Машинное обучение: определение и виды

Машинное обучение представляет собой метод программирования, используемый для создания прогнозных моделей. В отличие от традиционного программирования, где код описывает конкретные шаги для получения результата, машинное обучение опирается на алгоритмы, которые итеративно изучают связь между признаками данных и целевой переменной . Алгоритмы машинного обучения основаны на теории вероятностей и статистике и требуют больших объёмов данных для обучения модели. На упрощённом уровне модель машинного обучения — это функция, которая принимает признаки наблюдаемого объекта и выполняет вычисление для возврата прогнозируемой метки. Обычно признаки обозначаются как x, а прогнозируемая метка — как y; таким образом, модель представляет собой функцию f в выражении y = f(x) .

Существует несколько основных парадигм машинного обучения, различающихся по способу получения информации в процессе обучения. К ним относятся обучение с учителем, обучение без учителя, обучение с подкреплением, а также промежуточные формы, такие как частичное обучение и самообучение.

Обучение с учителем

Обучение с учителем является одной из наиболее распространённых и поддерживаемых парадигм, поскольку позволяет обучать машины на размеченных наборах данных . В этом случае алгоритмы тренируются с использованием данных, где желаемый результат известен. Это позволяет алгоритму учиться на примерах и делать прогнозы для новых, невидимых ранее данных . Обучение с учителем можно рассматривать как функцию, которая отображает набор обучающих выборок, состоящих из пар «вход-выход», в модель, способную предсказывать выход для новых входных данных .

В рамках обучения с учителем выделяются две основные задачи. Первая — классификация, при которой каждый входной вектор относится к одной из конечного числа дискретных категорий. Вторая — регрессия, где желаемый выход состоит из одной или нескольких непрерывных переменных . Алгоритмы регрессии создают модели, в которых функция работает с признаками для вычисления числового значения метки. Например, алгоритм регрессии можно использовать для обучения модели, прогнозирующей ожидаемое количество проданного товара на основе таких признаков, как месяц года, температура и влажность . Алгоритмы классификации, напротив, вычисляют значение вероятности для каждого возможного класса и возвращают метку класса с наибольшей вероятностью. Модель классификации, определяющая один из двух возможных классов, является примером бинарной классификации, тогда как алгоритмы, прогнозирующие вероятность более двух классов, используются для многоклассовой классификации .

Типичными алгоритмами обучения с учителем являются линейная регрессия, логистическая регрессия, деревья решений, метод опорных векторов, метод k ближайших соседей и нейронные сети . Эти модели сильно зависят от размеченных данных, в которых модель учится на парах «вход-выход», а затем должна предсказывать результат для новых данных .

Обучение без учителя

Обучение без учителя имеет дело с неразмеченными данными, где алгоритму необходимо найти закономерности или структуры в данных без каких-либо предопределённых меток . В отличие от обучения с учителем, примеры оптимальных выходов не предоставляются; алгоритм должен обнаружить их самостоятельно . Обучение без учителя позволяет выявлять скрытые паттерны внутри заданного набора данных, не имеющего связанных меток или классов. Этот подход особенно полезен для исследования данных и понимания сложных поведений, которые затруднительно идентифицировать человеку в больших массивах информации .

Обучение без учителя служит трём основным задачам: кластеризации, поиску ассоциативных правил и снижению размерности . Кластеризация — это метод, автоматически группирующий похожие образцы вместе на основе их внутренних характеристик. Поиск ассоциативных правил используется для обнаружения взаимосвязей между различными признаками внутри набора данных. Снижение размерности применяется для уменьшения количества признаков в наборе данных, особенно при работе с высокоразмерными данными .

Наиболее распространённой формой обучения без учителя является кластеризация, в которой признаки вариантов данных рассматриваются как вектор точек в многомерном пространстве. Цель алгоритма кластеризации — определить кластеры, группирующие точки таким образом, чтобы случаи с похожими признаками были близки друг к другу, но кластеры чётко отделены друг от друга. Кластеризация полезна, когда необходимо определить различные категории данных, но отсутствуют предварительно определённые категории, которым уже назначены существующие наблюдения . Другими распространёнными методами обучения без учителя являются метод k-средних, иерархическая кластеризация, анализ главных компонент и анализ независимых компонент .

Обучение с подкреплением

Обучение с подкреплением занимает промежуточное положение между обучением с учителем и обучением без учителя . В этой парадигме алгоритм обучается взаимодействовать с некоторой средой и учиться методом проб и ошибок, получая вознаграждения или штрафы в зависимости от своих действий . Существует последовательность состояний и действий, в которых обучающийся алгоритм взаимодействует со своей средой. Цель агента обучения с подкреплением — собрать как можно больше вознаграждения .

Принципиальное отличие обучения с подкреплением от ранее упомянутых методов заключается в том, что оно опирается не на данные, а на обратную связь от опыта . Алгоритму сообщают, когда ответ неверен, но не сообщают, как его исправить. Агент должен исследовать и пробовать различные возможности, пока не выяснит, как получить правильный ответ. По этой причине обучение с подкреплением иногда называют обучением с критиком, поскольку имеется монитор, который оценивает ответ, но не предлагает улучшений . Этот тип обучения особенно эффективен в задачах последовательного принятия решений, таких как робототехника, игровые задачи и другие автономные системы . Ключевыми алгоритмами обучения с подкреплением являются Q-обучение, глубокие Q-сети и методы градиента политики .

Частичное обучение

Частичное обучение представляет собой подход, при котором только часть данных размечена, а остальные остаются неразмеченными. Этот метод сочетает сильные стороны обучения с учителем и обучения без учителя, используя очень небольшое количество размеченных данных на фоне большого пула неразмеченных данных . Тренировочные данные доступны все сразу, но размечена лишь малая или малоинформативная их часть . Основное преимущество этого подхода заключается в его эффективности в ситуациях, когда разметка данных из набора является дорогостоящей или трудоёмкой. Методы частичного обучения повышают точность и устойчивость модели, используя огромное количество доступной, но неразмеченной информации в данных, обеспечивая лучшую обобщающую способность и производительность на невидимых данных .

Самообучение

Самообучение представляет собой rapidly развивающуюся область, которая привлекла значительное внимание благодаря своему большому потенциалу для реальных применений. Способность обучаться без человеческой аннотации стимулировала быстрое развитие этого направления, утвердив его в качестве заметной исследовательской области в последние годы . Самообучение позволяет моделям изучать полезные представления из неразмеченных данных путём решения специально сконструированных вспомогательных задач, что делает его особенно ценным в условиях ограниченного доступа к размеченным данным.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: