Եկեք հասկանանք մեքենայական ուսուցման և դրա կատեգորիաների մասին:
Նախքան սկսելը, եկեք հասկանանք մեքենայական ուսուցման մասին:
Ի՞նչ է մեքենայական ուսուցումը:
Թոմ Միտչելը սահմանում է մեքենայական ուսուցումը որպես «Ծրագիրը սովորում է «E» փորձից՝ կապված «T» առաջադրանքների որոշ դասի և կատարողականի չափման «P» հետ, եթե «T» առաջադրանքների կատարողականը, որը չափվում է «P» -ով, բարելավվում է « Էլ
Պարզ ասած՝ մեքենայական ուսուցումը նշանակում է միջոց կամ մեթոդ, որով մեքենան սովորում է՝ հիմնվելով տվյալ խնդրի վերաբերյալ իր ունեցած տվյալների վրա՝ առանց այդ խնդրի վրա հստակ ծրագրավորվելու:
Մեքենայական ուսուցումը հետագայում դասակարգվում է երեք հիմնական մասի` վերահսկվող, չվերահսկվող և ամրապնդման ուսուցում: Գոյություն ունի ևս մեկ բաժին, որը կոչվում է Կիսամյակային ուսուցում, որը վերահսկվող և չվերահսկվող ուսուցման համակցություն է:
Բայց ի՞նչ է վերահսկվող, չվերահսկվող և ուժեղացվող ուսուցումը ???
Վերահսկվող ուսուցում.
Ուսուցում, որը տեղի է ունենում այնտեղ, որտեղ տվյալների բազան պարունակում է թիրախային տվյալներ այլ ցուցադրված տվյալների հետ, որոնք ունեն պիտակավորված տվյալներ: Առանձնահատկությունների տվյալները անկախ տվյալներն են, որոնք օգտագործվում են կախված տվյալները բացատրելու համար: Թիրախային տվյալները կախված տվյալներն են կամ ելքը, որը մենք պետք է եզրակացնենք: Այս տեսակի ուսուցման ժամանակ մենք գիտենք թիրախային արժեքները միայն ձեռքից: Այս տեսակը կարող է լուծել երկու տեսակի խնդիր՝ ռեգրեսիա և դասակարգում:
- Ռեգրեսիա. Առայժմ հաշվի առեք, որ թիրախային փոփոխականը շարունակական տիպի է:
- Դասակարգում. Եթե թիրախային փոփոխականը կատեգորիկ տիպի է:
Այս մասին ավելի խորը կհասկանանք հաջորդ հոդվածում։
Չվերահսկվող ուսուցում.
Ուսուցման այս տեսակը վերաբերում էր չպիտակավորված տվյալներից սովորելուն: Չպիտակավորված տվյալները վերաբերում են այն դեպքերին, երբ տվյալներն ընդամենը որոշ առանձնահատկություններ են, որոնք չունեն ելքային կամ թիրախային արժեքներ: Այսպիսով, այս տեսակի ուսուցումը չունի որևէ գնահատում, որը որոշում է, թե որքան լավ է մոդելը: Ինչպես և վերահսկվող ուսուցման դեպքում, այստեղ ներառված է գնահատում, քանի որ մենք պիտակավորել ենք տվյալները:
Այս տեսակի ուսուցումը կարող է լուծել երկու տեսակի խնդիրներ՝ Կլաստերիավորում և Ասոցիացիա:
- Կլաստերավորում. Այստեղ տվյալների միանման կետերի խումբը դրվում է մեկ կլաստերի մեջ, իսկ աննման կետերը մյուս կլաստերում: Կամ մի խոսքով, տվյալների կետը կունենա նմանություններ, ընդհանրություններ իր սեփական կլաստերի տվյալների կետերի հետ և կունենա տարբերություններ այլ կլաստերի տվյալների կետերի հետ:
- Ասոցիացիա. Այն ստուգում է իրերի կապը այլ ապրանքների հետ, որ ինչ հնարավորություն կա, որ հաճախորդը կարող է գնել որոշակի ապրանք, եթե նա գնում է դրա կողքին դրված իրը:
- Եվս մեկ տեսակ, որը չափերի կրճատումն է, մտնում է այս մասի տակ, բայց շատ տեղերում շատ բան չի խոսվում: Այն վերաբերում է տվյալների բազայի չափի կրճատմանը, որպեսզի մոդելն ավելի լավը դառնա, քան նախորդը:
Այս մասին կխոսենք նաև հաջորդ հոդվածում։
Ամրապնդող ուսուցում (RL):
Այս տեսակի ուսուցման մեքենան սովորում է իր անցյալի վարքագծով: RL-ը հետադարձ կապի վրա հիմնված ուսուցում է՝ հիմնված գործողության և գործողության արդյունքի վրա: Եթե գործողությունը, որը նա կատարում է, տալիս է ցանկալի արդյունքը (վիճակը), ապա մոդելին տրվում է դրական արձագանք, որը նա ընդունում է որպես լավ գործողություն, և եթե գործողությունը տալիս է բացասական արդյունք և արձագանք, ապա մոդելը ձեռնպահ մնա դրանից նորից: Սա նույն կերպ է սովորում երեխային:
Օրինակի համար. Երեխան, երբ առջևում կրակ է տեսնում, կփորձի ուսումնասիրել այն, քանի որ երեխան դրա մասին ոչինչ չգիտի: Դրանից հետո երեխան զգում է ցավը՝ ձեռքը կրակի մեջ դնելով, երեխան զերծ կմնա դրանից, քանի որ դա վնասակար է։
Եզրակացություն. Այս հոդվածում մենք սովորում ենք, թե ինչ է վերահսկվող, չվերահսկվող և հակիրճ ուսուցումը:
Հաջորդ հաջորդ հոդվածում մենք ավելի խորը կանդրադառնանք այս ուսուցմամբ լուծվող խնդիրների տեսակներին:
Ընթերցողը կարող է մեկնաբանել այս հոդվածը՝ տալով կարծիք, որը բարձր է գնահատվում, քանի որ դա կօգնի ինձ ավելի լավ բովանդակություն ստեղծել, քան սա, քանի որ սա իմ առաջին բովանդակությունն է, որը ես երբևէ գրել եմ: