کمینه‌سازی ریسک تجربی

یادگیری ماشین و داده‌کاوی
موضوع‌ها طبقه‌بندی آماری خوشه‌بندی تحلیل رگرسیون روش تشخیص ناهنجاری یادگیری قانون وابستگی یادگیری تقویتی پیش‌بینی ساختاریافته مهندسی ویژگی یادگیری ویژگی یادگیری ماشین برخط یادگیری نیمه‌نظارتی یادگیری بی‌نظارت Learning to rank Grammar induction
یادگیری با نظارت (طبقه‌بندی آماری • تحلیل رگرسیون) یادگیری درخت تصمیم Ensembles (تکنیک بگینگ، بوستینگ، جنگل تصادفی) k-NN رگرسیون خطی دسته‌بندی کننده بیز ساده شبکه‌های عصبی مصنوعی رگرسیون لجستیک پرسپترون ماشین بردار مرتبط (RVM) ماشین بردار پشتیبانی
خوشه‌بندی کاهش و خوشه‌بندی ترازمند و بازکردی با بهره‌گیری از رده‌بندی خوشه‌بندی سلسله‌مراتبی خوشه‌بندی کی-میانگین الگوریتم امید ریاضی–بیشینه کردن DBSCAN OPTICS انتقال میانگین
کاهش ابعاد تحلیل عاملی CCA تحلیل مؤلفه‌های مستقل آنالیز افتراقی خطی فاکتورگیری نامنفی ماتریس تحلیل مؤلفه‌های اصلی t-SNE
پیش‌بینی ساختاریافته مدل‌های گرافیکی (شبکه‌های بیزی، میدان تصادفی شرطی، مدل پنهان مارکف) مدل‌های توالی به توالی (سک۲سک) (مدل‌های ترنسفورمر مثل برت یا جی‌پی‌تی) ماشین بردار پشتیبان ساختاریافته برنامه‌ریزی خطی صحیح (ILP) مدل‌های مبتنی بر انرژی
روش تشخیص ناهنجاری الگوریتم کی-نزدیکترین همسایه فاکتور پرتی محلی
شبکه عصبی مصنوعی خودرمزگذار یادگیری عمیق پرسپترون چندلایه شبکه‌های عصبی بازگشت‌کننده (RNN) ماشین بولتزمن محدود شده ترانسفورمر بینایی نقشه‌های خودسازمان‌دهنده (SOM) شبکه عصبی پیچشی
یادگیری تقویتی کیو-یادگیری سارسا (SARSA) یادگیری تفاوت زمانی یادگیری تقویتی چندعاملی خودبازی
یادگیری با انسان یادگیری فعال جمع‌سپاری انسان در حلقه یادگیری تقویتی از بازخورد انسانی (RLHF)
عیب‌یابی مدل ضریب تعیین ماتریس درهم‌ریختگی الگو:منحی یادگیری (یادگیری ماشین) منحنی مشخصه عملکرد سیستم
نظریه معضل بایاس-واریانس نظریه یادگیری محاسباتی کمینه‌سازی ریسک تجربی اصل یادگیری اوکام یادگیری احتمالاً تقریبا صحیح یادگیری آماری نظریه VC
حوزه‌های یادگیری ماشین کنفرانس سیستم‌های پردازش اطلاعات عصبی (NIPS) کنفرانس بین‌المللی یادگیری ماشین (ICML) مجله یادگیری ماشین (ML) ژورنال پژوهش‌های یادگیری ماشین (JMLR) آرشیو یادگیری ماشین ArXiv:cs.LG

در نظریه یادگیری آماری، اصل به کمینه‌سازی ریسک تجربی (به انگلیسی: empirical risk minimization) یا کمینه‌سازی احتمال خطر عملی خانواده‌ای از الگوریتم‌های یادگیری را بر اساس ارزیابی عملکرد بر روی یک مجموعه داده مشخص و ثابت تعریف می‌کند. ایده اصلی مبتنی بر کاربرد قانون اعداد بزرگ است؛ ما نمی‌توانیم دقیقاً بدانیم که یک الگوریتم پیش‌بینی در عمل چقدر خوب کار می‌کند (یعنی "ریسک واقعی") زیرا از توزیع واقعی داده‌ها اطلاعی نداریم، اما در عوض می‌توانیم عملکرد الگوریتم را بر روی یک مجموعه شناخته شده از داده‌های آموزشی برآوردکرده و بهینه کنیم. عملکرد روی مجموعه شناخته شده داده‌های آموزشی به عنوان "ریسک تجربی" نامیده می‌شود.

مشارکت‌کنندگان ویکی‌پدیا. «Empirical risk minimization». در دانشنامهٔ ویکی‌پدیای انگلیسی، بازبینی‌شده در ۲۰ دسامبر ۲۰۲۴.