Uczenie z nadzorem i bez (przykłady algorytmów)

Uczenie maszynowe (ang. machine learning) to dyscyplina z pogranicza Informatyki i Statystyki. W uczeniu maszynowym chodzi o to aby stworzyć system, który stawałby się coraz bardziej efektywny (w jakimś konkretnym zadaniu) w miarę uczenia czyli przetwarzania coraz większej liczby danych trenujących.

Wbrew obiegowej opinii i narosłym mitom wokół ogólnie pojętej sztucznej inteligencji, w uczeniu maszynowym nie ma żadnej „wyższej inteligencji”, woli przetrwania lub chęci przejęcia kontroli nad światem 😉 Uczenie maszynowe polega na wykorzystaniu jakby nie było prostych algorytmów. Są one proste kiedy się je rozumie a bywają złożone jeżeli dany koncept jest rozwijany i specjalizowany. Tak samo jak obliczamy największą wspólną wielokrotność tak samo można obliczyć… no właśnie co?… W uczeniu maszynowym obliczamy funkcję, która „coś zrobi z danymi”.

Uczenie z nadzorem (supervised learning)

Uczenie z nadzorem polega na wprowadzaniu do systemu uczącego się próbki danych (lub można powiedzieć danych trenujących) tzw. danych wejściowych i danych wyjściowych. System za pomocą algorytmów napisanych przez człowieka „usiłuje zgadnąć” co trzeba zrobić z danymi X aby wyszedł wynik Y.

Przykłady algorytmów uczenia maszynowego z nadzorem:

• ID3 (generujący drzewa decyzyjne) i jego odmiany np. C4.5,
• regresja liniowa (linear regression),
• regresja logistyczna (logistic regression),
• naiwny algorytm Bayesa (naive Bayes),
• sieci neuronowe – perceptrony wielowarstwowe (neural networks).

Zastosowania uczenia maszynowego z nadzorem :

• systemy ekspertowe,
• rozpoznawanie pisma,
• gra w kółko i krzyżyk,
• predykcja

Uczenie bez nadzoru (unsupervised learning)

W uczeniu bez nadzoru mamy dane wejściowe ale nie mamy danych wyjściowych. System nie ma konkretnego przykładu co z danymi ma się stać. Systemy tego typu są przydatne do odkrywania nowych i nieznanych regularności w próbce danych, odkrywaniu wiedzy i przykładowo w grupowaniu.

Przykłady algorytmów uczenia maszynowego bez nadzoru:

• k-średnich (wykorzystywany w klasteryzacji),
• k-najbliższych sąsiadów (k-nearest neighbor algorithm).

Praktyczne zastosowanie uczenia maszynowego bez nadzoru:

• grupowanie (klasteryzacja),
• detekcja anomalii.