Rozrywka
Cztery typy uczenia maszynowego
Uczenie maszynowe, którego początki sięgają przełomu lat 50. i 60., jest coraz szerzej wykorzystywane w biznesie. Dla 68% firm jest to istotny trend technologiczny - wynika z danych SAS Institute.
2
Udostępnij na fb
Udostępnij na X
Uczenie maszynowe
- kategoryzacji/katalogowaniu informacji,
- przewidywaniu określonych zdarzeń na podstawie zidentyfikowanych wzorców,
- identyfikacji nieznanych do tej pory wzorców i zależności między danymi,
- wykrywaniu anomalii oraz nieprzewidywalnych zdarzeń.
Różne rodzaje uczenia maszynowego
- Uczenie nadzorowane (Supervised Learning) - maszyny uczą się na podstawie przykładów. To tak jakby uczniowie otrzymali klucz do testu i zostali poproszeni o jego rozwiązanie. Dane wejściowe są wykorzystywane do wyszukiwania zależności, które służą do rozwiązania określonego problemu. Gdy uda się ustalić pewien wzorzec, jest on wykorzystywany w podobnych przypadkach. Przykłady zastosowania: zarządzanie ryzykiem; wykrywanie nadużyć; personalizacja interakcji; rozpoznawanie mowy, tekstu i obrazu oraz segmentacji klientów.
- Uczenie częściowo nadzorowane (Semi - Supervised Learning) - w tym przypadku maszyna otrzymuje zarówno dane wejściowe oznaczone (zawierające odpowiadające im dane wyjściowe, konkretne przykłady), jak i nieoznaczone (wymagające przyporządkowania do danych wyjściowych, znalezienia odpowiedzi). Ten rodzaj uczenia maszynowego wykorzystuje się w sytuacjach, gdy organizacja dysponuje zbyt dużą ilością danych lub gdy informacje są na tyle zróżnicowane, że nie sposób przyporządkować odpowiedzi do każdej z nich. System sam proponuje odpowiedzi i jest w stanie stworzyć ogólne wzorce. Przykłady zastosowania: rozpoznawanie mowy i obrazu, klasyfikacja stron internetowych.
- Uczenie nienadzorowane (Unsupervised Learning) - maszyna nie posiada "klucza odpowiedzi" i musi sama analizować dane, szukać wzorców i odnajdywać relacje. Ten rodzaj machine learning najbardziej przypomina sposób działania ludzkiego mózgu, który wyciąga wnioski na podstawie spontanicznej obserwacji i intuicji. Wraz ze wzrostem zbiorów danych prezentowane wnioski są coraz bardziej precyzyjne. Przykłady zastosowania: analiza koszyka zakupowego, wykrywanie anomalii, rozpoznawanie podobnych obiektów.
- Uczenie wzmocnione (Reinforcement Learning) - maszyna otrzymuje gotowy zestaw dozwolonych działań, reguł i stwierdzeń. Działając w ich ramach, dokonuje analizy i obserwuje ich skutki. Wykorzystuje reguły w taki sposób, aby osiągnąć pożądany efekt. Można to porównać do nauki gry np. w koszykówkę. Zasady określające, kiedy są kroki, faul czy aut pozostają niezmienne. Natomiast to, w jaki sposób drużyna zdobędzie punkt (zawodnik rzuci z dystansu, wbiegnie pod kosz lub poda) zależy od decyzji graczy, którzy podejmują ją na bieżąco. Przykłady zastosowania: nawigacja (wybór trasy na podstawie informacji o natężeniu ruchu i warunkach na drodze), gaming (dostosowywanie scenariuszy rozgrywki do działań gracza), robotyka (dostosowanie pracy robotów do obłożenia i rodzaju wytwarzanego produktu).
Czego maszyna się nie nauczy?
