Makine Öğrenimi - Kategoriler

Makine Öğrenimi, genel olarak aşağıdaki başlıklar altında kategorize edilir -

Makine öğrenimi, yukarıdaki şemada gösterildiği gibi soldan sağa doğru gelişti.

Başlangıçta, araştırmacılar Denetimli Öğrenme ile başladı. Bu, daha önce tartışılan konut fiyatı tahmini durumudur.
Bunu, makinenin herhangi bir denetim olmaksızın kendi kendine öğrenmesi için yapıldığı denetimsiz öğrenme izledi.
Bilim adamları ayrıca, işi beklenen şekilde yaptığında makineyi ödüllendirmenin iyi bir fikir olabileceğini keşfettiler ve orada Takviye Öğrenimi geldi.
Çok yakında, bugünlerde mevcut olan veriler o kadar muazzam hale geldi ki, şimdiye kadar geliştirilen geleneksel teknikler büyük veriyi analiz etmekte ve bize tahminler sağlamakta başarısız oldu.
Böylece, ikili bilgisayarlarımızda oluşturulan Yapay Sinir Ağlarında (YSA) insan beyninin simüle edildiği derin öğrenme geldi.
Makine artık bugün mevcut olan yüksek bilgi işlem gücünü ve devasa bellek kaynaklarını kullanarak kendi kendine öğreniyor.
Şimdi, Derin Öğrenmenin daha önce çözülemeyen sorunların çoğunu çözdüğü gözlemlenmektedir.
Teknik, artık Derin Öğrenme ağlarına ödül olarak teşvikler vererek daha da geliştirildi ve sonunda Derin Pekiştirmeli Öğrenme geliyor.

Şimdi bu kategorilerin her birini daha ayrıntılı inceleyelim.

Denetimli Öğrenme

Denetimli öğrenme, bir çocuğu yürümesi için eğitmeye benzer. Çocuğun elini tutacak, ona ayağını nasıl ileriye götüreceğini gösterecek, bir gösteri için kendi başına yürüyecek vb. Çocuk kendi başına yürümeyi öğrenene kadar.

Regresyon

Benzer şekilde, denetimli öğrenme durumunda, bilgisayara somut bilinen örnekler verirsiniz. Verilen x1 özellik değeri için çıktının y1, x2 için y2, x3 için y3 vb. Olduğunu söylüyorsunuz. Bu verilere dayanarak, bilgisayarın x ve y arasında deneysel bir ilişki bulmasına izin verirsiniz.

Makine yeterli sayıda veri noktası ile bu şekilde eğitildikten sonra, makineden belirli bir X için Y'yi tahmin etmesini isteyeceksiniz. Bu verilen X için Y'nin gerçek değerini bildiğinizi varsayarsak, sonuç çıkarabileceksiniz. makinenin tahmininin doğru olup olmadığı.

Böylece, makinenin bilinen test verilerini kullanarak öğrenip öğrenmediğini test edeceksiniz. Makinenin tahminleri istenen bir doğruluk düzeyinde (örneğin% 80 ila% 90) yapabildiğinden emin olduğunuzda, makineyi daha fazla eğitmeyi bırakabilirsiniz.

Artık bilinmeyen veri noktalarında tahmin yapmak için makineyi güvenle kullanabilir veya makineden Y'nin gerçek değerini bilmediğiniz belirli bir X için Y'yi tahmin etmesini isteyebilirsiniz. Bu eğitim, bahsettiğimiz regresyonun altında gelir. daha erken.

Sınıflandırma

Sınıflandırma problemleri için makine öğrenimi tekniklerini de kullanabilirsiniz. Sınıflandırma problemlerinde, benzer yapıdaki nesneleri tek bir grupta sınıflandırırsınız. Örneğin, 100 öğrenciden oluşan bir grupta, onları boylarına göre üç gruba ayırmak isteyebilirsiniz - kısa, orta ve uzun. Her öğrencinin boyunu ölçerek, onları uygun bir gruba yerleştireceksiniz.

Şimdi, yeni bir öğrenci geldiğinde, boyunu ölçerek onu uygun bir gruba koyacaksınız. Regresyon eğitimindeki ilkeleri takip ederek, makineyi öğrenciyi özelliğine - boyuna - göre sınıflandırması için eğiteceksiniz. Makine, grupların nasıl oluştuğunu öğrendiğinde, bilinmeyen her yeni öğrenciyi doğru bir şekilde sınıflandırabilecektir. Bir kez daha, geliştirilen modeli üretime koymadan önce makinenin sınıflandırma tekniğinizi öğrendiğini doğrulamak için test verilerini kullanırsınız.

Denetimli Öğrenme, AI'nın gerçekten yolculuğuna başladığı yerdir. Bu teknik, birkaç durumda başarıyla uygulandı. Makinenizde elle yazılmış tanıma yaparken bu modeli kullandınız. Denetimli öğrenme için çeşitli algoritmalar geliştirilmiştir. Sonraki bölümlerde onlar hakkında bilgi edineceksiniz.

Denetimsiz Öğrenme

Denetimsiz öğrenmede, makineye bir hedef değişken belirtmiyoruz, bunun yerine makineye "X hakkında bana ne söyleyebilirsiniz?" Diye soruyoruz. Daha spesifik olarak, büyük bir veri kümesi X verildiğinde, "X'ten çıkarabileceğimiz en iyi beş grup hangileridir?" Gibi sorular sorabiliriz. veya "X'te en sık birlikte hangi özellikler oluşur?". Bu tür soruların yanıtlarına ulaşmak için, makinenin bir strateji çıkarması için ihtiyaç duyacağı veri noktalarının sayısının çok büyük olacağını anlayabilirsiniz. Denetimli öğrenme durumunda, makine yaklaşık birkaç bin veri noktasıyla bile eğitilebilir. Ancak, denetimsiz öğrenme durumunda, öğrenme için makul olarak kabul edilen veri noktalarının sayısı birkaç milyonda başlar. Bu günlerde, veriler genellikle bol miktarda mevcuttur. Veriler ideal olarak küratörlüğü gerektirir. Bununla birlikte, bir sosyal alan ağında sürekli olarak akan veri miktarı, çoğu durumda veri iyileştirme imkansız bir görevdir.

Aşağıdaki şekil, denetimsiz makine öğrenimiyle belirlenen sarı ve kırmızı noktalar arasındaki sınırı gösterir. Açıkça görebileceğiniz gibi, makine siyah noktaların her birinin sınıfını oldukça iyi bir doğrulukla belirleyebilir.

Kaynak:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

Denetimsiz öğrenme, yüz algılama, nesne algılama vb. Gibi birçok modern AI uygulamasında büyük bir başarı göstermiştir.

Takviye Öğrenme

Bir evcil köpek yetiştirmeyi düşünün, evcil hayvanımızı bize bir top getirmesi için eğitiyoruz. Topu belli bir mesafeye atıyoruz ve köpeğin bize geri getirmesini istiyoruz. Köpek bunu her doğru yaptığında köpeği ödüllendiriyoruz. Yavaş yavaş, köpek işi doğru yapmanın ona bir ödül verdiğini öğrenir ve daha sonra köpek gelecekte her seferinde işi doğru şekilde yapmaya başlar. Tam olarak, bu kavram “Pekiştirme” türü öğrenmede uygulanır. Teknik başlangıçta makinelerin oyun oynaması için geliştirildi. Makineye, oyunun her aşamasında olası tüm hareketleri analiz etmek için bir algoritma verilmiştir. Makine, hareketlerden birini rastgele seçebilir. Hareket doğruysa makine ödüllendirilir, aksi takdirde cezalandırılabilir. Yavaş yavaş, makine doğru ve yanlış hareketleri ayırt etmeye başlayacak ve birkaç yinelemeden sonra oyun bulmacasını daha iyi bir doğrulukla çözmeyi öğrenecektir. Oyunu kazanmanın doğruluğu, makine gittikçe daha fazla oyun oynadıkça artacaktır.

Tüm süreç aşağıdaki diyagramda gösterilebilir -

Bu makine öğrenimi tekniği, etiketli giriş / çıkış çiftlerini sağlamanız gerekmemesi açısından denetimli öğrenmeden farklıdır. Odak noktası, yeni çözümleri keşfetme ile öğrenilen çözümleri kullanma arasındaki dengeyi bulmaktır.

Derin Öğrenme

Derin öğrenme, Yapay Sinir Ağlarına (YSA), daha özel olarak Evrişimli Sinir Ağlarına (CNN) dayalı bir modeldir. Derin sinir ağları, derin inanç ağları, tekrarlayan sinir ağları ve evrişimli sinir ağları gibi derin öğrenmede kullanılan birkaç mimari vardır.

Bu ağlar, bilgisayarla görme, konuşma tanıma, doğal dil işleme, biyoinformatik, ilaç tasarımı, tıbbi görüntü analizi ve oyun sorunlarının çözümünde başarıyla uygulanmıştır. Derin öğrenmenin proaktif olarak uygulandığı birkaç başka alan vardır. Derin öğrenme, bugünlerde genellikle kolayca erişilebilen devasa bir işlem gücü ve muazzam veriler gerektirir.

İlerleyen bölümlerde derin öğrenmeden daha ayrıntılı olarak bahsedeceğiz.

Derin Pekiştirmeli Öğrenme

Deep Reinforcement Learning (DRL), hem derin hem de pekiştirmeli öğrenme tekniklerini birleştirir. Q-öğrenme gibi pekiştirmeli öğrenme algoritmaları artık güçlü bir DRL modeli oluşturmak için derin öğrenme ile birleştirildi. Teknik, robotik, video oyunları, finans ve sağlık hizmetleri alanlarında büyük bir başarı elde etti. Daha önce çözülemeyen birçok sorun artık DRL modelleri oluşturularak çözülmüştür. Bu alanda pek çok araştırma var ve bu endüstriler tarafından çok aktif bir şekilde takip ediliyor.

Şimdiye kadar, çeşitli makine öğrenimi modellerine kısa bir giriş yaptınız, şimdi bu modeller altında bulunan çeşitli algoritmaları biraz daha derinlemesine inceleyelim.