Disertacija opisuje novo metodo strojnega učenja - metodo mejnih parov. Opisana metoda je namenjena učenju večslojnega perceptrona, nevronske mreže s povezavami naprej, ki služi za prepoznavanje oziroma razvrščanje v razrede. Uvodoma je opisana problematika strojnega učenja, nevronska mreža večslojni perceptron (MLP) in njena klasična učna metoda backpropagation s poudarkom na njenih slabostih. V jedru disertacije najprej analiziramo lastnosti naučenega MLP. Pri tem se osredotočimo na učne vzorce v bližini meje in definiramo pojemmejnega para. Sledi analiza lastnosti mejnih parov, ki je podlaga za novometodo razšumljanja, za novo metodo rojenja, in novo metodo konstruktivnega učenja. To učenje je lahko statično (offline), inkrementalno, dinamično (online) in s postopnim pozabljanjem starih učnih podatkov. Razšumljanje, rojenje in učenje smo testirali s simulacijo na računalniku. V ta namen smo uporabljali uveljavljene nabore učnih podatkov (zaradi primerljivosti rezultatov), realne nabore učnih podatkov (kot dokaz uporabnosti), kot tudi umetne (zaradi prilagajanja učnih podatkov našim potrebam). Primerjalna analiza je pokazala, da ima metoda mejnih parov nekaj dobrih lastnosti. Z njo smo uspešno razšumljali in rojili podatke, iskali značilke ter razvrščali podatke. Rezultati raziskav kažejo, da je obravnavana metoda zanesljiva, natančna, konstruktivna in odporna na šum in prekomerno učenje.

Pravice