Algoritmy strojového učenia I. – Učenie s učiteľom
Strojové učenie je jeden zo spôsobov, akým sa snažíme dosahovať umelú inteligenciu. Respektíve časť umelej inteligencie, ktorá poskytuje systému schopnosť automaticky sa učiť a zlepšovať sa, na základe existujúcich príkladov z minulosti alebo z vlastných skúseností. Proces učenia sa začína pozorovaním alebo skúmaním dát, prípadne získavaním skúseností. V nich následne program nájde vzory a na ich základe zlepší v budúcnosti svoje rozhodnutia. Hlavný zámer je, aby sa počítač dokázal učiť samostatne, bez ľudskej asistencie, a aby to, čo sa naučil, vedel aj prakticky aplikovať.
Zdroj: Gerd Altmann, Pixabay.com
Strojové učenie preto prebieha v dvoch fázach. Prvou z nich je fáza učenia, nazývaná aj trénovacia fáza. Počas nej je vytvorený matematický model, ktorý natrénujeme na zvolenú úlohu na trénovacom datasete. Takto natrénovaný model potom v druhej fáze nasadíme do produkčného prostredia.
Na základe toho, ako konkrétne proces učenia prebieha, môžeme algoritmy strojového učenia rozdeliť do nasledujúcich troch skupín:
- učenie s učiteľom (Supervised machine learning)
- učenie bez učiteľa (Unsupervised machine learning)
- Učenie formou odmeňovania (Reinforcement learning)
Učenie s učiteľom (Supervised machine learning)
Do tejto skupiny patrí väčšina aktuálne používaných algoritmov strojového učenia. Predpokladom pre jeho použitie je existencia dostatočne veľkého trénovacieho datasetu, ktorý obsahuje správne označené dvojice vstup – výstup. Na týchto dátach sa potom algoritmus natrénuje tak, aby vedel pre daný vstup vyprodukovať korektný výstup. Ak teda chceme napríklad algoritmus naučiť rozoznávať rukou písané číslice 0 až 9, zoberieme označené príklady vo forme obrázok s napísaným číslom plus označenie aké konkrétne číslo je na obrázku. Na základe týchto obrázkov sa algoritmus naučí ako vyzerajú jednotlivé čísla, a keď dostane ako vstup nový obrázok, ktorý počas tréningu „nevidel“, vie na základe toho čo sa naučil vyhodnotiť, o aké číslo ide. Učenie s učiteľom je teda silne závislé na dostatočnom množstve kvalitných dát. Medzi hlavné problémy, ktoré pomocou neho vieme riešiť, patrí klasifikácia a regresia.
Proces trénovania modelu pri učení s učiteľom
To, čo sme riešili v predošlom príklade, je problém klasifikácie. teda máme konečný počet kategórií (tried) a pri príchode nového vstupu chceme zaradiť, do ktorej kategórie patrí. Regresia sa na druhej strane používa na predpovedanie, resp. odhad hodnoty nejakej spojitej premennej. Medzi najpopulárnejšie algoritmy učenia s učiteľom patrí metóda podporných vektorov, neurónové siete (niekedy označované aj ako hlboké strojové učenie), Bayesov klasifikátor, rozhodovacie stromy atď.
Zdroje: Expertsystem, Towardsdatascience, Blog Brainstation, MLmastery
