मशीन लर्निंग बनाम सिस्टम आइडेंटिफिकेशन?

Question

क्या कोई मुझे मशीन सीखने और सिस्टम पहचान के बीच अंतर और समानता समझा सकता है? क्या ये दोनों एक ही चीज़ के दो नाम हैं? में इस पेज , वे कहते हैं:

मशीन लर्निंग और सिस्टम आइडेंटिटी समुदायों को समान समस्याओं का सामना करना पड़ता है जहां किसी को सीमित या शोर टिप्पणियों से मॉडल बनाने की आवश्यकता होती है।

मैंने क्रिस्टोफर एम। बिशप द्वारा प्रसिद्ध पुस्तक पैटर्न रिकॉग्निशन एंड मशीन लर्निंग के शुरुआती अध्यायों को भी पढ़ा है। अब तक, मेरा निष्कर्ष यह है कि सिस्टम पहचान को हल करने के लिए जिस समस्या को हल करने की कोशिश कर रहा है, वह एक सबसेट है जो मशीन लर्निंग हल करने की कोशिश कर रहा है।

Answer 1

सिस्टम पहचान अवलोकन डेटा से डायनामिकल मॉडल के निर्माण का विज्ञान है। दो मुख्य दृष्टिकोण हैं: भविष्यवाणी त्रुटि पहचान (PEI) और उपक्षेत्र पहचान (SID)। वे दोनों एक तथाकथित पैरामीट्रिक मॉडल प्रदान कर रहे हैं, यह कहना है, एक निश्चित संरचना का एक मॉडल। आमतौर पर यह मामला है कि उपयोगकर्ता अंतर्निहित प्रणाली की संरचना का चयन करता है (विशेषकर PEI विधियों में) या कम से कम सिस्टम के आदेश (दोनों विधियों में)। भले ही यह आवश्यक नहीं है, एक कम आदेश प्रणाली की मांग की जाती है (यह कहना है, आधार गुणांक की संख्या अपेक्षाकृत कम है) क्योंकि इसका उपयोग अक्सर नियंत्रण उद्देश्यों के लिए किया जाता है, इसलिए हमें इसे बचने के लिए यथासंभव सरल रखना होगा कम्प्यूटेशनल मुद्दों आदि इस मॉडल का उपयोग कुछ इनपुट दिए गए सिस्टम के भविष्य के व्यवहार के बारे में भविष्यवाणियां करने के लिए किया जा सकता है।

दूसरी ओर, मशीन लर्निंग (एमएल) की दो मुख्य शाखाएं हैं, वर्गीकरण और प्रतिगमन एल्गोरिदम। बाद वाले भी भविष्यवाणी उद्देश्यों के लिए उपयोग किए जाते हैं। मशीन लर्निंग में दो सबसे प्रसिद्ध दृष्टिकोण सपोर्ट वेक्टर मशीनें (एसवीएम) और गॉसियन प्रक्रियाएं (जीपी) हैं। सिस्टम पहचान तकनीकों के साथ मुख्य अंतर यह है कि एमएल तकनीक एक गैर पैरामीट्रिक मॉडल वितरित कर रही हैं। उत्तरार्द्ध का मतलब है कि नए इनपुट के लिए भविष्यवाणी मॉडल के "प्रशिक्षण" (सीखने, पहचान) के लिए उपयोग किए जाने वाले डेटा बिंदुओं के एक फ़ंक्शन के रूप में दी गई है। इसलिए, यदि हमने प्रशिक्षण के लिए N = 1000 डेटा बिंदुओं का उपयोग किया है, तो भविष्यवाणी को इन डेटा बिंदुओं के एक फ़ंक्शन के रूप में व्यक्त किया जाएगा। एमएल के तरीके अधिक लचीले होते हैं क्योंकि उन्हें उपयोगकर्ता से किसी भी संरचना के चयन की आवश्यकता नहीं होती है, लेकिन वे अन्य सीमाओं (जैसे) का सामना करते हैं

हाल ही में जब तक एमएल और सिस्टम पहचान तकनीक स्वतंत्र रूप से विकसित हो रहे थे। लेकिन बाद के वर्षों में एक सामान्य आधार स्थापित करने का एक बड़ा प्रयास है (उदाहरण के लिए, पेपर को "सिस्टम पहचान के साथ चार मुठभेड़ों" देखें "लुंग से")

Answer 2

प्रसंग: SysID और उस व्यक्ति को नियंत्रित करता है जो ML में मिला है।

मुझे लगता है कि user110686 का जवाब कुछ अंतरों को समझाने का एक अच्छा काम करता है। SysID जरूरी इनपुट / आउटपुट डेटा से गतिशील मॉडल के बारे में है, जबकि एमएल समस्याओं की एक व्यापक श्रेणी को कवर करता है। लेकिन सबसे बड़ा अंतर जो मुझे दिखाई देता है वह है (ए) मेमोरी (मापदंडों की संख्या); (बी) "सीखा" मॉडल का अंत उपयोग। सिस्टम आइडेंटिफिकेशन फ्रीक्वेंसी डोमेन रिप्रेजेंटेशन, टाइम-फ्रीक्वेंसी एनालिसिस आदि को देखते हुए सिग्नल प्रोसेसिंग का तरीका है। कुछ एमएल लोग इसे "फीचर इंजीनियरिंग" कहते हैं।

(एक याद:एक अनुसंधान क्षेत्र के आकार के रूप में SysID एमएल से पहले प्रमुख बन गया। इसलिए आंकड़े और सिग्नल प्रोसेसिंग सैद्धांतिक नींव के लिए प्राथमिक आधार थे, और गणना डर ​​गई थी। इसलिए, लोगों ने बहुत ही साधारण श्रेणी के मॉडल (बायस-वेरिएंस ट्रेडऑफ) के साथ बहुत कम मापदंडों के साथ काम किया। हम ज्यादातर 30-40 मापदंडों और ज्यादातर रैखिक मॉडल पर बात कर रहे हैं, यहां तक ​​कि उन मामलों के लिए जहां लोग स्पष्ट रूप से जानते हैं कि समस्या गैर-रैखिक है। हालाँकि, अब गणना बहुत सस्ती है, लेकिन SysID अभी तक अपने खोल से बाहर नहीं आया है। लोगों को यह महसूस करना शुरू करना चाहिए कि हमारे पास अभी बहुत बेहतर सेंसर हैं, आसानी से बहुत अमीर मॉडल सेट के साथ अधिकतम मापदंडों का अनुमान लगा सकते हैं। कुछ शोधकर्ताओं ने SysID के लिए तंत्रिका नेटवर्क का उपयोग करने का प्रयास किया है, लेकिन कई इसे "मुख्यधारा" के रूप में स्वीकार करने के लिए अनिच्छुक लगते हैं क्योंकि कई सैद्धांतिक गारंटी नहीं हैं।

(b) सीखे हुए मॉडल का अंतिम उपयोग: अब यह एक बात है SysID बहुत सही हो गया है, लेकिन कई एमएल एल्गोरिदम कैप्चर करने में विफल रहते हैं। यह पहचानना महत्वपूर्ण है कि लक्ष्य अनुप्रयोगों के लिए, आप आवश्यक रूप से ऐसे मॉडल का निर्माण कर रहे हैं जिनका उपयोग ऑनलाइन अनुकूलन के लिए प्रभावी रूप से किया जा सकता है ।इन मॉडलों का उपयोग किए गए किसी भी नियंत्रण निर्णय को प्रचारित करने के लिए किया जाएगा, और इसे एक इष्टतम नियंत्रण समस्या के रूप में स्थापित करते समय, मॉडल बाधा बन जाते हैं। इसलिए जब एक अत्यंत जटिल मॉडल संरचना का उपयोग किया जाता है, तो यह ऑनलाइन अनुकूलन को और अधिक कठिन बना देता है। यह भी ध्यान दें कि ये ऑनलाइन निर्णय सेकंड या उससे कम के पैमाने में किए गए हैं। एक वैकल्पिक प्रस्ताव इष्टतम नियंत्रण के लिए ऑफ-पॉलिसी तरीके से सीधे मूल्य समारोह सीखना है। यह मूल रूप से सुदृढीकरण सीखने है, और मुझे लगता है कि SIDID और RL के बीच अच्छा तालमेल है।

Comments

कंप्यूटर साइंस स्टैक एक्सचेंज, अरविंद में आपका स्वागत है !

— डेविड रिचेर्बी

Answer 3

मैं जोड़ना चाहूंगा कि सिस्टम पहचान के लिए गैर-पैरामीट्रिक दृष्टिकोण भी हैं। विवरण के लिए MATLAB के SysId टूलबॉक्स या Ljung की पुस्तक देखें। गैर पैरामीट्रिक दृष्टिकोण अक्सर बाद में पैरामीट्रिक अध्ययन के लिए मॉडल के वर्ग की पहचान करने के लिए उपयोग किया जाता है। इसके अलावा, अनुमान की समस्या को नियंत्रण समस्या से अलग करना महत्वपूर्ण है (सोचें Ooda लूप)। एक प्रणाली की पहचान करने में यह अक्सर लक्ष्य होता है कि बिना किसी विशिष्ट प्रकार के इनपुट इनपुट के बिना सिस्टम को चिह्नित करें जो बाद में डिज़ाइन किया जाएगा (लेकिन यह हमेशा संभव नहीं है)। अंत में, मुझे लगता है कि यह महसूस करना सहायक है कि एक प्रणाली गणितीय बिंदु से एक ऑपरेटर है जो एक फ़ंक्शन स्पेस को फ़ंक्शन स्पेस में मैप करता है। इसलिए अंतर समीकरण अक्सर पहचाने जाने वाली चीजों के प्रकार होते हैं और ये मानचित्र कार्यों के लिए कार्य करते हैं। SysID में कार्य अक्सर समय के निरंतर कार्य हैं, उर्फ ​​निरंतर-समय संकेत। (लेकिन वे असतत समय भी हो सकते हैं।) इस प्रकार, SysID केवल वास्तविक संख्या (या वैक्टर) को वास्तविक संख्या (या वैक्टर) में मैप करने का प्रयास नहीं कर रहा है; यह सबसे अच्छे ऑपरेटर (LTI, LTV, नॉन-लीनियर इत्यादि) की पहचान करना चाहता है जो इनपुट सिग्नल को आउटपुट सिग्नल पर मैप करता है।

Answer 4

मशीन लर्निंग: स्थिर मॉडल और गतिशील मॉडल के लिए मॉडलिंग, सिस्टम पहचान: गतिशील मॉडल या गतिशील प्रक्रिया पर ध्यान केंद्रित

Comments

आप जवाब थोड़ा सा कठिन है, क्या आप अपने जवाब को थोड़ा और विस्तार दे सकते हैं - उदाहरण के लिए मशीन मॉडलिंग डायनामिक मॉडलिंग और सिस्टम आइडेंटिफ़िकेशन डायनामिक मॉडलिंग सीखने के बीच क्या अंतर है (यदि कोई हो - मैं कोई विशेषज्ञ नहीं हूँ) - या हैं आप कह रहे हैं कि सिस्टम की पहचान केवल डायनेमिक मशीन लर्निंग पर केंद्रित है, जबकि व्यापक क्षेत्र में एक स्थिर घटक है? (इसे बेहतर बनाने के लिए आप अपने उत्तर का विस्तार कैसे कर सकते हैं, इसके बारे में विचार - शायद वे अच्छे नहीं हैं)

— ल्यूक मैथिसन