Învățare automată

Învățarea automată ( eng.  machine learning , ML) este o clasă de metode de inteligență artificială , o trăsătură caracteristică a cărei nu este o soluție directă a unei probleme, ci învățarea prin aplicarea de soluții la multe probleme similare. Pentru construirea unor astfel de metode se folosesc mijloace de statistică matematică , metode numerice , analiză matematică , metode de optimizare , teoria probabilităților , teoria grafurilor , diferite tehnici de lucru cu date în formă digitală .

Există două tipuri de antrenament:

1. Învățarea de caz , sau învățarea inductivă , se bazează pe descoperirea tiparelor empirice în date .
2. Învățarea deductivă implică formalizarea cunoștințelor experților și transferul acestora pe un computer sub forma unei baze de cunoștințe .

Învățarea deductivă se referă de obicei la domeniul sistemelor expert , astfel încât termenii de învățare automată și de învățare de caz pot fi considerați sinonimi.

Multe metode de învățare inductive au fost dezvoltate ca o alternativă la abordările statistice clasice. Multe metode sunt strâns legate de extragerea informațiilor ( extragerea informațiilor în limba engleză  , regăsirea informațiilor ), extragerea datelor ( extragerea datelor ).

Declarație generală a problemei învățării prin precedente

Există multe obiecte (situații) și multe răspunsuri posibile ( răspunsuri, reacții). Există o oarecare dependență între răspunsuri și obiecte, dar este necunoscută. Se cunoaște doar un set finit de precedente  - perechi „obiect, răspuns”, numit eșantion de antrenament . Pe baza acestor date, se cere restabilirea dependenței implicite, adică construirea unui algoritm capabil să producă un răspuns de clasificare suficient de precis pentru orice posibil obiect de intrare. Această dependență nu este neapărat exprimată analitic, iar aici rețelele neuronale implementează principiul unei soluții formate empiric. O caracteristică importantă în acest caz este capacitatea sistemului de învățare de a generaliza, adică de a răspunde în mod adecvat la date care depășesc limitele eșantionului de instruire existent. Pentru a măsura acuratețea răspunsurilor, este introdusă o funcție funcțională de calitate estimată .

Această formulare este o generalizare a problemelor clasice de aproximare a funcției . În problemele clasice de aproximare, obiectele sunt numere reale sau vectori. În problemele aplicate reale, datele de intrare despre obiecte pot fi incomplete, inexacte, nenumerice, eterogene. Aceste caracteristici conduc la o mare varietate de metode de învățare automată.

Metode de învățare automată

Secțiunea de învățare automată, pe de o parte, a fost formată ca urmare a împărțirii științei rețelelor neuronale în metode de antrenare a rețelelor și a tipurilor de topologii ale arhitecturii lor, pe de altă parte, a absorbit metodele statisticii matematice. [a] . Metodele de învățare automată enumerate mai jos se bazează pe utilizarea rețelelor neuronale, deși există și alte metode bazate pe eșantionul de antrenament, de exemplu, analiza discriminantă, care operează pe varianța și covarianța generalizată a statisticilor observate sau clasificatorii bayesieni. Tipurile de bază de rețele neuronale, precum perceptronul și perceptronul multistrat (precum și modificările acestora), pot fi antrenate atât cu profesor, cât și fără profesor, cu întărire și autoorganizare. Dar unele rețele neuronale și majoritatea metodelor statistice pot fi atribuite doar uneia dintre metodele de învățare. Prin urmare, dacă trebuie să clasificați metodele de învățare automată în funcție de metoda de învățare, atunci ar fi incorect să atribuiți rețelele neuronale unui anumit tip, ar fi mai corect să introduceți algoritmi de învățare a rețelelor neuronale.

• Învățare supravegheată  - pentru fiecare caz de utilizare, este setată o pereche de „situație, soluție necesară”:

1. Retele neuronale artificiale
   1. Invatare profunda
2. Metoda de corectare a erorilor
3. Metoda de propagare înapoi
4. Suport mașină vectorială

• Învățare nesupravegheată  - pentru fiecare caz de utilizare, este specificată doar o „situație”, este necesară gruparea obiectelor în grupuri folosind date privind similaritatea obiectelor pe perechi și/sau reducerea dimensiunii datelor:

1. Sistemul de armare alfa
2. Sistem de întărire Gamma
3. Metoda celui mai apropiat vecin

• Învățare prin consolidare  - pentru fiecare caz de utilizare există o pereche de „situație, decizie”:

1. Algoritm genetic .

• Învățarea activă este diferită prin faptul că algoritmul de învățare are capacitatea de a atribui în mod independent următoarea situație în studiu, asupra căreia va deveni cunoscut răspunsul corect:
• Învățare semi-supravegheată - pentru unele cazuri, este setată o pereche de "situație, soluție necesară", iar pentru unele - doar " situație  "
• Învățare transductivă  - învățare cu implicarea parțială a profesorului, când prognoza se presupune a fi făcută doar pentru precedentele din proba de testare
• Învățare cu mai multe sarcini ( ing.  învățarea cu mai multe sarcini ) - învățarea simultană a unui grup de sarcini interconectate, pentru fiecare dintre acestea fiind stabilite propriile perechi de „situație, soluție necesară”
• Învățarea în mai multe instanțe este învățarea atunci când precedentele pot fi combinate în grupuri, în fiecare dintre ele există o „situație” pentru toate precedentele, dar numai pentru unul dintre ele (mai mult, nu se știe care) există o pereche de „ situație , 
• Boosting -ul este o  procedură pentru construirea secvențială a unei compoziții a algoritmilor de învățare automată, atunci când fiecare algoritm următor încearcă să compenseze deficiențele compoziției tuturor algoritmilor anteriori.
• Rețeaua bayesiană

Probleme clasice rezolvate cu machine learning

• Clasificarea se face de obicei prin învățare supravegheată în stadiul propriu-zis al învățării.
• Gruparea se face de obicei prin învățare nesupravegheată
• Regresia , efectuată de obicei prin învățarea supravegheată în timpul fazei de testare, este un caz special de probleme de prognoză .
• Reducerea dimensionalității datelor și vizualizarea datelor se realizează cu învățare nesupravegheată
• Reconstituirea densității distribuției de probabilitate dintr-un set de date
• Clasificare unică și detectarea noutăților
• Construirea dependențelor de rang
• Detectarea anomaliilor

Tipuri de intrări de antrenament

• O descriere de atribut a obiectelor sau o matrice de atribute-obiect este cel mai frecvent caz. Fiecare obiect este descris de un set de caracteristici.
• Matricea distanțelor dintre obiecte. Fiecare obiect este descris prin distanțe față de toate celelalte obiecte din eșantionul de antrenament, cel mai adesea prin relații de similitudine perechi.
• Serii temporale sau semnal . Secvența măsurătorilor în timp, care poate fi reprezentată printr-un număr, un vector și, în cazul general, o descriere orientativă la un moment dat.
• Secvență de imagini sau videoclipuri .
• text simplu folosind procesarea limbajului natural .

Tipuri de funcționale de calitate

• Când învățați cu un profesor  , calitatea funcțională poate fi definită ca eroarea medie a răspunsurilor. Se presupune că algoritmul dorit ar trebui să-l minimizeze. Pentru a preveni supraajustarea , un regulator este adesea adăugat explicit sau implicit la funcționalitatea de calitate care trebuie minimizată.
• În învățarea nesupravegheată  , funcționalitățile de calitate pot fi definite în moduri diferite, de exemplu, ca raportul dintre distanțe medii între cluster și intra-cluster.
• În învățarea prin întărire  , funcționalitățile calității sunt determinate de mediul fizic, ceea ce arată calitatea adaptării agentului.

Aplicații practice

Scopul învățării automate este automatizarea parțială sau completă a soluționării unor probleme profesionale complexe în diverse domenii ale activității umane.

Învățarea automată are o gamă largă de aplicații :

• Recunoaștere a vorbirii
• Recunoașterea gesturilor
• Scris de mana recunoscut
• Recunoasterea formelor
• Diagnosticare tehnică
• Diagnosticul medical
• Prognoza serii temporale
• bioinformatica
• Detectarea fraudei
• Detectare spam
• Clasificarea documentelor
• Analiza tehnica a stocurilor
• Supraveghere financiară (vezi și Infracțiuni financiare )
• Scorul de credit
• Predicția de ieșire a clienților
• Chimioinformatica
• Învățarea să ierarhizeze în regăsirea informațiilor

Domeniul de aplicare al învățării automate este în continuă extindere. Informatizarea pe scară largă duce la acumularea de cantități uriașe de date în știință, producție, afaceri, transport și asistență medicală. Problemele de prognoză, control și luare a deciziilor care apar în acest caz sunt adesea reduse la învățare prin precedente. Anterior, atunci când astfel de date nu erau disponibile, aceste sarcini fie nu erau stabilite deloc, fie erau rezolvate prin metode complet diferite.

Vezi și

• Invatare profunda
• Învățare automată cuantică
• Inteligenţă artificială

Note

Comentarii

1. ↑ Potrivit cunoscutului specialist în învățarea automată Jan LeCun , învățarea automată este reproducerea gândirii bazată pe rețele neuronale artificiale [1]

Note de subsol

1. ↑ LeCun, 2021 , p. 78.

Literatură

• Ayvazyan S. A. , Enyukov I. S., Meshalkin L. D. Statistica aplicată: elementele de bază ale modelării și procesării datelor primare. - M .: Finanțe și statistică, 1983.
• Ayvazyan S. A., Enyukov I. S., Meshalkin L. D. Statistica aplicată: studiul dependențelor. - M .: Finanțe și statistică, 1985.
• Ayvazyan S. A., Buchstaber V. M. , Enyukov I. S., Meshalkin L. D. Statistica aplicată: clasificarea și reducerea dimensionalității. - M .: Finanțe și statistică, 1989.
• Vapnik VN Reconstrucția dependențelor pe baza datelor empirice. — M.: Nauka , 1979.
• Zhuravlev Yu. I ., Ryazanov V. V., Senko O. V. „Recunoaștere”. Metode matematice. Sistem software. Aplicații practice. — M.: Fazis, 2006. ISBN 5-7036-0108-8 .
• Zagoruiko NG Metode aplicate de analiză a datelor și a cunoștințelor. - Novosibirsk: IM SO RAN, 1999. ISBN 5-86134-060-9 .
• Flach P. Învățare automată. - M. : DMK Press, 2015. - 400 p. — ISBN 978-5-97060-273-7 .
• Shlesinger M., Glavach V. Zece prelegeri despre recunoașterea statistică și structurală. - Kiev: Naukova Dumka , 2004. ISBN 966-00-0341-2 .
• Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction . — Ed. a II-a. - Springer-Verlag, 2009. - 746 p. - ISBN 978-0-387-84857-0 . .
• Mitchell T. Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997. ISBN 0-07-042807-7 .
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach , Tioga Publishing Company, ISBN 0-935382-05-4 ( Machine Learning: An Artificial Intelligence Approach  in Google Books " ).
• Vapnik V. N. Teoria învăţării statistice. — NY: John Wiley & Sons, Inc., 1998. [1]
• Bernhard Schölkopf , Alexander J. Smola Învățarea cu sâmburi. Sprijină mașini vectoriale, regularizare, optimizare și nu numai. - MIT Press , Cambridge, MA, 2002 ISBN 978-0-262-19475-4 [2]
• I. H. Witten , E. Frank Data Mining: Instrumente și tehnici practice de învățare automată (ediția a doua). — Morgan Kaufmann, 2005 ISBN 0-12-088407-0 [3]
• Liang Wang, Li Cheng, Guoying Zhao. Învățare automată pentru analiza mișcării umane. - IGI Global, 2009. - 318 p. - ISBN 978-1-60566-900-7 .
• Jan LeCun . Cum învață o mașină. O revoluție în rețelele neuronale și învățarea profundă. (Biblioteca Sber: Inteligența artificială). - M . : Alpina non-fiction, 2021. - ISBN 978-5-907394-29-2 .

Link -uri

• Weka: Software de extragere a datelor în Java
• www.MachineLearning.ru  este o resursă wiki profesională dedicată învățării automate și extragerii datelor
• MMRO - Metode matematice de recunoaștere a modelelor
• Konstantin Vorontsov . Curs de prelegeri Metode matematice de predare după precedente , Institutul de Fizică și Tehnologie din Moscova , 2004—2008
• Konstantin Vorontsov . Curs de învățare automată la școala de analiză a datelor Yandex .
• Igor Kuralenok . Curs de învățare automată Lectorium.
• Roman Shamin . Curs „Învățare automată și inteligență artificială în matematică și aplicații” . REC al Institutului de Matematică. V. A. Steklov RAS

Dicționare și enciclopedii	mare chinezesc mare chinezesc Mare norvegian Britannica (online) Treccani
În cataloagele bibliografice	GND : 4193754-5 J9U : 987007541156405171 LCCN : sh85079324 NDL : 001210569 NKC : ph126143