוב‬‫ל‬-f
•‫האלגוריתם‬‫בוחר‬g‫נוסחאות‬ ‫של‬ ‫מאוסף‬H(‫השערות‬ ‫של‬ ‫אוסף‬)
•H‫אחד‬ ‫נוסחה‬ ‫רק‬ ‫להכיל‬ ‫יכול‬
•H‫לינאריות‬ ‫נוסחאות‬ ‫כל‬ ‫להכיל‬ ‫יכול‬
•‫חדש‬ ‫לקוח‬ ‫מגיע‬ ‫כאשר‬,‫ב‬ ‫ומשמש‬ ‫לקוח‬ ‫בנתוני‬ ‫מסתכל‬ ‫הבנק‬-?‫האם‬ ‫להחליט‬ ‫כדי‬
‫לא‬ ‫או‬ ‫הלוואה‬ ‫ללקוח‬ ‫לתת‬

24. ‫הלוואה‬ ‫בעיית‬
•‫האלגוריתם‬‫נוסחה‬ ‫לבחור‬ ‫כדי‬ ‫בעיה‬ ‫בנתוני‬ ‫משתמש‬ ‫למידה‬g:
•g: X -> Y
•‫ש‬ ‫כך‬-g‫תהי‬‫טוב‬ ‫קירוב‬‫ל‬-f
•‫האלגוריתם‬‫בוחר‬g‫נוסחאות‬ ‫של‬ ‫מאוסף‬H(‫השערות‬ ‫של‬ ‫אוסף‬)
•H‫אחד‬ ‫נוסחה‬ ‫רק‬ ‫להכיל‬ ‫יכול‬
•H‫לינאריות‬ ‫נוסחאות‬ ‫כל‬ ‫להכיל‬ ‫יכול‬
•‫חדש‬ ‫לקוח‬ ‫מגיע‬ ‫כאשר‬,‫ב‬ ‫ומשמש‬ ‫לקוח‬ ‫בנתוני‬ ‫מסתכל‬ ‫הבנק‬-g‫לתת‬ ‫האם‬ ‫להחליט‬ ‫כדי‬
‫לא‬ ‫או‬ ‫הלוואה‬ ‫ללקוח‬

25. ‫הלוואה‬ ‫בעיית‬
•‫האלגוריתם‬‫נוסחה‬ ‫לבחור‬ ‫כדי‬ ‫בעיה‬ ‫בנתוני‬ ‫משתמש‬ ‫למידה‬g:
•g: X -> Y
•‫ש‬ ‫כך‬-g‫תהי‬‫טוב‬ ‫קירוב‬‫ל‬-f
•‫האלגוריתם‬‫בוחר‬g‫נוסחאות‬ ‫של‬ ‫מאוסף‬H(‫השערות‬ ‫של‬ ‫אוסף‬)
•H‫אחד‬ ‫נוסחה‬ ‫רק‬ ‫להכיל‬ ‫יכול‬
•H‫לינאריות‬ ‫נוסחאות‬ ‫כל‬ ‫להכיל‬ ‫יכול‬
•‫ש‬ ‫נרצה‬ ‫אנו‬-g‫יהי‬‫טוב‬ ‫קירוב‬‫ל‬-f

26. ‫פורמלית‬ ‫בצורה‬ ‫למידה‬ ‫בעיית‬ ‫נגדיר‬ ‫כעת‬

27. ‫פורמלית‬ ‫בצורה‬ ‫למידה‬ ‫בעיית‬ ‫נגדיר‬ ‫כעת‬
• Spoiler

28. ‫פורמלית‬ ‫בצורה‬ ‫למידה‬ ‫בעיית‬ ‫נגדיר‬ ‫כעת‬
• Spoiler

29. ‫פורמלית‬ ‫בצורה‬ ‫למידה‬ ‫בעיית‬ ‫נגדיר‬ ‫כעת‬
• Spoiler

30. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y

31. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬

32. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)

33. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A

34. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H

35. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g

36. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬

37. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬

38. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬

39. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬

40. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬
‫תוצאה‬
‫סופית‬

41. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬
‫תוצאה‬
‫סופית‬

42. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬
‫תוצאה‬
‫סופית‬
‫ש‬ ‫מקווים‬-

43. ‫למידה‬ ‫בעיית‬ ‫של‬ ‫ראשונית‬ ‫הגדרה‬
‫מטרה‬ ‫פונקציה‬f:X->Y
‫ידוע‬ ‫לא‬ ‫הפונקציה‬
‫דטה‬–‫שאלה‬ ‫של‬ ‫נתונים‬
(x1,y1),(x2,y2),….,(xN,yN)
‫אלגוריתם‬
‫למידה‬A
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H
‫נוסחה‬(‫השערה‬)
‫סופית‬g
‫ולא‬ ‫קיים‬
‫שלנו‬ ‫בשליטה‬
‫בוחרים‬ ‫אנו‬
‫תוצאה‬
‫סופית‬
‫מקווים‬:
f~g

44. ‫הערות‬
•‫יותר‬ ‫מאוחר‬ ‫אותו‬ ‫להשלים‬ ‫ונצטרך‬ ‫מדויק‬ ‫לא‬ ‫הוא‬ ‫שהגדרנו‬ ‫המודל‬
•‫ומרכיביו‬ ‫המודל‬ ‫את‬ ‫להבין‬ ‫חשוב‬
•‫הצורך‬ ‫בעת‬ ‫בו‬ ‫ולהשתמש‬ ‫הציור‬ ‫את‬ ‫להדפיס‬ ‫אפשר‬

45. • Convex functions
• Linear functions
• Rectangles
• Cubic Splines
• Finite set of given functions
‫נוסחאות‬ ‫אוסף‬(‫השערות‬)
H

46. ‫דוגמא‬
•‫אימיילים‬ ‫של‬ ‫אוסף‬ ‫נתון‬
•‫מכתבי‬ ‫להבדיל‬ ‫שתוכל‬ ‫לומדת‬ ‫מערכת‬ ‫לפתח‬ ‫היא‬ ‫המטרה‬spam‫ממכתבים‬
‫אחרים‬
•‫קבעו‬‫מהו‬:X,Y,f:X->Y

47. ‫דוגמא‬
•‫השכלה‬ ‫שנות‬ ‫כמות‬ ‫סמך‬ ‫על‬ ‫אדם‬ ‫בן‬ ‫של‬ ‫משכורת‬ ‫חיזוי‬
•‫קבעו‬‫מהו‬:X,Y,f:X->Y

48. ‫סיכום‬
‫למידה‬ ‫בעיה‬ ‫להגדרת‬ ‫בסיסים‬ ‫מושגים‬ ‫הגדרנו‬:
‫למידה‬ ‫לבעיה‬ ‫ראשונית‬ ‫מודל‬ ‫הגדרנו‬

49. Links
Course videos:
https://goo.gl/osnGa7
1
Course slides:
https://www.slideshare.net/igorkl
einer5
2
Course Facebook group:
https://goo.gl/7WzpTU
3
email: igkleiner@gmail.com
4