мації про приналежність кожного об'єкта зі навчальної послідовності того чи іншого класу, можна було б поставити іншу класифікаційну задачу - так звану задачу навчання без учителя. Задачу такого роду на описовому рівні можна сформулювати наступним чином: системі одночасно або послідовно пред'являються об'єкти без будь-яких вказівок про їх належність до класів. Вхідний пристрій системи відображає безліч об'єктів на безліч класів і, використовуючи деякий закладене в неї заздалегідь властивість разделимости класів, виробляє самостійну класифікацію цих об'єктів. Після такого процесу самонавчання система повинна придбати здатність до розпізнавання не тільки вже знайомих об'єктів (об'єктів з навчальної послідовності), але і тих, які раніше не пред'являлися. Процесом самонавчання деякої системи називається такий процес, в результаті якого ця система без підказки вчителя набуває здатності до вироблення однакових реакцій на зображення об'єктів одного і того ж образу і різних реакцій на зображення різних образів. Роль вчителя при цьому полягає лише в підказці системі деякого об'єктивного властивості, однакового для всіх образів і визначального здатність до поділу множини об'єктів на образи. Таким об'єктивним властивістю є властивість компактності образів. Взаємне розташування точок в обраному просторі вже містить інформацію про те, як слід розділити безліч точок. Ця інформація і визначає те властивість разделимости класів, що виявляється достатнім для самонавчання системи розпізнаванню класів.
Навчанням зазвичай називають процес вироблення в деякій системі тієї чи іншої реакції на групи зовнішніх ідентичних сигналів шляхом багаторазового впливу на систему зовнішньої коректування. Таку зовнішню коректування в навчанні прийнято називати заохоченнями і покараннями raquo ;. Механізм генерації цього коректування практично повністю визначає алгоритм навчання. Самонавчання відрізняється від навчання тим, що тут додаткова інформація про вірність реакції системі не повідомляється.
Більшість відомих алгоритмів самонавчання здатні виділяти тільки абстрактні класи, тобто компактні безлічі в заданих просторах. Різниця між ними полягає, в формалізації поняття компактності. Результат самонавчання характеризує придатність обраного простору для конкретного завдання навчання класифікації. Якщо абстрактні класи, що виділяються в процесі самонавчання, збігаються з реальними, то простір вибрано вдало. Чим сильніше абстрактні класи відрізняються від реальних, тим незручніше вбрання простір для конкретного завдання.
Адаптація - це процес зміни параметрів і структури системи, а можливо, і керуючих впливів на основі поточної інформації з метою досягнення певного стану системи при початковій невизначеності і змінюються умовах роботи.
Можливий спосіб побудови классифицирующих машин машин, заснований на розрізненні будь-яких ознак підлягають розпізнаванню фігур. В якості ознак може бути обрані різні особливості, наприклад, геометричні властивості (характеристики складових фігури кривих), топологічні властивості (взаємне розташування елементів фігури) і т.п. Відомі кластеризує машини, в яких розрізнення проводиться, по так званому методу зондів (рис. 2.3), тобто за кількістю перетинів контуру класу з декількома особливим чином розташованими прямими. Якщо проектувати класи на поле з зондами, то виявиться, що кожен з класів перетинає цілком певні зонди, причому комбінації перетинаються зондів різні для всіх класів. Ці комбінації і використовуються в якості ознак, за якими провадиться розрізнення класів. Такі машини успішно справляються, наприклад, з читанням машинописного тексту, але їх можливості обмежені тим шрифтом (або групою східних шрифтів), для якого була розроблена система ознак. Робота зі створення набору еталонних даних або системи ознак повинна проводитися людиною. Якість роботи машини, тобто надійність впізнавання пред'являються даних визначається якістю цієї попередньої підготовки і без участі людини не може бути підвищено. Описана машина не є студіюючої машиною.
Моделювання процесу навчання передбачає навчання, якому не передує повідомлення машині будь-яких відомостей про тих кластерах, розпізнаванню яких вона повинна навчитися; саме навчання полягає в пред'явленні машині деякого кінцевого числа об'єктів кожного кластера. В результаті навчання машина повинна виявитися здатною дізнаватися як завгодно велике число нових об'єктів, що відносяться до тих же класам. Таким чином, мається на увазі наступна схема експериментів:
а) ніякі відомості про які підлягають класифікації даних в машину заздалегідь не вводяться;
б) в ході навчання машині пред'являється деяка кількість об'єктів кожного з підлягають класифікації набору даних і (при моделюванні процесу навчання з учителем ) повідомляється, до якого класу належить коже...