מהי למידת מכונה?

מהי למידה מפוקחת?

 

למידה מפוקחת היא הראשונה מבין ארבעה מודלים של למידת מכונה. באלגוריתמים של למידה מפוקחת, המכונה נלמדת על ידי דוגמה. מודלי למידה מפוקחים כוללים צמדי נתונים "קלט" ו"פלט", שבהם הפלט מסומן בערך הרצוי. לדוגמה, בוא נאמר שהמטרה היא למכונה לספר את ההבדל בין דאיסיות לפאנסיות. זוג נתוני קלט בינארי אחד כולל גם תמונה של דייזי וגם תמונה של פנזי. התוצאה הרצויה עבור זוג מסוים זה היא לבחור את הדאיזי, ולכן היא תזוהה מראש כתוצאה הנכונה.

 

באמצעות אלגוריתם, המערכת מרכיבה את כל נתוני האימון האלה לאורך זמן ומתחילה לקבוע קווי דמיון קוריחים, הבדלים ונקודות לוגיקה אחרות – עד שהיא יכולה לחזות את התשובות לשאלות דאיזי-או-פנסי כולן בעצמה. זה המקביל לתת לילד סט של בעיות עם מפתח תשובה, ואז לבקש מהם להראות את עבודתם ולהסביר את ההיגיון שלהם. מודלים מפוקחים של למידה משמשים ברבות מהיישומים שאיתם אנו מקיימים אינטראקציה בכל יום, כגון מנועי המלצה למוצרים ואפליקציות ניתוח תנועה כמו Waze, אשר מנבאים את המסלול המהיר ביותר בזמנים שונים של יום.

 

מהי למידה לא מפוקחת?

 

למידה לא מפוקחת היא השנייה מבין ארבעת המודלים של למידת מכונה. במודלים של למידה ללא פיקוח, אין מפתח תשובה. המכונה חוקרת את נתוני הקלט – הרבה מהם לא מתויגים ולא מובנים – ומתחילה לזהות דפוסים וקורלציות, תוך שימוש בכל הנתונים הרלוונטיים והנגישים. במובנים רבים, למידה לא מפוקחת מעוצבת באופן שבו בני אדם צופים בעולם. אנחנו משתמשים באינטואיציה ובניסיון כדי לקבץ דברים ביחד. ככל שאנו חווים יותר ויותר דוגמאות של משהו, היכולת שלנו לקטלג ולזהות אותו הופכת למדויקת יותר ויותר. עבור מכונות, "ניסיון" מוגדר לפי כמות הנתונים שהם קלט והופכים לזמינים. דוגמאות נפוצות של יישומי למידה לא מפוקחים כוללות זיהוי פנים, ניתוח רצף גנים, מחקר שוק ואבטחת סייבר.

 

מהי למידה מפוקחת למחצה?

 

למידה מפוקחת למחצה היא השלישית מתוך ארבעה מודלים של למידת מכונה. בעולם מושלם, כל הנתונים יהיו מובנים ומתויגים לפני שהם נקלטים לתוך מערכת. אבל מכיוון שזה כמובן לא בר ביצוע, למידה מפוקחת למחצה הופכת לפתרון בר ביצוע כאשר יש כמות עצומה של נתונים גולמיים ולא מובנים. מודל זה מורכב מהזנת כמויות קטנות של נתונים מתויגים כדי להגדיל סטים של נתונים ללא תוויות. באופן חיוני, הנתונים המתויגים פועלים כדי לתת התחלה רצה למערכת ויכולים לשפר במידה ניכרת את מהירות ודיוק הלמידה. אלגוריתם של למידה מפוקחת למחצה מנחה את המכונה לנתח את הנתונים המסומנים עבור תכונות תואמות שניתן להחיל על הנתונים ללא התווית.

 

כפי שנחקר לעומק במאמר מחקר זה של MIT Press, ישנם, עם זאת, סיכונים הקשורים למודל זה, בהם פגמים בנתונים המסומנים נלמדים ומשוכפלים על ידי המערכת. חברות שמשתמשות בהצלחה רבה ביותר בלמידה מפוקחת למחצה מבטיחות שפרוטוקולים של שיטות עבודה מומלצות קיימים. למידה מפוקחת למחצה משמשת בניתוח דיבור ולשוני, מחקר רפואי מורכב כמו קטגוריזציה של חלבונים ואיתור הונאות ברמה גבוהה.

 

מה זה לימוד חיזוקים?

 

למידת חיזוק היא מודל למידת המכונה הרביעי. בלמידה מפוקחת, המכונה מקבלת את מפתח התשובה ולומדת על ידי מציאת קורלציות בין כל התוצאות הנכונות. מודל לימוד החיזוק אינו כולל מפתח תשובה אלא מקלט מערך של פעולות מותרות, כללים ומצבי סיום פוטנציאליים. כאשר המטרה הרצויה של האלגוריתם היא קבועה או בינארית, מכונות יכולות ללמוד על ידי דוגמה. אבל במקרים שבהם התוצאה הרצויה ניתנת לשינוי, על המערכת ללמוד על ידי ניסיון ותגמול. במודלים של לימוד חיזוקים, ה"תגמול" הוא מספרי ומתכנת לתוך האלגוריתם כמשהו שהמערכת מבקשת לאסוף.

 

במובנים רבים, המודל הזה אנלוגי להוראת מישהו כיצד לשחק שחמט. ודאי, יהיה בלתי אפשרי לנסות להראות להם כל מהלך פוטנציאלי. במקום זאת, אתה מסביר את הכללים והם בונים את המיומנות שלהם באמצעות תרגול. פרסים באים בצורה של לא רק ניצחון במשחק, אלא גם רכישת פיסות היריב. יישומי למידה של תגבור כוללים הגשת הצעות מחיר אוטומטיות לקניינים של פרסום מקוון, פיתוח משחקי מחשב וסחר בשוק המניות של חברת High Stakes.