Algoritmy strojového učenia II. – Učenie bez učiteľa

14. júna 201917. júna 2019 Ing. Juraj Muráň

Učenie bez učiteľa (Unsupervised machine learning) sa používa pri dátach, ktoré neboli vopred klasifikované. Chýba nám teda „správna odpoveď“, ktorou bolo v príklade pri učení s učiteľom označenie, aké číslo je napísané na obrázku.

Môžeme mať totiž prípady, kedy túto správnu odpoveď nie je možné odpozorovať alebo ju ani sami nevieme jednoznačne určiť. Algoritmy učenia bez učiteľa sa potom v týchto neklasifikovaných dátach snažia objaviť, modelovať a popísať vzory, s cieľom dozvedieť sa o týchto dátach niečo viac.

Algoritmus teda nepríde na správny výstup, ale preskúma dáta a popíše skryté štruktúry v týchto neoznačených dátach. Najčastejšími problémami, ktoré rieši učenie bez učiteľa, sú zhlukovanie a asociácia. Úlohou zhlukovania je spájať dáta do skupín, ktoré „majú niečo spoločné“. Ukážkovým príkladom je segmentácia zákazníkov do skupín s podobnými preferenciami.

Príklad zhlukovania

Cieľom asociácie je zas nájsť tzv. asociačné pravidlá, ktoré popisujú skupiny dát a vzťahy medzi nimi. Napríklad zákazníci, ktorí si kupujú notebook, si kupujú aj klávesnicu s myšou. Medzi najpoužívanejšie algoritmy pre zhlukovanie patrí K-means, pre asociáciu je to Apriori algoritmus pre tvorbu asociačných pravidiel.

Niektoré algoritmy, ako napríklad neurónové siete, vieme použiť pri oboch formách učenia. Rovnako aj v reálnych aplikáciách sa môžeme stretnúť s použitím kombinácie algoritmov učenia s učiteľom i bez učiteľa. Na trénovanie sa tu používajú označené, tak aj neoznačené dáta, kde je väčšinou malá vzorka označených a rozsiahle množstvo neoznačených dát. Tento prístup je vhodné použiť, keď nemáme dostatok označených dát. Okrem týchto algoritmov poznáme aj učenie formou odmeňovania.