Մեքենայի ուսուցման տեսակները

Machine Learning (ավտոմատ ուսուցում) տերմինը վերաբերում է արհեստական ​​ինտելեկտի աշխարհին պատկանող մեխանիզմների մի շարքին: Գոյություն ունի մեքենայական ուսուցման երեք տեսակ՝ վերահսկվող, չվերահսկվող և ամրապնդվող ուսուցում:

Այս մեխանիզմները հնարավորություն են տալիս խելացի մեքենային կատարելագործել իր հնարավորությունները և կատարողականությունը ժամանակի ընթացքում, ինքնաբերաբար սովորելով փորձով կատարել որոշակի առաջադրանքներ, ժամանակի ընթացքում ավելի ու ավելի բարելավելով դրա կատարողականությունը: 

Օրինակ է AlphaGo, Machine Learning ծրագրակազմ Go խաղի համար մշակված կողմից DeepMind- ը. AlpaGo-ն առաջին ծրագրաշարն էր, որն ընդունակ էր հաղթել մարդու վարպետին ինքնաթիռում Գոբան ստանդարտ չափս (19 × 19): AlphaGo ծրագրակազմը մշակվել է տարբեր խաղերի ընթացքում Go խաղացողների կատարած միլիոնավոր շարժումները դիտարկելով և մեքենան իր դեմ խաղալով, ինչի արդյունքում այն ​​կարողացել է հաղթել նրան, ով համարվում էր այս խաղի աշխարհի լավագույն խաղացողը:

Եկեք հիմա անցնենք մեքենայական ուսուցման երեք հիմնական կատեգորիաներին:

Վերահսկվող ուսուցում

Համակարգը ստանում է օրինակներ՝ պիտակավորված ըստ ցանկալի արդյունքի: Այսինքն՝ մեքենայի հրահանգավորման համար օգտակար տվյալների հավաքածուները կազմված են տարրերից, որոնք ներկայացնում են իրական իրավիճակներ՝ կազմված մուտքային տվյալներից»:Հատկություններ«Եվ ելքային տվյալներից»թիրախ«. Հոդվածի օրինակին հղումով Ինչ է մեքենայական ուսուցումը, ինչի մասին է այն և դրա նպատակները, ուսուցման նախապատրաստումը եղել է վերահսկվող տիպի, քանի որ ունեցել ենք երթուղիների առանձին դեպքեր, որոնցից յուրաքանչյուրի համար նշվում են առանձնահատկությունները (մեքենա, երթուղի) և թիրախը (ճանապարհորդության ժամանակը)։ Տվյալների հավաքածուները սովորաբար շատ ավելի բարդ են, օրինակը չափազանց սահմանափակ և դիդակտիկ էր՝ նպատակ ունենալով պարզեցնել վերահսկվող մեքենայական ուսուցման ըմբռնումը:

Այս տիպի դեպքը թույլ է տալիս ալգորիթմին ուսումնասիրել երթուղու տեսակի և տրանսպորտային միջոցի հիմքը, որը կարող է լինել ճանապարհորդության ժամանակը: Վերահսկվող մեքենայական ուսուցման մեջ կան երկու տեսակի խնդիրներ.

1. հետընթացերբ թիրախը կազմված է շարունակական փոփոխականից, դա մեծություն է, թիվ.
2. դասակարգումըԵրբ թիրախը կարող է ներկայացվել դասի կամ կատեգորիայի միջոցով:

Վերանայելով ավտոմայրուղու երթուղիների օրինակը՝ կարելի է ասել, որ այն հետընթաց է։ Եթե ​​թիրախը բաղկացած էր այնպիսի գնահատականից, ինչպիսին է՝ արագ, եթե մեկ ժամից պակաս է, դանդաղ՝ 1-ից երկու ժամ, շատ դանդաղ, եթե ավելի քան երկու ժամ: Այս դեպքում դա դասակարգման խնդիր կլիներ։

Չվերահսկվող ուսուցում

Չկան պիտակավորված տվյալներ, դա համակարգն է, որը, սկսած մուտքերից, պետք է տվյալների մեջ կառուցվածք գտնի։ Մենք գործնականում թիրախներ չունենք, այլ միայն մուտքագրված տվյալներ: Կարծես օրինակում մենք ունեինք միայն երթուղու և տրանսպորտային միջոցի տվյալներ, բայց ոչ ճամփորդության ժամանակի տվյալներ։

Այս մոտեցման դեպքում ալգորիթմները պետք է բացահայտեն կատեգորիաները՝ փնտրելով թաքնված կառույցներ տվյալների մեջ: Հիմնական գործիքները, որոնք կարող են օգտագործվել չվերահսկվող մոտեցման մեջ կլաստերացում իսկ ասոցիացիայի կանոնները.

Ամրապնդող ուսուցում

Համակարգը մուտք է ստանում շրջակա միջավայրից և ձեռնարկում գործողություններ: Համակարգը փորձում է գործողություններ կատարել՝ պարգևներ ստանալու համար։ Համակարգը կփորձի իրականացնել գործողություններ, որոնք օպտիմալացնում են պարգևը՝ կախված շրջակա միջավայրի վիճակից: 

Պարգևատրման համակարգը իրականացվում է բաղադրիչի միջոցով, որը կոչվում է գործակալ. Գործակալը որոշում է շրջակա միջավայրի նկատմամբ իրականացվելիք գործողություն և դրանից էլ ստանում է պարգեւատրում և, հնարավոր է, տեղեկատվություն շրջակա միջավայրի վիճակի մասին՝ նախաձեռնված գործողության հետևանքով։

Օրինակ, եթե մտածենք շախմատի խաղին նվիրված համակարգի մասին, ապա գործակալը այն բաղադրիչն է, որը որոշում է քայլը, միջավայրը հենց խաղն է: Գործակալի կատարած յուրաքանչյուր քայլի հետևանքով խաղի վիճակը փոխվում է (հասկացվում է որպես ներկա իրավիճակ, բոլոր խաղաքարերի դիրքը, նաև հակառակորդի քայլի հետևանքով), ստանալով արձագանք, որպես հակառակորդի կերած կտոր, հետևաբար. նախատեսված է որպես վարձատրություն տեղափոխության համար: Այս կերպ գործակալը սովորում է և ինքն իրեն կրթում։

եզրակացությունները

Հետևաբար ակնհայտ է, որ մեքենայական ուսուցման տեսակների միջև ընտրությունը կախված է համատեքստից: Այսինքն՝ մոտեցման տեսակն ընտրվում է՝ ելնելով առկա տվյալներից և պատմություն ունենալու հնարավորությունից, որը ներառում է յուրաքանչյուր առանձին դեպքի (ներածում) հանգամանքների նկարագրությունը, ինչպես նաև արդյունք (ելք): Այսպիսով, այս տեսակի տվյալների հավաքածուի դեպքում կարող եք անցնել վերահսկվող մոտեցման օգտագործմանը:

Եթե, մյուս կողմից, դուք հնարավորություն չունեք ելքային տվյալները (թիրախը) a priori իմանալ, կամ ցանկանում եք հայտնաբերել նոր թիրախներ, ապա անհրաժեշտ է բացահայտել մուտքային տվյալների միջև կապերը՝ բացահայտելու այն հանգամանքները, որոնք երբեք չեն եղել: պատմությունը կամ ծանոթանալ մի միջավայրի վրա, որը զարգանում և արձագանքում է: Այս դեպքում անհրաժեշտ է ընտրել չվերահսկվող կամ ամրապնդման տեխնիկա:

Ercole PalmeriՆորարարության կախվածություն