Проблема извлечения и последующего накопления знаний в конечном счете сводится к знаниям о модели, которые формализуются путем оценивания ее характеристик. Последнее интерпретируется как обучение модели с использованием данных. Современное представление о машинном обучении предполагает, что его результатом являются «обученные» детерминированные модели, снабженные эмпирическими вероятностными оценками их достоверности.

В настоящей монографии развивается новое направление в машинном обучении — рандомизированное машинное обучение, которое направлено на генерацию ансамблей энтропийно «обученных» рандомизированных моделей. Если иметь в виду, что процедуры машинного обучения применяются к задачам с достаточно высоким уровнем неопределенности (не вполне достоверные данные, неполнота знаний о моделируемом процессе, и др.), то переход к энтропийно-рандомизированной концепции машинного обучения может оказаться полезным и эффективным инструментом решения прикладных задач.

Книга может быть полезной для студентов, аспирантов и научных работников, интересующихся теоретическими аспектами машинного обучения и анализа данных, а также их приложениями в различных практических областях.