Машинно самообучение: Разлика между версии
Изтрито е съдържание Добавено е съдържание
Punctuation Style |
|||
Ред 1:
Машинното самообучение (МС) е дял от [[компютърни науки|компютърните науки]], който еволюира от разпознаване на образи и компутационна обучителна теория към изкуствен интелект. През 1959 г. [[Артър Самюел|Артър Самюел]] определя МС като „Поле на проучване, което дава на компютрите възможността да учат, без да бъдат експлицитно програмирани“. МС изследва проучването и изграждането на [[алгоритми|алгоритми]], които да правят прогнози чрез данни и от които да може да се учи. Такива алгоритми работят чрез изграждането на прогнозен модел. Това изисква разделяне във времето между входящите данни и изхода на модела.
МС е тясно свързано и често се припокрива с изчислителната [[статистика|статистика]]. То има силни връзки с [[ математическа оптимизация|математическа оптимизация]], която доставя методи,
В областта на аналитични данни, МС е метод, използван за разработване на сложни модели и алгоритми, които се поддават на прогнозиране. Тези аналитични модели позволяват изследователи, учени и инженери да получават надеждни, повтаряеми решения и резултати.
Ред 22:
В научните опити МС се е развило в търсенето на [[изкуствен интелект|изкуствен интелект]] (ИИ). Още в зората на ИИ като академична дисциплина, някои изследователи били заинтересовани в това да накарат машините да се „учат“ от [[данни|данни]]. Опитали да подходят към въпроса с различни символни методи като ги нарекли „[[невронни мрежи|невронни мрежи]]“. Това били перцептрони и други модели, като по-късно се оказва, че са преоткрития на генерализираните линейни модели от статистиката. Вероятностното обосноваване също било заето, особено в автоматизираните медицински диагнози.
Въпреки това, повишаващият се акцент върху логичния, базиран на знания подход предизвиквал разрив между ИИ и МС. Вероятностните системи били поразени от теоретичните и практическите проблеми на взимането на данни и тяхното представяне. До 1980 г. експертните системи вече доминирали над ИИ и статистиката вече не била в полза. Работата в познанията на символичния / базиран на знания ИИ продължила, водейки до индуктивното логично програмиране и линията на статистическото изследване вече била извън полето на ИИ в разпознаването по шаблон и извличането на информация. Проучванията в
МС било реорганизирано в отделно поле, чийто разцвет започнал в началото на 90-те. Целта на полето да се постига ИИ се променила до това да се справя с решими проблеми от практичен характер. Изместил се фокуса от подходите със символи, които наследило от ИИ и поело към методи и модели, взети назаем от статистиката и теорията на относителността. В полза бил и повишаващият се достъп до дигитализирана информация и възможността да се разпространи чрез интернет.
МС и извличането на данни често използвали еднакви методи и се припокривали значително. Можем да ги различим грубо по тези показатели:
*МС се фокусира върху предвиждането, базирано на известни свойства, научени от данните за обучение.
*Извличането на данни се фокусира върху откриването на (преди това) неизвестни свойства в данните. Това е етап на анализ в откриването на знания в базите данни.
Двете области се припокриват в много порядки: извличането на данни използва много методи от МС, но често и с малко по-различна цел. От друга страна МС също използва методите на извличане на данни като „обучение без надзор“ или като стъпка на предварителна обработка за подобряване на точността на знание. Голяма част от объркването между тези две изследователски общности (които често имат отделни конференции и отделни журнали) идва от базовите предположения, с които работят: в МС производителността обикновено се оценява по отношение на способността да възпроизвежда получено вече знание, докато в откриването на знания и извличането на данни (ОЗИД) основната задача е откриването на неизвестно досега знание. Оценени по отношение на известното знание,
МС има съществени връзки и с оптимизацията: много проблеми с научаването са формулирани от минимизиране на изгубена функция при тренировъчния комплект за примери/случаи. Загубените функции представляват несъответствието между предвиждането в тренирания модел и случаите в реалният проблем (например в класифицирането искаме да сложим етикет на случаи, а моделите са тренирани точно да предвидят и сложат етикети на комплект от примери). Разликата между двете области произтича от целта на генерализация: докато оптимизационните алгоритми могат да минимизират загубата в тренировъчния комплект, МС се занимава със загубата в неизвестни примери.
=== Връзка със статистиката ===
Машинното самообучение и статистиката са две тясно свързани области. Според Майкъл И. Джордан идеите за машинно самообучение, преминали от методологични принципи до теоретични инструменти, имат дълга предистория в статистиката. Той, също така, е предложил областта да бъде именувана с термина – научни данни.
Лео Бреймън разграничава два модела статистически парадигми: модел на данните и алгоритмичен модел, където „алгоритмичен модел“ означава повече или по-малко алгоритми за машинното самообучение.
Някои статистици са приели методи за машинно самообучение, водещи до една комбинираща ги област, която те наричат статистическо самообучение.
== Теория ==
Основната цел на учещия се е да обобщава от своя опит. В контекста
Изчислителните анализи в машинното самообучение на алгоритмите и тяхната производителност е дял от теоретичната компютърна наука, позната като теория за изчислителното самообучение. Тъй като обученията са ограничени и бъдещето е неизвестно, теорията за самообучението обикновено не дава гаранции за изпълнение на алгоритмите. Вместо това, вероятностните граници на изпълнението са доста често срещани. Разлагането на вариации с отклонения е един начин за определяне на количественото генериране на грешка.
Моделът със съществуващите примери, прогнозиращ изхода в неизвестните случаи, се нарича генерализация. Най-общо казано, сложността на [[хипотезата|хипотезата]] трябва да съответства на сложността на функцията, основана на данни. Ако хипотезата е по-малко сложна, отколкото функцията, то ние сме стигнали под мярката. Така
В допълнение към границите на изпълнение, теоретиците в изчислителното обучение изучават сложността на времето и приложимостта на обучението. В теорията за изчислителното обучение, изчисленията се считат за осъществими, ако могат да бъдат направени за единица време. Има две разновидности на сложните времеви резултати. Положителните резултати показват, че определен клас функции могат да бъдат изучавани в полинома време. Отрицателните резултати пък сочат обратното .
Има много прилики между теорията за машинното самообучение и статистическите изводи, въпреки че те използват различна терминология.
Ред 54:
Целта е да се създаде модел, който прогнозира стойността на целева променлива въз основа на няколко входни променливи.
=== Асоциативен тип ===
=== Изкуствени неврони връзки ===
Изкуствените неврони връзки са алгоритъм на учене, вдъхновен от структурата и функцията на биологичните неврони връзки. Изчисленията са структурирани в условие на взаимно свързани групи от изкуствени неврони, обработващи информация, използвайки свързан подход за изчисление. Модерните
=== Задълбочено учене ===
Задълбоченото учене се състои от няколко скрити слоя в изкуствената
=== Индуктивно логическо програмиране ===
Индуктивното логическо програмиране (ИЛП) е подход за управление на ученето, използвайки логическо програмиране като постоянно представляване на примерен вход, общи познания и хипотези.
представени като логическа база данни от факти, ИЛП система ще задейства хипотетична логическа програма, която води след себе си всички позитивни и не отрицателни примери. Индуктивното програмиране е свързана област, която счита всеки вид програмен език като представляваща хипотеза за функционално програмиране или логическо.
=== Векторна поддръжка ===
Поддържаща векторна машина (Support vector machines - SVMs) е множество от свързани контролирани
=== Групиране ===
Групиран анализ е присвояване на набор от наблюдения в подмножество (наречено Групиране), така че наблюденията в същата група са подобни спрямо някои предварителни критерии или условие, докато наблюдения изготвени от други групи са различни. Отделни групиращи техники правят различни предположения за структурата на данните, често определяни от някои сходни измервания и оценени като пример от вътрешна компактност (подобие между участниците на същата група) и разделение между отделни групи. Други методи са базирани на прогнозирана плътност и графична свързаност. Групирането е метод от
=== Бейс модел ===
Бейс мрежа или насочен ацикличен графичен модел е графичен модел на вероятностите, който представлява множество от случайни променливи и техните условни независимости чрез насочена ациклична крива (DAG). За пример, Бейс мрежа може да представлява вероятна връзка между болест и симптом. При симптомите, мрежата може да бъде използвана да пресметне вероятността при наличието на вирусна болест. Ефикасен алгоритъм съществува, който изпълнява извод и изучаване.
=== Подсилено обучение ===
Подсилено учене е засегнато от това как агент трябва да предприеме действие в среда, така че да увеличи някои понятия за дългосрочно възнаграждаване. Подсилващите алгоритми за учене целят да открият курс на поведение, което съпоставя състоянията на света към действията, към които агента трябва да подходи в съответните състояния. Подсиленото обучение се различава от проблема на контролираното изучаване в
=== Характерно учене ===
Няколко обучителни алгоритми, предимно алгоритми за неконтролирано учение, се целят в откриването на по-добро представяне на входните данни по време на тренировка. Класически пример включва анализ на основните компоненти и групов анализ. Алгоритмите за характерно учене често пробват да запазят информацията в техните входни данни, но и да я преобразуват по начин, по който да е полезна, често като предварителна стъпка преди изпълнението на класификация или прогноза, позволявайки реконструкция на входните данни идващи от неизвестен доставчик на данни, докато данните не са задължително верни, конфигурацията няма да се осъществи.
=== Сходно и метрично учене ===
=== Рядкост в речника ===
=== Генетични алгоритми ===
Генетичният алгоритъм е [[евристичен метод за търсене]], който копира процеса на [[Естествен отбор|естествен подбор]] и използва методи като [[мутация]] и [[кръстосване]] за да генерира нов [[генотип]], надявайки се да намери добро решение на даден проблем. Същото е използвано и в обратна посока - техники на МС са използвани
== Референции ==
|