Apa hubungan dan perbedaan antara teori pembelajaran statistik dan teori pembelajaran komputasi ?
Apakah mereka tentang topik yang sama? Memecahkan masalah yang sama, dan menggunakan metode yang sama?
Misalnya, yang pertama mengatakan itu adalah teori prediksi (regresi, klasifikasi, ...).
Jawaban:
Pembelajaran komputasi, lebih konkretnya kerangka kerja yang mungkin kira-kira tepat ( PAC ), menjawab pertanyaan-pertanyaan seperti: berapa banyak contoh pelatihan yang diperlukan untuk pelajar untuk belajar dengan probabilitas tinggi hipotesis yang baik? berapa banyak upaya komputasi yang harus saya pelajari dengan probabilitas tinggi hipotesis seperti itu? Itu tidak berurusan dengan classifier konkret Anda bekerja dengan. Ini tentang apa yang dapat dan tidak bisa Anda pelajari dengan beberapa sampel.
Dalam teori pembelajaran statistik, Anda lebih suka menjawab pertanyaan-pertanyaan semacam itu: berapa banyak sampel pelatihan yang akan diklasifikasi oleh pengklasifikasi sebelum telah terkonvergensi menjadi hipotesis yang baik? yaitu seberapa sulit untuk melatih classifier, dan jaminan apa yang saya miliki tentang kinerjanya?
Dengan menyesal saya tidak tahu sumber mana dua area ini dijelaskan / dibandingkan secara terpadu. Meski begitu, tidak banyak harapan yang bisa membantu
sumber