Жасанды интеллект. Информатика, 11 сынып, дидактикалық материал.

Машиналық оқытуға кіріспе

1.1 Кіріспе

Машинамен оқытудың арқасында бағдарламашы барлық ықтимал мәселелерді ескеретін және барлық шешімдерді қамтитын нұсқаулық жазуға міндетті емес. Оның орнына шаблондар алынған және соның негізінде болжамдар жасалынған статистикалық деректерді интегралды қолдану арқылы шешім табу үшін жеке шешім алгоритмі бар компьютер (немесе бөлек бағдарлама) орналастырылған.

Деректерді талдау негізінде машиналық оқыту технологиясы олар дойбы ойнауға арналған алғашқы бағдарламаларды жасай бастаған кезде 1950 жылдан басталады. Соңғы онжылдықтарда жалпы қағида өзгерген жоқ. Бірақ компьютерлердің есептеу қуатының қарқынды өсуінің арқасында олар жасаған заңдар мен болжамдар күрделене түсті және машиналық оқытуды қолдану арқылы шешілетін мәселелер мен мәселелер шеңбері кеңейе түсті.

Машинамен оқыту процесін бастау үшін алдымен алгоритм сұраныстарды өңдеуді үйренетін компьютерге Деректер кестесін (бастапқы деректердің белгілі бір мөлшері) жүктеу керек. Мысалы, иттер мен мысықтардың суреттері болуы мүмкін, олардың тегтері бар, олар кімге жататынын көрсетеді. Тренингтен кейін бағдарламаның өзі иттер мен мысықтарды тег суретінсіз жаңа суреттерде тани алады. Оқу процесі болжамдар шығарылғаннан кейін де жалғасады, біз бағдарламаны қаншалықты көп талдайтын болсақ, ол суретті дәлірек анықтай алады.

Машиналарды үйренудің арқасында компьютерлер фотосуреттер мен сызбаларда тек беттерді ғана емес, сонымен қатар ландшафттарды, нысандарды, мәтіндер мен сандарды тануды үйренеді. Мәтінге келетін болсақ, мұнда машинаны үйренусіз мүмкін емес: грамматиканы тексеру функциясы кез-келген мәтіндік редакторда, тіпті телефондарда да бар. Тек сөздердің емлесі ғана емес, сонымен қатар контекст, мағыналық реңктер және басқа да нәзік лингвистикалық аспектілер ескеріледі. Сонымен қатар, қазірдің өзінде жаңалықтар мақалаларын (экономика және, мысалы, спорт) адамның араласуынсыз жаза алатын бағдарламалық жасақтама бар.

1.2 Машиналарды оқыту тапсырмаларының түрлері

ML көмегімен шешілетін барлық тапсырмалар келесі категориялардың біріне жатады.

1) Регрессияның міндеті - әр түрлі атрибуттары бар нысандар үлгісіне негізделген болжам. Шығу нақты сан болуы керек (2, 35, 76.454, т.б.), мысалы, пәтердің бағасы, алты айдан кейінгі кепіл құны, дүкеннен келесі айға күтілетін кіріс.

2) Жіктеудің міндеті - белгілер жиынтығы негізінде категориялық жауап алу. Ол жауаптардың шексіз санына ие (әдетте «иә» немесе «жоқ» форматында): фотосуретте мысық бар ма, адамның бет-бейнесі, қатерлі ісікпен ауыратын науқас па?

3) Кластерлеу міндеті - деректерді топтарға бөлу: ұялы байланыс операторының барлық клиенттерін төлем қабілеттілік деңгейі бойынша бөлу, ғарыш объектілерін бір санатқа немесе басқа категорияға жіктеу (планета, жұлдыздар, қара шұңқыр және т.б.).

4) Өлшемді азайту міндеті - олардың келесі визуализациясының ыңғайлылығы үшін (мысалы, деректерді сығымдау) ыңғайлы болу үшін көптеген функцияларды кішірекке (әдетте 2-3) азайту.

5) Аномалияны анықтау міндеті - аномалияны әдеттегі жағдайлардан бөлу. Бір қарағанда, бұл классификациялық тапсырмаға сәйкес келеді, бірақ бір маңызды айырмашылық бар: аномалиялар - сирек кездесетін құбылыс, ал мұндай нысандарды анықтауға машиналық оқыту моделін үйрете алатын жаттығулар мысалдары өте аз немесе жай емес, сондықтан жіктеу әдістері бұл жерде жұмыс істемейді. . Іс жүзінде мұндай міндет, мысалы, банк карточкаларымен жалған әрекеттерді анықтау болып табылады.

https://habr.com/ru/post/448892/