Типы машинного обучения

Термин Machine Learning (автоматическое обучение) относится к набору механизмов, принадлежащих миру искусственного интеллекта. Существует три типа машинного обучения: контролируемое, неконтролируемое и обучение с подкреплением.

Эти механизмы позволяют интеллектуальной машине со временем улучшать свои возможности и производительность, автоматически обучаясь с опытом для выполнения определенных задач, все больше и больше улучшая свою производительность. 

Примером является AlphaGo, программное обеспечение машинного обучения для игры в го, разработанное DeepMind. AlpaGo была первой программой, способной победить человека-мастера в игре на самолете. Гобан стандартный размер (19×19). Программное обеспечение AlphaGo было обучено путем наблюдения за миллионами ходов, сделанных игроками в го во время различных игр, и заставляя машину играть против самой себя, в результате чего оно смогло победить того, кого считали лучшим игроком в мире этой игры.

Давайте теперь перейдем к трем основным категориям машинного обучения.

контролируемое обучение

Система получает примеры, помеченные в соответствии с желаемым результатом. То есть наборы данных, полезные для управления машиной, состоят из элементов, представляющих реальные ситуации, составленные из входных данных.функции"И из выходных данных"цель". На примере статьи Что такое машинное обучение, для чего оно нужно и его задачи, подготовка обучения носила контролируемый характер, так как у нас были отдельные случаи маршрутов, для каждого из которых были указаны характеристики (транспортное средство, маршрут) и цель (время в пути). Наборы данных обычно намного сложнее, пример был чрезвычайно ограниченным и дидактическим с целью упростить понимание машинного обучения с учителем.

Случай такого типа позволяет алгоритму изучить на основе типа маршрута и транспортного средства, какое может быть время в пути. В контролируемом машинном обучении есть два типа проблем:

1. регрессия: когда цель состоит из непрерывной переменной, то есть количества, числа;
2. классификация: когда цель может быть представлена ​​классом или категорией.

Возвращаясь к примеру с автомагистралями, можно сказать, что это регресс. Если цель состояла из таких оценок, как: быстро, если менее часа, медленно, от 1 до двух часов, очень медленно, если более двух часов. В этом случае это была бы проблема классификации.

Неконтролируемое обучение

Размеченных данных нет, это система, которая, исходя из входных данных, должна найти в данных структуру. Целей у нас практически нет, а есть только исходные данные. Как если бы в примере у нас были только данные о маршруте и транспортном средстве, но не данные о времени в пути.

При таком подходе алгоритмы должны идентифицировать категории путем поиска скрытых структур в данных. Основными инструментами, которые можно использовать при неконтролируемом подходе, являются кластеризации и правила ассоциации.

Обучение с подкреплением

Система получает информацию из внешней среды и выполняет действия. Система пытается предпринять действия для получения вознаграждения. Система попытается реализовать действия, оптимизирующие вознаграждение в зависимости от состояния окружающей среды. 

Система вознаграждения реализована через компонент, называемый агент. Агент решает, какое действие над окружающей средой будет выполнено, и от этого он получает одно вознаграждение и, возможно, информацию о состоянии окружающей среды в результате начатого действия.

Например, если мы думаем о системе, предназначенной для игры в шахматы, агент — это компонент, который решает ход, а среда — это сама игра. В результате каждого отдельного хода, сделанного агентом, меняется состояние игры (понимаемое как текущая ситуация, положение всех фигур, а также как следствие хода противника), получая обратную связь в виде съеденной фигуры противника, поэтому предназначена в качестве награды за переезд. Таким образом агент учится и воспитывает себя.

выводы

Поэтому очевидно, что выбор между типами машинного обучения зависит от контекста. То есть тип подхода выбирается на основе имеющихся данных и возможности иметь историю, включающую описание обстоятельств каждого отдельного случая (вход), а также результат (выход). Таким образом, с набором данных этого типа вы можете перейти к использованию контролируемого подхода.

Если, с другой стороны, у вас нет возможности знать выходные данные (цель) априори, или вы хотите обнаружить новые цели, то необходимо выявить связи между входными данными для обнаружения обстоятельств, никогда не имевших место в исходной ситуации. истории, или столкнуться с изучением окружающей среды, которая развивается и реагирует. В этом случае необходимо выбрать методы без присмотра или подкрепления.

Ercole Palmeri: Пристрастие к инновациям