Machine Learning • ML • Gépi tanulás
Mi az a gépi tanulás?
A gépi tanulás a mesterséges intelligencia (AI) egy részhalmaza, amely lehetővé teszi a számítógépek számára, hogy a tapasztalatokból tanuljanak, és idővel fejlődjenek. Prediktív modellek kidolgozására használják, amelyek segítségével döntéseket hozhatnak vagy előrejelzéseket hozhatnak a jövőbeli eseményekről.
Gépi tanulás 4 típusa:
- Felügyelt tanulás
- Felügyelet nélküli tanulás
- Félig felügyelt tanulás
- Megerősítő tanulás
A gépi tanulás a számítástechnika olyan területe, amely lehetővé teszi a számítógépek számára, hogy kifejezetten programozás nélkül tanuljanak. A gépi tanulást számos alkalmazásban alkalmazzák, beleértve az e-mail spamszűrést, az optikai karakterfelismerést és az orvosi diagnosztikát.
A gépi tanulás egy olyan folyamat, amelyben a számítógépek adatokat használnak fel arra, hogy megtanulják, hogyan végezzenek önállóan dolgokat. Ez magában foglalhatja a tárgyak felismerését a képeken, a természetes nyelv megértését vagy az eredmények előrejelzését.
Milyen típusú gépi tanulás létezik?
A gépi tanulás négy típusba sorolható:
Felügyelt tanulás: Az ilyen típusú gépi tanulásban a modell egy címkézett adatkészleten van betanítva. Vagyis a helyes választ (címkét) az adatokkal együtt közöljük. A modell ezekből az adatokból tanul, és a tanult ismereteket új adatokra alkalmazza. A felügyelt tanulási algoritmusok példái közé tartozik a lineáris regresszió, a döntési fák, a k-közelebbi szomszédok és a támogató vektorgépek.
Felügyelet nélküli tanulás: Ellentétben a felügyelt tanulással, a nem felügyelt tanulás során a modell nem kapja meg a helyes válaszokat. A modellnek önmagában kell struktúrát találnia a bemenetében. Gyakran használják klaszterezésre, méretcsökkentésre és anomáliák észlelésére. A nem felügyelt tanulási algoritmusok példái közé tartozik a k-means klaszterezés, a hierarchikus klaszterezés és a főkomponens-elemzés.
Félig felügyelt tanulás: Az ilyen típusú gépi tanulás a felügyelt és a nem felügyelt tanulás között helyezkedik el. A félig felügyelt tanulás során a modellt címkézett és címkézetlen adatok kombinációjára tanítják. Ez a módszer akkor hasznos, ha az adatok címkézésének költsége túl magas.
Megerősítő tanulás: A megerősítő tanulás során az ügynök megtanulja, hogyan viselkedjen egy környezetben azáltal, hogy cselekvéseket hajt végre, és jutalmakat vagy büntetéseket kap. Az ügynök megtanul egy politikát, amely az állapotok és a cselekvések közötti leképezés. Az ügynök célja egy olyan politika elsajátítása, amely idővel maximalizálja a jutalmak összegét. A megerősítő tanulási algoritmusok példái közé tartozik a Q-learning és a Deep Q Networks (DQN).
A gépi tanulásnak más típusai is léteznek, amelyek a tanulási „jel” vagy „visszacsatolás” természetén alapulnak a tanulási rendszer számára:
Aktív tanulás:
A modell csak korlátozott számú példányhoz tudja beszerezni a címkéket saját lekérdezései alapján. A modell dönti el, hogy mely példányokhoz szerezzen be címkéket.
Transzfertanulás:
A modellt egy feladatra tanítják, és egy másik kapcsolódó feladatra alkalmazzák.
Többpéldányos tanulás:
A modell példányok zacskóival és a teljes táskára vonatkozó címkével van ellátva. A feladat az, hogy megjósoljuk a nem látott táskák címkéjét a bennük lévő példányok alapján.
Többfeladatos tanulás:
A modell egyidejűleg több összefüggő feladatra van kiképezve, azzal a céllal, hogy javítsa az általánosítást a feladatok közös vonásainak és különbségeinek kihasználásával.
A gépi tanulás ezen típusainak mindegyikének megvannak a maga erősségei és gyengeségei, és az alkalmazás kiválasztása a megoldandó probléma természetétől függ.
Érdeklődés a gépi tanulás iránt
Nagyon világos, hogy a gépi tanulás iránti érdeklődés 2014 óta nagyon erősen nő. Várható, hogy ez a növekedési tendencia a belátható jövőben is folytatódni fog.