В главе формулируются основные задачи символьного машинного обучения, цель которых выделение из данных логических правил и закономерностей, включающих функциональные, импликативные зависимости, ассоциативные правила, паттерны, удовлетворяющие различным ограничениям и многие другие. Приводится Apriori-алгоритм, решающий перечисленные задачи символьного машинного обучения. Предлагается логико-комбинаторная нейроподобная обучаемая сеть, позволяющая эффективно реализовать Apriori-подобный универсальный индуктивный метод выделения зависимостей из данных. Функционирование нейроподобной логико-комбинаторной сети описывается на примерах выделения из данных хороших максимально избыточных и безызбыточных хороших классификационных тестов. Предлагаются новые подходы снижения вычислительной сложности алгоритмов, легко реализуемые на логико-комбинаторных нейроподобных сетях.

In this chapter, the main tasks of symbolic machine learning are formulated for inferring logical rules and dependencies from data including functional and implicative dependencies, association rules, pattern satisfying some special requirements and many others. The Apriori algorithm solving the tasks listed above is described. A neural-like logicalcombinatorial network is proposed to effectively realize Apriori-like universal inductive method for extracting logical dependencies from data. Functioning the neural-like logicalcombinatorial network is described for the task of inferring good maximally redundant and irredundant classification tests from data. New approaches are proposed for reducing the computational complexity of algorithms. They are easily implemented on neural-like logicalcombinatorial networks.

Машинное обучение в исследованиях медико-биологических и социально-экономических данных: сборник научных трудов / Санкт-Петербургский политехнический университет Петра Великого; под редакцией К. А. Найденовой [и др.]. — Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2020 (Санкт-Петербург, 2020). — 1 файл (12,3 Мб). — Загл. с титул. экрана. — Содерж. и рез. на англ. яз. — Электронная копия печатной публикации 2020 г. — Доступ по паролю из сети Интернет (чтение, печать). — <URL:http://elib.spbstu.ru/dl/2/id20-58.pdf>. — DOI 10.18720/SPBPU/2/id20-58. — Текст: электронный