Τι είναι η μηχανική μάθηση;

Τι είναι η επιτηρούμενη μάθηση;

Η εποπτευόμενη μάθηση είναι το πρώτο από τα τέσσερα μοντέλα μηχανικής μάθησης. Στους εποπτευόμενους μαθησιακούς αλγορίθμους, η μηχανή διδάσκεται με το παράδειγμα. Τα εποπτευόμενα μοντέλα μάθησης αποτελούνται από ζεύγη δεδομένων «εισόδου» και «εξόδου», όπου η έξοδος επισημαίνεται με την επιθυμητή τιμή. Για παράδειγμα, ας πούμε ότι ο στόχος είναι το μηχάνημα να πει τη διαφορά μεταξύ daisies και πανσιόν. Ένα ζεύγος δυαδικών δεδομένων εισόδου περιλαμβάνει τόσο μια εικόνα μιας daisy όσο και μια εικόνα μιας πανσί. Το επιθυμητό αποτέλεσμα για αυτό το συγκεκριμένο ζεύγος είναι να διαλέξουμε το daisy, οπότε θα προπροσδιοριστεί ως το σωστό αποτέλεσμα.

Μέσω ενός αλγορίθμου, το σύστημα συλλέγει όλα αυτά τα δεδομένα εκπαίδευσης με την πάροδο του χρόνου και αρχίζει να καθορίζει τις συσχετίσεις, τις διαφορές και άλλα σημεία της λογικής – μέχρι να μπορεί να προβλέψει τις απαντήσεις για τις ερωτήσεις daisy-or-pansy όλες από μόνες τους. Είναι το ισοδύναμο του να δίνουν σε ένα παιδί ένα σύνολο προβλημάτων με ένα κλειδί απάντησης, στη συνέχεια να τους ζητάει να δείξουν το έργο τους και να εξηγήσουν τη λογική τους. Τα επιτηρούμενα μοντέλα μάθησης χρησιμοποιούνται σε πολλές από τις εφαρμογές με τις οποίες αλληλεπιδρούμε καθημερινά, όπως οι μηχανές συστάσεων για προϊόντα και εφαρμογές ανάλυσης κυκλοφορίας όπως το Waze, που προβλέπουν την ταχύτερη διαδρομή σε διαφορετικές ώρες της ημέρας.

Τι είναι η μάθηση χωρίς επίβλεψη;

Η μη επιβλεπόμενη μάθηση είναι το δεύτερο από τα τέσσερα μοντέλα μηχανικής μάθησης. Στα μοντέλα εκμάθησης χωρίς επίβλεψη, δεν υπάρχει κλειδί απάντησης. Η μηχανή μελετά τα δεδομένα εισόδου – μεγάλο μέρος των οποίων είναι χωρίς ετικέτες και μη δομημένα – και αρχίζει να αναγνωρίζει μοτίβα και συσχετίσεις, χρησιμοποιώντας όλα τα σχετικά, προσβάσιμα δεδομένα. Με πολλούς τρόπους, η μη επιβλεπόμενη μάθηση βασίζεται στον τρόπο με τον οποίο οι άνθρωποι παρατηρούν τον κόσμο. Χρησιμοποιούμε διαίσθηση και εμπειρία για να ομαδοποιήσουμε τα πράγματα μαζί. Καθώς βιώνουμε όλο και περισσότερα παραδείγματα για κάτι, η ικανότητά μας να το κατηγοριοποιούμε και να το εντοπίζουμε γίνεται όλο και πιο ακριβές. Για τις μηχανές, η «εμπειρία» ορίζεται από την ποσότητα των δεδομένων που εισάγονται και διατίθενται. Κοινά παραδείγματα μη εποπτευόμενων εφαρμογών μάθησης περιλαμβάνουν την αναγνώριση προσώπου, την ανάλυση γονιδιακής αλληλουχίας, την έρευνα αγοράς και την ασφάλεια στον κυβερνοχώρο.

Τι είναι η ημι-επιτηρούμενη μάθηση;

Η ημι-επιτηρούμενη μάθηση είναι το τρίτο από τα τέσσερα μοντέλα μηχανικής μάθησης. Σε έναν τέλειο κόσμο, όλα τα δεδομένα θα δομούνται και θα επισημαίνονται πριν εισαχθούν σε ένα σύστημα. Επειδή όμως αυτό δεν είναι προφανώς εφικτό, η ημι-εποπτευόμενη μάθηση γίνεται μια λειτουργική λύση όταν υπάρχουν τεράστιες ποσότητες ανεπεξέργαστων, μη δομημένων δεδομένων. Αυτό το μοντέλο αποτελείται από την εισαγωγή μικρών ποσοτήτων δεδομένων με ετικέτες για την αύξηση συνόλων δεδομένων χωρίς ετικέτες. Ουσιαστικά, τα επισημασμένα δεδομένα ενεργούν για να δώσουν μια αρχή στο σύστημα και μπορούν να βελτιώσουν σημαντικά την ταχύτητα και την ακρίβεια της μάθησης. Ένας ημι-εποπτευόμενος αλγόριθμος εκμάθησης δίνει οδηγίες στη μηχανή να αναλύσει τα δεδομένα με ετικέτα για τις σχετικές ιδιότητες που θα μπορούσαν να εφαρμοστούν στα μη επισημασμένα δεδομένα.

Όπως διερευνάται σε βάθος σε αυτό το ερευνητικό έγγραφο του MIT Press, υπάρχουν, ωστόσο, κίνδυνοι που σχετίζονται με αυτό το μοντέλο, όπου τα ελαττώματα στα επισημασμένα δεδομένα μαθαίνουν και αναπαράγονται από το σύστημα. Οι εταιρείες που χρησιμοποιούν με τη μεγαλύτερη επιτυχία ημι-εποπτευόμενη μάθηση διασφαλίζουν την εφαρμογή πρωτοκόλλων βέλτιστης πρακτικής. Η ημι-επιβλεπόμενη μάθηση χρησιμοποιείται στην ανάλυση της ομιλίας και της γλώσσας, στην πολύπλοκη ιατρική έρευνα όπως η κατηγοριοποίηση πρωτεϊνών και η ανίχνευση απάτης υψηλού επιπέδου.

Τι είναι η ενίσχυση της μάθησης;

Η ενισχυμένη μάθηση είναι το τέταρτο μοντέλο μηχανικής μάθησης. Στην εποπτευόμενη μάθηση, στη μηχανή δίνεται το κλειδί απάντησης και μαθαίνει βρίσκοντας συσχετίσεις ανάμεσα σε όλα τα σωστά αποτελέσματα. Το μοντέλο εκμάθησης ενίσχυσης δεν περιλαμβάνει ένα κλειδί απάντησης αλλά, μάλλον, εισάγει ένα σύνολο επιτρεπόμενων δράσεων, κανόνων και πιθανών τελικών καταστάσεων. Όταν ο επιθυμητός στόχος του αλγορίθμου είναι σταθερός ή δυαδικός, οι μηχανές μπορούν να μάθουν με παράδειγμα. Αλλά σε περιπτώσεις όπου το επιθυμητό αποτέλεσμα είναι αμετάβλητο, το σύστημα πρέπει να μαθαίνει από την εμπειρία και την ανταμοιβή. Στα ενισχυτικά μαθησιακά μοντέλα, η “ανταμοιβή” είναι αριθμητική και προγραμματίζεται στον αλγόριθμο ως κάτι που το σύστημα επιδιώκει να συλλέξει.

Με πολλούς τρόπους, αυτό το μοντέλο είναι ανάλογο με τη διδασκαλία κάποιου πώς να παίζει σκάκι. Σίγουρα, θα ήταν αδύνατο να προσπαθήσουμε να τους δείξουμε κάθε πιθανή κίνηση. Αντ' αυτού, εξηγείτε τους κανόνες και οικοδομούν τις δεξιότητές τους μέσω της πρακτικής. Οι ανταμοιβές έρχονται με τη μορφή όχι μόνο της νίκης στο παιχνίδι, αλλά και της απόκτησης των κομματιών του αντιπάλου. Οι εφαρμογές της ενισχυμένης μάθησης περιλαμβάνουν αυτοματοποιημένες προσφορές τιμών για αγοραστές επιγραμμικής διαφήμισης, ανάπτυξη παιχνιδιών ηλεκτρονικών υπολογιστών και χρηματιστηριακές συναλλαγές υψηλού κινδύνου.