Sistemos mokymasis

Straipsnis iš Vikipedijos, laisvosios enciklopedijos.
Peršokti į: navigaciją, paiešką

Sistemos mokymasis (machine learning) – dirbtinio intelekto sritis, kuri apima metodų kūrimą, mokinančių kompiuterius „mąstyti“. Tai yra programų kūrimo būdas, kai sukurta sistema prisitaiko prie duomenų („apsimoko“). Sistemos mokymasis yra stipriai susijęs su statistika, nes sistemos mokymasis ir statistika nagrinėja duomenų analizę, bet skirtingai nuo statistikos, sistemų mokymasis yra susijęs su skaičiavimams naudojamų algoritmų sudėtingumais. Daugelis išvadų radimo problemų yra NP-sudėtingumo problemos, dėl to sistemų mokymosi algoritmai yra gana efektyvus sprendimas, kai nėra būtinas idealus tikslumas.

Sistemos mokymasis naudojamas įvairiose srityse: paieškos sistemose, medicinos diagnostikoje, sukčiavimų mokėjimo kortelėmis atskleidime, fondų biržos analizėje, DNR sekų klasifikavime, kalbos ir rašysenos atpažinime, žaidimuose ir robotų judėjime.

Žmogaus įsikišimas[taisyti | redaguoti kodą]

Kai kurios mokymosi sistemos turi tikslą eliminuoti žmogaus intuicijos poreikį duomenims analizuoti, nors yra ir sistemų pritaikytų bendram žmogaus ir kompiuterio darbui. Žmogaus intuicija negali būti visiškai atmesta, nes sistemos kūrėjas turi nurodyti kaip atvaizduoti duomenis ir kokiais mechanizmais bus naudojamasi duomenų apibūdinimui. Sistemos mokymąsi galima įsivaizduoti kaip bandymą automatizuoti mokslinio metodo dalis. Yra mokslininkų, tiriančių sistemų mokymąsi, kurie kuria metodus pagal Baieso statistikos modelį.

Algoritmų tipai[taisyti | redaguoti kodą]

Sistemos mokymosi algoritmai yra sistematizuoti pagal jų rezultatus. Bendri algoritmų tipai:

  • prižiūrimas mokymasis – algoritmas generuoja funkciją, kuri sieja įvedimą su tinkamu išvedimu. Viena iš standartinių prižiūrimo mokymosi formuluočių yra klasifikavimo problema: sistema turi išmokti (kad aproksimuoti funkcijos elgesį) funkciją, kuri susieja vektorių [X_1, X_2, \ldots X_N] su skirtingomis klasėmis, tikrinant kelis funkcijos įvedimo – išvedimo rezultatus.
  • neprižiūrimas mokymasis – modeliuoja aibę įvedimų: pažymėti pavyzdžiai neprieinami.
  • dalinai prižiūrimas mokymasis – apjungia pažymėtus ir nepažymėtus pavyzdžius atitinkamai funkcijai arba klasifikatoriui sugeneruoti.
  • mokymasis su pastiprinimu – algoritmas keičia elgsenos strategiją, priklausomai nuo pateiktų žinių apie pasaulį. Kiekvienas veiksmas turi įtakos aplinkai, o aplinka gražina informaciją, pagal kuria vadovaujasi besimokantis algoritmas.
  • signalo keitimas – algoritmas panašus į prižiūrimą mokymąsi, bet skirtingai nuo jo nesiekia sukonstruoti tikslią funkciją. Bando nuspėti naujus išvedimus pagrįstus bandymų įvedimais, bandymų išvedimais ir naujais įvedimais.
  • mokymasis mokintis – algoritmas nagrinėja savo induktyvaus tendencingumo pagrįstą ankstesne patirtimi.

Taip pat skaitykite[taisyti | redaguoti kodą]