Машиналық оқыту принциптері мен жұмыс істеу жүйесі

Машиналық оқыту принциптері мен жұмыс істеу әдістері

Машиналық оқыту дегеніміз не?

Машиналық оқыту (Machine Learning) — оқуға қабілетті алгоритмдерді құру әдістерін зерттейтін жасанды интеллекттің ауқымды бөлімшесі. Оқытудың екі түрі бар. Прецеденттер бойынша оқыту немесе индуктивті оқыту жеке эмпирикалық мәліметтер бойынша жалпы заңдылықтарды анықтауға негізделген. 

Дедуктивті оқыту сарапшылардың білімін формализациялауды және оларды білім базасы түрінде компьютерге беруді қамтиды. Дедуктивті оқыту әдетте сараптамалық жүйелер саласына жатады, сондықтан Машиналық оқыту және прецеденттер бойынша оқыту терминдерін синоним деп санауға болады. 

Машиналық оқыту математикалық статистиканың, оңтайландыру әдістерінің және классикалық математикалық пәндердің қиылысында орналасқан, бірақ сонымен бірге есептеу тиімділігі мен қайта оқыту проблемаларына байланысты өзіндік ерекшелігі бар. Индуктивті оқытудың көптеген әдістері классикалық статистикалық тәсілдерге балама ретінде жасалды. Көптеген әдістер ақпарат шығарумен және деректерді іздеумен (Data Mining) тығыз байланысты.

машиналық оқыту
https://voximplant.ru/blog/what_is_machine_learning

Машиналық оқытудың әдістері

Қолданбалы салаларда пайда болатын кейбір тапсырмалар оқу тапсырмаларының бірнеше стандартты түрлерінің ерекшеліктеріне ие, сондықтан оларды белгілі бір түрге жатқызу қиын. 

Инвестициялық портфельді қалыптастыру (portfolio selection) — ақпараттық белгілерді таңдау өте маңызды болып табылатын күшейтумен динамикалық оқыту. Белгілердің рөлін қаржы құралдары ойнайды. Оңтайлы белгілер жиынтығының (портфельдің) құрамы уақыт өте келе өзгеруі мүмкін. САПАНЫҢ функционалдығы-бұл портфельді басқарудың осы стратегиясына инвестиция салудан ұзақ мерзімді пайда. 

Бірлескен фильтрлер (collaborative filtering) — бұл пайдаланушылардың бұрынғы қалауы мен ұқсас пайдаланушылардың қалауы негізінде олардың қалауын болжау. Жоқ деректерді жіктеу, кластерлеу және толықтыру элементтері қолданылады. Клиенттің ортасын жекелендіру және талдау бөлімін қараңыз.

Машиналық оқыту әдістері
https://www.calltouch.ru/glossary/mashinnoe-obuchenie/

Машиналық оқытудың жұмыс істеу принциптері

Тікелей оқыту (supervised learning) — ең көп таралған жағдай. Әр прецедент- бұл «объект, жауап» жұбы. Жауаптардың объектілердің сипаттамаларына функционалды тәуелділігін табу және кіреберістеобъектінің сипаттамасын қабылдайтын және шығуда жауап беретін алгоритм құру қажет. 

Сапа функциясы, әдетте, барлық іріктеу нысандары үшін алгоритммен берілген жауаптардың орташа қателігі ретінде анықталады. Жіктеу міндеті (classification) әр түрлі, өйткені әрине, көптеген қолайлы жауаптар бар. Оларды сынып белгілері(class label) деп атайды. Класс- бұл затбелгі мәні бар барлық объектілердің жиынтығы. Регрессия мәселесі (regression) әр түрлі, өйткені жарамды жауап нақты Сан немесе сандық вектор болып табылады.Рейтинг тапсырмасы (rank-ке үйрену) әр түрлі, өйткені жауаптарды бірден көптеген нысандарда алу керек, содан кейін оларды жауаптардың мәні бойынша сұрыптау керек. Жіктеу немесе регрессия міндеттеріне дейін азайтылуы мүмкін. Ол көбінесе ақпаратты іздеуде және мәтіндерді талдауда қолданылады. Болжау (forecasting) міндеті объектілер болашаққа болжам жасау қажет болған сәтте үзілетін уақыт қатарларының кесінділері болып табылатындығымен ерекшеленеді. Болжау мәселелерін шешу үшін көбінесе регрессия немесе жіктеу әдістерін бейімдеуге болады, ал екінші жағдайда шешім қабылдау міндеттері туралы көбірек айтылады. 

Оқытусыз оқыту (unsupervised learning). Бұл жағдайда жауаптар берілмейді және объектілер арасындағы тәуелділікті іздеу керек. Кластерлеу (clustering) міндетіобъектілердің жұптық ұқсастығы туралы мәліметтерді қолдана отырып, нысандарды кластерлерге топтастыру. Сапаның функционалдығын әртүрлі жолдармен анықтауға болады, мысалы, орташа кластер аралық және интракластер аралық қашықтықтардың қатынасы. Ассоциативті ережелерді іздеу міндеті (association rules learning). Бастапқы деректер атрибуттық сипаттама түрінде ұсынылады. Мұндай белгілер жиынтығын табу керек, және осы белгілердің мәндері, әсіресе объектілердің сипаттамалық сипаттамаларында жиі кездеседі (кездейсоқ емес). 

Шығарындыларды іріктеу міндеті (outliers detection) — оқу үлгісінде атиптік емес объектілердің аз санын анықтау. Кейбір қосымшаларда оларды іздеу өздігінен аяқталады (мысалы, алаяқтықты анықтау). Басқа қосымшаларда бұл нысандар деректер қателерінің немесе модельдің дәлсіздігінің салдары болып табылады, яғни модельді орнатуға кедергі келтіретін шу және оны іріктеуден алып тастау керек, сонымен қатар жасырын әдістер мен сыныптастарды қараңыз

Сенімді аймақты құру міндеті (quantile estimation) — үлгінің берілген үлесін қамтитын жеткілікті тегіс шекарасы бар минималды көлем аймағы.Өлшемділікті азайту (dimensionality reduction) міндетікейбір түрлендіру функцияларын қолдана отырып, бастапқы белгілер бойынша іріктеу объектілері туралы маңызды ақпаратты жоғалтпай жаңа белгілердің ең аз санына көшу. Сызықтық түрлендіру класында ең танымал мысалнегізгі компоненттер әдісі.