Αυτοί οι μηχανισμοί επιτρέπουν σε μια έξυπνη μηχανή να βελτιώνει τις δυνατότητές της και την απόδοσή της με την πάροδο του χρόνου, μαθαίνοντας αυτόματα με εμπειρία για την εκτέλεση ορισμένων εργασιών, βελτιώνοντας την απόδοσή της όλο και περισσότερο με την πάροδο του χρόνου.
Ένα παράδειγμα είναι AlphaGo, Λογισμικό Machine Learning για το παιχνίδι Go που αναπτύχθηκε από Deepmind. Το AlpaGo ήταν το πρώτο λογισμικό ικανό να νικήσει έναν άνθρωπο κύριο στο παιχνίδι σε ένα αεροπλάνο Γκόμπαν τυπικό μέγεθος (19 × 19). Το λογισμικό AlphaGo εκπαιδεύτηκε παρατηρώντας εκατομμύρια κινήσεις που έκαναν οι παίκτες του Go κατά τη διάρκεια διαφορετικών παιχνιδιών και βάζοντας το μηχάνημα να παίζει εναντίον του, με αποτέλεσμα να νικήσει αυτόν που πιστεύεται ότι ήταν ο καλύτερος παίκτης στον κόσμο αυτού του παιχνιδιού.
Ας πάμε τώρα στις τρεις κύριες κατηγορίες μηχανικής μάθησης.
Το σύστημα λαμβάνει παραδείγματα με ετικέτα σύμφωνα με την επιθυμητή έξοδο. Δηλαδή, τα σύνολα δεδομένων που είναι χρήσιμα για την καθοδήγηση του μηχανήματος αποτελούνται από στοιχεία που αντιπροσωπεύουν πραγματικές καταστάσεις που αποτελούνται από δεδομένα εισόδου.χαρακτηριστικά"Και από δεδομένα εξόδου"στόχος". Με αναφορά στο παράδειγμα του άρθρου Τι είναι η Μηχανική Μάθηση, τι αφορά και τους στόχους της, η προετοιμασία της εκπαίδευσης ήταν εποπτευόμενου τύπου καθώς είχαμε μεμονωμένες περιπτώσεις δρομολογίων, για καθεμία από τις οποίες προσδιορίζονταν χαρακτηριστικά (όχημα, διαδρομή) και στόχος (χρόνος ταξιδιού). Τα σύνολα δεδομένων είναι συνήθως πολύ πιο περίπλοκα, το παράδειγμα ήταν εξαιρετικά περιορισμένο και διδακτικό, με στόχο την απλούστευση της κατανόησης της Εποπτευόμενης Μηχανικής Μάθησης.
Μια περίπτωση αυτού του τύπου επιτρέπει στον αλγόριθμο να μελετήσει τη βάση του τύπου διαδρομής και οχήματος, ποιος θα μπορούσε να είναι ο χρόνος ταξιδιού. Υπάρχουν δύο τύποι προβλημάτων στην εποπτευόμενη μηχανική εκμάθηση:
Επανεξετάζοντας το παράδειγμα των διαδρομών των αυτοκινητοδρόμων, μπορούμε να πούμε ότι πρόκειται για οπισθοδρόμηση. Εάν ο στόχος συνίστατο σε μια αξιολόγηση όπως: γρήγορα εάν είναι λιγότερο από μία ώρα, αργή μεταξύ 1 και δύο ωρών, πολύ αργή εάν υπερβαίνει τις δύο ώρες. Σε αυτή την περίπτωση θα ήταν πρόβλημα ταξινόμησης.
Δεν υπάρχουν δεδομένα με ετικέτα, είναι το σύστημα που, ξεκινώντας από τις εισόδους, πρέπει να βρει μια δομή στα δεδομένα. Πρακτικά δεν έχουμε στόχους, αλλά μόνο δεδομένα εισαγωγής. Λες και στο παράδειγμα είχαμε μόνο τα δεδομένα διαδρομής και οχήματος, αλλά όχι τα δεδομένα χρόνου ταξιδιού.
Σε αυτή την προσέγγιση, οι αλγόριθμοι πρέπει να προσδιορίζουν κατηγορίες αναζητώντας κρυφές δομές στα δεδομένα. Τα κύρια εργαλεία που μπορούν να χρησιμοποιηθούν στην προσέγγιση χωρίς επίβλεψη είναι τα ομαδοποίηση και κανόνες ένωσης.
Το σύστημα λαμβάνει δεδομένα από το περιβάλλον και αναλαμβάνει ενέργειες. Το σύστημα προσπαθεί να κάνει ενέργειες για να λάβει ανταμοιβές. Το σύστημα θα προσπαθήσει να εφαρμόσει ενέργειες που βελτιστοποιούν την ανταμοιβή ανάλογα με την κατάσταση του περιβάλλοντος περιβάλλοντος.
Το σύστημα ανταμοιβής υλοποιείται μέσω ενός στοιχείου, που ονομάζεται αντιπρόσωπος. Ο πράκτορας αποφασίζει μια ενέργεια που θα πραγματοποιηθεί στο περιβάλλον και από αυτό λαμβάνει μια ανταμοιβή και πιθανώς πληροφορίες για την κατάσταση του περιβάλλοντος, ως συνέπεια της δράσης που ξεκίνησε.
Για παράδειγμα, αν σκεφτούμε ένα σύστημα αφιερωμένο στο παιχνίδι του σκακιού, ο πράκτορας είναι το συστατικό που αποφασίζει την κίνηση, το περιβάλλον είναι το ίδιο το παιχνίδι. Ως συνέπεια κάθε κίνησης που κάνει ο πράκτορας, η κατάσταση του παιχνιδιού αλλάζει (εννοείται ως η τρέχουσα κατάσταση, η θέση όλων των κομματιών, επίσης ως συνέπεια της κίνησης του αντιπάλου), λαμβάνοντας ανατροφοδότηση ως το κομμάτι του αντιπάλου που φαγώθηκε, επομένως προορίζεται ως ανταμοιβή για την κίνηση. Με αυτόν τον τρόπο ο πράκτορας μαθαίνει και εκπαιδεύει τον εαυτό του.
Είναι επομένως προφανές ότι η επιλογή μεταξύ των τύπων μηχανικής μάθησης εξαρτάται από το πλαίσιο. Δηλαδή, ο τύπος προσέγγισης επιλέγεται με βάση τα διαθέσιμα δεδομένα και τη δυνατότητα ύπαρξης ιστορικού που περιλαμβάνει την περιγραφή των συνθηκών κάθε μεμονωμένης περίπτωσης (εισαγωγή), καθώς και ένα αποτέλεσμα (έξοδος). Έτσι, με ένα σύνολο δεδομένων αυτού του τύπου, μπορείτε να προχωρήσετε στη χρήση μιας εποπτευόμενης προσέγγισης.
Εάν, από την άλλη πλευρά, δεν έχετε τη δυνατότητα να γνωρίζετε εκ των προτέρων τα δεδομένα εξόδου (στόχο) ή θέλετε να ανακαλύψετε νέους στόχους, τότε είναι απαραίτητο να προσδιορίσετε συνδέσμους μεταξύ των δεδομένων εισόδου για να ανακαλύψετε καταστάσεις που δεν βιώθηκαν ποτέ στο ιστορία, ή να αντιμετωπίσει μια μάθηση προς ένα περιβάλλον που εξελίσσεται και αντιδρά. Σε αυτή την περίπτωση είναι απαραίτητο να επιλέξετε τεχνικές χωρίς επίβλεψη ή ενίσχυση.
Ercole Palmeri: Εθισμένος στην καινοτομία
Μια επέμβαση οφθαλμοπλαστικής με τη χρήση του διαφημιστικού προγράμματος προβολής Apple Vision Pro πραγματοποιήθηκε στην Πολυκλινική της Κατάνια…
Η ανάπτυξη λεπτών κινητικών δεξιοτήτων μέσω του χρωματισμού προετοιμάζει τα παιδιά για πιο σύνθετες δεξιότητες όπως η γραφή. Να χρωματίσω…
Ο ναυτικός τομέας είναι μια πραγματική παγκόσμια οικονομική δύναμη, η οποία έχει προσανατολιστεί προς μια αγορά 150 δισεκατομμυρίων...
Την περασμένη Δευτέρα, οι Financial Times ανακοίνωσαν συμφωνία με το OpenAI. Η FT αδειοδοτεί την παγκόσμιας κλάσης δημοσιογραφία της…
