Урок 1: Задачи машинного обучения

Все задачи, решаемые с помощью машинного обучения (ML), относятся к одной из следующих категорий.

Обучение с учителем

Представлены пары "набор данных" - верный ответ. Требуется спрогнозировать верный ответ для новых наборов данных.

Задача регрессии

Прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число (2, 35, 76.454 и др.), к примеру цена квартиры, стоимость ценной бумаги по прошествии полугода, ожидаемый доход магазина на следующий месяц, качество вина при слепом тестировании.

Задача классификации

Получение категориального ответа на основе набора признаков. Имеет конечное количество ответов (как правило, в формате «да» или «нет»): есть ли на фотографии кот, является ли изображение человеческим лицом, болен ли пациент раком. Также сюда относятся задачи множественной классификации - отнесение объекта к одной из известных категорий.

Обучение без учителя

Для наборов данных нет верного ответа. Требуется предсказать для них наиболее "правильные" ответы.

Задача кластеризации

Распределение данных на группы: разделение всех клиентов мобильного оператора по уровню платёжеспособности, отнесение космических объектов к какой-либо категории (планета, звёзда, чёрная дыра и т. п.), которая в дальнейшем может быть обозначена. В отличие от задачи классификации, нет заранее известной группы кластеров.

Задача уменьшения размерности

Сведение большого числа признаков к меньшему (обычно 2–3) для удобства их последующей визуализации (например, сжатие данных).

Задача выявления аномалий (новизны)

Отделение аномалий от стандартных случаев. На первый взгляд она совпадает с задачей классификации, но есть одно существенное отличие: аномалии – явление редкое, и обучающих примеров, на которых можно натаскать машинно обучающуюся модель на выявление таких объектов, либо исчезающе мало, либо просто нет, поэтому методы классификации здесь не работают. На практике такой задачей является, например, выявление мошеннических действий с банковскими картами.

Обучение с подкреплением

Автоматическое принятие решений в условии неполных данных и обучение на ошибках (результатах действий по итогам принятых решений). В отличие от предыдущих разделов присутствует среда обучения (и действия).

Различают несколько вариантов действий при таком обучении: в каждой ситуации, в ряде ситуаций или только оценка ситуации (без действий).

Подробнее по каждому виду задач поговорим в соответствующих темах.

Комментарии: