Хяналттай, хяналтгүй машин сурах

CHI програм хангамж

2019 оны 5-р сарын 20 · 4 мин уншина

Машин сурах алгоритмын гол зорилго нь өгөгдлийг олж илрүүлэх загвар юм. Судалгаанд хамрагдсан асуултын төрөл, мэдээлэлд үндэслэн сургалтын алгоритмыг сонгоно. Мэдээллийн талаархи сурах арга барилын дагуу тэдгээрийг хоёр ангилалд хувааж болно. Эдгээр нь хяналттай , хяналтгүй сургалтанд хамрагддаг .

Үр дүнгийн бодит үнэлэмжийн талаар өмнө нь мэдээлэлтэй байсан бол газрын үнэнийг ашиглан алгоритм үүсгэж болно. Оролтын хувьсагч (x) ба гаралтын хувьсагч (Y) гэж үзье, харгалзах зураглалыг функцийг оролтоос гаралтад ойролцоогоор тооцоолохын тулд сурах алгоритмыг ашиглана .

Y = f (X) байна.

Зорилго нь f функцийг маш сайн олох бөгөөд ингэснээр бид шинэ, сургалт биш, оролтын өгөгдөл (x) байх үед гаралтын хувьсагчийг (Y) урьдчилан таамаглах боломжтой болно. Бид зөв хариултуудыг мэддэг бөгөөд алгоритм нь сургалтын өгөгдлүүдийн таамаглалыг цаг алдалгүй залруулдаг. Энэ нь алдаагаа засч, зөв ​​хариулт авч байгаа эсэхээ шийдэх багшаар ажилладаг. Тиймээс энэ төрлийн алгоритмыг хяналттай сургалт гэж нэрлэдэг бөгөөд энэ нь сургалтын процесст бүрэн шошго хийгдсэн өгөгдөл байгаа гэсэн үг юм. Бүрэн шошго нь алгоритмын гүйцэтгэл гэж нэрлэдэг таамаглалын нарийвчлалыг хэмжих боломжийг олгодог. Алгоритм нь гүйцэтгэлийн зохих түвшинд хүрсэн тохиолдолд сургалт зогсдог.

Алгоритмын хоёр хэлбэрийн гол ялгаа нь сурах явцдаа бодит үнэн эсвэл өмнөх мэдлэгийг ашиглахгүй байх явдал юм. Өгөгдлийн багцыг төгс шошготой, цэвэр байлгах нь үргэлж амаргүй байдаг, заримдаа боломжгүй байдаг. Тийм учраас хариултыг нь мэдэхгүй алгоритмын асуултууд хэрэгтэй байна. Энэ бол хяналтгүй суралцах арга юм. Энэхүү гарц нь шошгоогүй тул сургалтын загвар нь үүнийг хийх талаар ямар нэгэн зааварчилгаагүйгээр өгөгдлийн өгөгдлийг ашигладаг. Харгалзах гаралтын хувьсагч байхгүй байх нь өгөгдлийн цэгүүдийн байгалийн бүтцийг ойлгох зорилгыг тодорхойлдог. Хяналтгүй суралцах нь оролтын хамаарлын талаар илүү ихийг олж мэдэхийн тулд өгөгдөл дэх тархалтыг загварчлах явдал юм.

Ангилал ба регрессийн асуудал нь хяналттай суралцах нь чухал хоёр чиглэл юм. Нийтлэг алгоритмууд нь логистик регресс, гэнэн байц, дэмжих вектор машин, хиймэл мэдрэлийн сүлжээ, санамсаргүй ой гэх мэт. Ангиллын алгоритмын зорилго нь оролтын өгөгдлийг тодорхой анги, бүлгийн гишүүн гэж тодорхойлж категори буюу дискрет утгыг урьдчилан таамаглах явдал юм. Нөгөө талаар, регрессийн алгоритмын гол зорилго нь аливаа ангилал эсвэл категоритой холбоогүй дискрет эсвэл үргэлжлэх утгыг урьдчилан таамаглах явдал юм. Ангилал ба регрессийн хувьд оролтын тодорхой функцийг үр дүнтэй гаргах боломжийг олгодог. Сургалтын өгөгдлийн хувьд зөв гэж үздэг. Гарц нь үргэлж зөв байдаг гэж хэлэх биш юм. Буруу эсвэл шуугиантай мэдээллийн шошго нь сургалтын үр дүнг бууруулдаг алдааны эх үүсвэр юм. Загварын нарийн төвөгтэй байдал нь алгоритмын гүйцэтгэлд нөлөөлдөг бас нэг хүчин зүйл юм. Нарийн төвөгтэй байдлын түвшин нь сургалтын мэдээллийн шинж чанараас хамаарна. Бүх боломжит хувилбаруудын дагуу бага хэмжээний өгөгдөл эсвэл жигд бус тархалт нь бага төвөгтэй загварыг шаарддаг. Өндөр төвөгтэй байдал нь эдгээр нөхцөлд хэт их хэтрүүлэх хандлагатай байдаг. Энэ нь функцийг сурах нь сургалтын мэдээлэлтэй сайн тохирдог боловч бусад өгөгдлийн цэгүүд дээр нэгтгэгддэггүй гэсэн үг юм. Өндөр төвөгтэй байдал нь эдгээр нөхцөлд хэт их хэтрүүлэх хандлагатай байдаг. Энэ нь функцийг сурах нь сургалтын мэдээлэлтэй сайн тохирдог боловч бусад өгөгдлийн цэгүүд дээр нэгтгэгддэггүй гэсэн үг юм. Өндөр төвөгтэй байдал нь эдгээр нөхцөлд хэт их хэтрүүлэх хандлагатай байдаг. Энэ нь функцийг сурах нь сургалтын мэдээлэлтэй сайн тохирдог боловч бусад өгөгдлийн цэгүүд дээр нэгтгэгддэггүй гэсэн үг юм.

Хяналтгүй суралцахкластер, аномали илрүүлэх, дүрслэх сургалт, нягтралын тооцоо гэх мэт хамгийн түгээмэл ажил гэж нэрлэдэг. Эдгээр бүх тохиолдолд мэдээллийн далд бүтэц нь хүссэн зорилго юм. Хамгийн түгээмэл алгоритмуудад к-кластер, үндсэн бүрэлдэхүүн хэсгийн анализ, автоэнкодер орно. Шошгоогүй өгөгдлийг ашигладаг тул ихэнх хяналт шалгалгүй сурах аргуудад загвар гүйцэтгэлийг харьцуулах тодорхой арга байдаггүй. Хамгийн их хэрэглэгддэг хяналтгүй сургалтын алгоритм бол кластер юм. Энэ нь өгөгдлийн цэгүүдийг бүлгүүдийн тоонд хувааж ангилахдаа шошгоны талаархи таамаглалыг бий болгох үүднээс бодлын хоолыг өгдөг. Аномализмыг илрүүлэх нь өгөгдөл дэх ховор үзэгдлийг олох арга юм. Буруу ажиглалтыг шүүхийн тулд шинжлэх ухааны инженерчлэлд ашиглаж болно. Төлөөллийн сургалт нь холбоотой гэж үзсэн онцлог шинж чанаруудыг олж болно. Энэ нь өгөгдлийн хэмжээсийг багасгах, хяналттай аргаар тоолох журмыг хялбаршуулахын тулд онцлог инженерчлэлд ашигладаг. Автоцодерууд нь оролтын өгөгдлийг авч, оролтыг дахин хийх чадвартай код болгон шахаж, өгөгдлийг чимээ шуугиантай болгож чаддаг.

Ихэвчлэн хяналттай эсвэл хяналтгүй машин сурах алгоритмын хоорондох сонголт нь өгөгдлийн хэмжээ, бүтэцээр тодорхойлсон хүчин зүйлээс хамаардаг. Бодит байдал дээр ашиглалтын хэргийг шийдвэрлэхэд хяналттай эсвэл хяналтгүй алгоритмуудыг хоёуланг нь ашигладаг.

)

• Машин сурах
• ML
• Хяналтгүй сургалт
• Хяналттай сурах

БИЧСЭН

CHI програм хангамж

Хөгжлийн төв. Вэб, гар утас, клоуд ба бусад програмын шийдлүүдийг дэлхий даяар: https://chisw.com/

Machine Learning гэж юу вэ?

Orgilbat

Oct 22, 2018 · 3 min read

Юуны өмнө энэ өгүүлэл Machine Learning -ийн талаар огт юу ч мэдэхгүй хүмүүст зориулсан гэдгийг анхааруулъя. Энд тэнд Machine Learning, AI гэсэн яриа улам ихсэж, харин та юу яриад байгааг нь ойлгохгүйн эрхээр нэг л гээгдэж хоцорсон мэдрэмж төрж байгаа бол энэ өгүүлэл яг танд тохирно.

Та заавал техникийн суурьтай байх албагүй. Гэхдээ энэхүү өгүүллийг уншсаны дараа дээрх сэдвээр яриа өрнөхөд оролцож чадахуйц мэдээлэлтэй болсон байна гэдгийг амлая.

Тэгэхлээр Machine Learning буюу Машин сургалт гэж юу вэ?

Нэлээд бүдүүн тоймоор тодорхойлбол :

Машин буюу компьютер хүний зан төлвийг дуурайж, дасан зохицох чадвартай болж чадна.

Гэхдээ яаж?

Жишээ нь, доорх асуулга өгөгджээ. Тоонуудыг ажиглаад хариултыг олно уу :

3–9

4–16

8–64

9 — ?

Хариулт нь 81 гэдгийг та яаж олов оо???

Энэ бол бидний машинд заах гэж оролдоод байгаа яг тэр “зан төлөв” шүү дээ. Машинуудад бид “Туршлагаасаа суралцдаг” байхыг сургах гээд байгаа юм.

Машин сургалтын алгоритмууд урьдчилан тодорхойлогдсон томъёо, загваргүйгээр, зөвхөн тооцоолох аргад суурилан, өгөгдлөөс шууд “суралцаж” мэдээллийг олж авдаг. Суралцах өгөгдөл ихсэхийн хэрээр алгоритмын ажиллагаа улам сайжирдаг.

Машин сургалтын ямар ч алгоритм өгөгдөл доторх хэв шинж, холбоо хамаарлыг тогтоож, одоогоор мэдэгдэхгүй байгаа төлвийг урьдчилан таамаглах чадвартай. Тэрхүү таамгийг ашиглан, хүмүүс бид илүү оновчтой шийдвэр гаргах юм.

Машин сургалтын хоёр арга байдаг :

1. Supervised Learning буюу Удирдлагатай сургалт

2. Unsupervised Learning буюу Удирдлагагүй сургалт

1. Удирдлагатай сургалт гэдэг нь:

Хэв шинжийг олохдоо оролтын болон гаралтын өгөгдлийг хоёуланг нь ашигладаг аргыг хэлдэг.

Бүх удирдлагатай сургалтын аргууд Classification (Ангилал) болон Regression (Регресс) техникийн аль нэгт хамаарна.

Ангилалыг салангид (discrete) утга таамаглахад ашигладаг.

Жишээ нь, дэмжсэн баг маань ЯЛАХ уу ЯЛАГДАХ уу? Энэ имэйл СПАМ уу, ЖИНХЭНЭ үү? гэх мэт асуултын хариу оролтоосоо хамаарч ЯЛАХ, ЯЛАГДАХ эсвэл СПАМ, ЖИНХЭНЭ гэсэн салангид бүлгүүдэд хамаарна.

Регрессийг үргэлжилсэн (continuous) утга таамаглахад ашигладаг.

Жишээ нь, хувьцааны зах зээлийн үнийн хэлбэлзэл, цаашдын хандлага; цаг агаарын урьдчилсан таамаг гэх мэт.

2. Удирдлагагүй сургалт гэдэг нь :

Хэв шинжийг олохдоо зөвхөн оролтын өгөгдлийг ашигладаг аргыг хэлдэг. Өгөгдлөөс яг юу хайхаа мэдэхгүй байгаа үед энэ арга тохиромжтой. Түүхий өгөгдлийг ойлгохын тулд ихэвчлэн ашигладаг.

Ихэнх удирдлагагүй сургалт Cluster Analysis (Бүлэглэх шинжилгээ) гэдэг техник дээр суурилна.

Бүлэглэх шинжилгээ гэдэг нь, өгөгдлийн шинж чанарууыг хэмжээд, адил төстэйгээр нь бүлэглэж хуваахыг хэлнэ. Үр дүнд нь хэд хэдэн ялгаатай бүлгүүд бий болно.

Жишээ нь, гаралтанд A-Z хүртэл бүлгүүд үүссэн гэж үзвэл A бүлгийн d1 элемент энэ бүлгийнхээ d2 элементтэй илүү адилхан хэрнээ B-Z бүлгүүдийн дурын элементээс нэлээд ялгаатай байх юм. Бусад бүлгийн хувьд ч энэхүү шинж хадгалагдана.

Одоо анхны асуулга руугаа буцъя. Энэ бол Удирдлагатай машин сургалтын — Регресс техникийн жишээ болно.

Машин сургалтын түгээмэл хэрэглээнээс дурдвал :

• Apple Siri, Google Assistant гэх мэт хувийн туслах програмууд
• Цаг агаарын урьдчилсан мэдээ
• Спортын тэмцээний урьдач таамаг
• Эмнэлгийн шинжилгээ
• Netflix, Amazon -ын санал болгосон кино, бараа гэх мэт бидний алхам тутамд машин сургалт ашиглагдаж байна.

Эцэст нь, Машин сургалт бол Хиймэл оюун (AI — Artificial Intelligence) гэдэг өргөн сэдвийн хүрээнд хамаарах бөгөөд Гүн сургалт (Deep Learning) гэх мэт илүү нарийн ойлголтуудыг өөртөө агуулдаг.

Andrew Ng профессорын “Машин сургалт” хичээлийн эмхэтгэл (удиртгал хэсэг)

Tumurochir Nasanjargal

Jun 22, 2018 · 5 min read

Юуны өмнө нийтлэлийг маань уншиж буй таньд энэ өдрийн мэнд хүргэе. Энэхүү нийтлэлдээ Andrew Ng профессорын “Машин сургалт” хичээлийг үзсэнээр өөрт олж авсан мэдлэгээ бусадтай хуваалцахыг зорилоо.

Сүүлийн жилүүдэд мэдээллийн технологийн хөгжилд хэд хэдэн томоохон тэсрэлтүүд хийгдсан бөгөөд тэдний нэг нь яах аргагүй “Машин сургалт” (Machine Learning) юм. Үүнтэй холбоотойгоор хүмүүс (тэр дундаа мэдээллийн технологийн чиглэлээр ажилладаг, суралцдаг хүмүүс) энэхүү арга техникийг илүүтэйгээр сонирхон судлах болсон. Мөн математик болон компьютерийн шинжлэх ухааны чиглэлийн доктор, профессорууд ч үүнийг анзааран “Машин сургалт”-ын талаарх мэдлэгээ цахим хэлбэрээр бусдад түгээх нь ихэссэн билээ. Тэд Edx, Coursera, Udacity, Udemy, … гэх мэт онлайн сургалтын вебсайтуудад өөрсдийн хичээлийг байршуулснаар энэхүү мэдлэгээ дэлхий дахинд түгээсээр байна.

Миний хувьд ихэвчлэн coursera (онолын сургалт) болон udemy (практик дадлага) сайтуудаас онлайн хичээл үздэг. Coursera сайтанд байрлах Andrew Ng профессорын “Machine learning” хичээлийг хэдэн сарын өмнө үзэж дуусгасан. Энэхүү хичээл нь машин сургалтын аргын үндсэн математик ойлголтуудыг дэлгэрэнгүй тайлбарласан тул тухайн аргын мөн чанарыг ойлгохыг хүссэн суралцагчдад маш их ашиг тустай хичээл болно. Тиймээс энэхүү нийтлэлд тус хичээлийг сонгон авч, уг хичээлээс юу сурч болох талаар өгүүлэхийг оролдлоо.

Andrew Ng профессорын “Machine learning” хичээл нь машин сургалтын үндсэн ойлголтууд, түүнд багтах арга техникүүд, алгоритмуудыг заахаас гадна ямар үед ямар аргыг ашиглах, тухайн аргыг хэрхэн зөв хэрэглэх, машин сургалтын аргаар гарган авсан загвараа (model) хэрхэн сайжруулж болох талаар дэлгэрэнгүй тайлбарлан заасан байдаг. Мөн энэхүү хичээлийг үзэхэд магадлал, статистик, интеграл, дифференциал болон шугаман алгебрын талаар анхан шатны мэдлэгтэй байхад л хангалттай.

Хичээл нь 11 долоо хоногийн хуваарьтай. Долоо хоног тус бүрт 1-3 сэдвийг агуулах ба сэдэв тус бүр 2–3 дэд сэдэвтэй. Сэдвүүдийг долоо хоног тус бүрээр нь ангилан бичвэл:
1-р долоо хоног:
— Машин сургалтын аргын танилцуулга (Introduction)
— 1 хувьсагчтай шугаман регресс (Linear regression with 1 variable)
— Шугаман алгебрын тойм (Linear algebra review)
2-р долоо хоног:
— Олон хувьсагчтай шугаман регресс (Linear regression with multiple variable)
— Octave / Matlab -ийг ашиглах заавар (Octave/Matlab tutorial)
3-р долоо хоног:
— Логистик регресс (Logistic regression)
— Регуларчлах (Regularization)
4-р долоо хоног:
— Neural Networks: Тодорхойлолт (Neural Networks: Representation)
5-р долоо хоног:
— Neural Networks: Сургалт (Neural Networks: Learning)
6-р долоо хоног:
— Машины сургалтыг ашиглах зөвлөгөө (Advice for applying machine learning)
— Машин сургалтын системийн дизайн (Machine learning system design)
7-р долоо хоног:
— Support Vector Machines
8-р долоо хоног:
— Хяналтгүй (багшгүй) сургалт (Unsupervised learning)
— Хэмжээс бууруулах (Dimensionality Reduction)
9-р долоо хоног:— Аномаль(гажилт) илрүүлэх (Anomaly Detection)
— Санал дэвшүүлэх систем (Recommender systems)
10-р долоо хоног:
— Том хэмжээний өгөгдөл дээрх машин сургалтын хэрэглээ (Large scale machine learning)
11-р долоо хоног:
— Хэрэглээ: Фото OCR (Application Example: Photo OCR — Optical Character Recognition)

Энэхүү нийтлэлд тус хичээлийн сэдэв тус бүрээс хамгийн чухал хэсгүүдийг тайлбарлан бичих болно. Ерөнхийдөө нийтлэлийг 4 хэсэгт хуваан нийтлэх ба эхний хэсэгт удиртгал хэсэг, дараагийн хэсэгт 1–3 -р долоо хоногийн сэдвүүдийг, 3-р хэсэгт 4–7 -р долоо хоногийн сэдвүүдийг, харин сүүлийн болох 4-р хэсэгт 8–11 -р долоо хоногийн сэдвүүдийг тайлбарлана.

ML буюу Машин сургалт
ML нь AI буюу хиймэл оюун ухааны салбарын нэгэн хэсэг болно. ML бий болсноор ямар нэгэн даалгаврыг гүйцэтгэх програмыг бичихдээ заавал бүх нөхцлийг тооцон програмдаа оруулан бичих шаардлагагүйгээр өгөгдсөн өгөгдлөөс өөрөө суралцан хамгийн гүйцэтгэл сайтай алгоритмыг гарган авах боломжтой болсон. Нэг талаараа хүн шиг өмнөх туршлагаасаа суралцан илүү сайн ажиллаж чадвартай болдог гэж хэлж болно.

ML хурдацтай хөгжих болсон хэд хэдэн хүчин зүйлс бий. Тэднээс заримыг нь дурдвал:
— Өгөгдлийн сангийн олборлолт (database mining) Web automation болон бусад янз бүрийн өгөгдлийг автоматаар олборлох хэрэгслүүдийн өсөлтөөс үүдэн том хэмжээний өгөгдлүүдийг хялбар аргаар гарган авах боломжтой болсон.
Жишээ нь: Website-ийн дата, эмнэлгийн дата, янз бүрийн бүртгэлийн дата гэх мэт.
— Гараар програмчлах боломжгүй аппликейшнүүдийг хийх боломжтой.
Жишээ нь: Автомат техникүүд, Google Car, гар бичмэл танилт, Computer Vision, дүрс танилт, Natural Language Processing (NLP) гэх мэт .
— Өөрийгөө хувьсган өөрчлөх чадвартай программууд хийж болно.
Жишээ нь: Янз бүрийн бараа санал болгох системүүд гэх мэт.

ML -ийг тодорхойлсон маш олон тодорхойлолтууд байдаг. Тэднээс тус хичээлд онцлон авсан 2 тодорхойлолт бий. Тэдгээр нь:
— Артур Самуэл (1959). Машин сургалт: Энэ нь шууд програмчлахгүйгээр компьютерт сурах чадварыг олгодог судалгааны салбар юм.
— Том Митчел (1998). Суралцах гэдгийг тодорхойлох нь: Хэрэв компьютерийн програм нь даалгавар (task) T-г гүйцэтгэх үеийн гүйцэтгэлийн хэмжүүр болох (performance) P нь туршлага (experience) E-ээс хамааран сайжирч байгаа бол тухайн програмыг T даалгаврыг өмнө нь биелүүлсэн Е туршлагаас суралцаж, P гүйцэтгэлтэй болсон байна гэж хэлнэ. Жишээ нь: Имейл програм нь мейлийг спам болон спам биш гэж ялгахдаа таны өмнө нь ялгасан мэдээлэл дээр үндэслэн хэрхэн сайн спам филтер хийх талаар суралцдаг байг. Тэгвэл даалгавар T = мейлийг спам болон спам биш гэж ялгах, туршлага E = таны өмнө нь спам болон спам биш гэж ялгасан мэдээлэл, гүйцэтгэл P = нийт спамын хэдэн хувийг (эсвэл хэдэн ширхэгийг) зөв ялгасныг илэрхийлнэ. ML-ыг ашиглахдаа яг юуг суралцах ёстойг нарийн тодорхойлохдоо дээрх байдлаар тодорхойлж болох юм.

Машин сургалтын алгоритмуудыг ерөнхийд нь дараахь байдлаар ангилж үздэг.
1) Хяналттай (багштай) сургалт — Supervised learning
Энэ нь сургалтын өгөгдлийн хариу (гаралт) нь өгөгдсөн үед сургах арга юм. Хяналттай сургалтын аргын гол санаа нь компьютерт өгөгдсөн даалгавар T-г хэрхэн гүйцэтгэхийг бид заана гэсэн үг. Өөрөөр хэлбэл компьютер нь сургалтын өгөгдөл дэх (бидний оруулсан) хариуг харснаар даалгаврыг хэрхэн гүйцэтгэхийг суралцана. Жишээ нь: Дээр өгүүлсэн мейл ялгах жишээ нь хяналттай сургалтын (хойшид supervised learning гэе) аргын нэг жишээ болно. Supervised learning нь дотроо дараахь 2 төрлийн сургалтын аргыг мөн агуулдаг. Тэдгээр нь:
— Semi-supervised learning (Хагас хяналттай сургалт). Энэ нь сургалтын зарим өгөгдлийн хариу нь өгөгдөөгүй үед сургах арга.
— Reinforcement learning. Програм нь өөрийнх нь үйлдэлд орчноос хэрхэн хариу (шагнал авах) өгч байгаагаас суралцан өөрийгөө сайжруулдаг бол энэ нь reinforcement learning болно. Жишээ нь: AlphaGo нь Го даамын их мастерыг хожих хүртлээ өөрөө өөртэйгээ тоглон тоглолтын арга барилаа сайжруулсаар байсан билээ. Энэ нь reinforcement learning-ийн сонгодог жишээ болох юм.
Supervised learning-ийн асуудлуудыг регрессийн асуудал (regression), ангилах асуудал (classification) гэсэн 2 ангилалд хувааж үздэг. Энэ 2-ийн ялгаа нь гэвэл regression нь хариуг тасралтгүй утгуудаас таамаглах бол classification нь хариуг төгсгөлөх тооны хариунуудаас таамаглана гэсэн үг.

2) Хяналтгүй (багшгүй) сургалт — Unsupervised learningЭнэ нь өгөгдлийн хариу нь үл мэдэгдэх үед тухайн өгөгдлөөс бүтэц гаргаж авах арга юм. Нарийн тайлбарлавал өгөгдөл дэх хувьсагчуудын хоорондын хамааралд тулгуурлан бүлгүүд үүсгэх байдлаар бүтэц гаргаж авна гэсэн үг. Жишээ нь: Хүмүүсийг ижил төстэй кино үзэх байдлаар нь бүлэглэх асуудал нь unsupervised learning-ийн асуудал юм. Unsupervised learning-ийн асуудлуудыг кластер (clustering), кластер бус (non-clustering) асуудлууд гэж ангилж болно. Эдгээр ангиллуудын ялгаа нь clustering нь өгөгдлийг хэд хэдэн бүлэгт хуваах ба зорилго нь өгөгдлийг аль бүлэгт багтахыг таамаглах явдал байдаг бол non-clustering асуудлууд нь өгөгдлөөс ямар нэгэн бүтэцтэй мэдээлэл гарган авахад гол анхаарлаа хандуулдагт оршино. Жишээ:
Clustering — Хүмүүсийг ижил төстэй кино үзэх байдлаар нь бүлэглэх
Non-Clustering — Шуугиантай орчинд хийсэн аудионоос хүний яриаг цэвэрлэн, ялган авах гэх мэт асуудлууд байж болно.

Дээрхээс дүгнэхэд шууд ML алгоритмыг ашиглахаасаа өмнө асуудлаа сайтар тодорхойлсны эцэст ямар аргыг ашиглах нь зөв эсэхийг тодорхойлох нь чухал ажлуудын нэг болно гэдгийг бодолцох хэрэгтэйг ойлгосон. Хэрэв анхнаасаа асуудлынхаа төрлийг буруу тодорхойлвол тэр хэмжээгээрээ цаг алдах эрсдэлтэйг санах хэрэгтэй.

Энэ удаагийн нийтлэлдээ машин сургалтын удиртгал хэсгийг тайлбарлан орууллаа. Дараагийн нийтлэлүүдээрээ хичээлийн хуваарийн дагуу эдгээр аргуудын математик үндсийг тайлбарлаж, мөн эдгээр аргуудыг ашиглан юу хийж болох талаар нэмэлт мэдээллүүд нийтлэх болно.

)

• Machine Learning
• 
  

Машин сургалт

Машин сургалт [засварлах | edit source]Чөлөөт нэвтэрхий толь — Википедиагаас Jump to navigationJump to search Машины сургалт нь өгөгдсөн ажлыг эсвэл мэдээллийг тусгай зааварчилгаа буюу програм ашиглалгүйгээр тодорхой алгоритмууд ба статистик загварууд ашиглан тухайн өгөгдөл ажлын нийтлэг шинж төлөв дээр үндэслэж судалдаг сурч авдаг ажиллагаа юм. Энэ нь хиймэл оюуны салбарын нэгэн дэд хэсэг болно. Машин сургалтын алгоритмууд нь даалгаврыг гүйцэтгэхийн тулд тодорхой програмчлалгүйгээр урьдчилан таамаглал, шийдвэр гаргахын тулд " сургалтын өгөгдөл " гэгддэг түүврийн өгөгдөл дээр суурилсан математик загварыг бий болгодог. [1] [1] :2 Машин сурах алгоритмууд нь имэйлийн шүүлтүүр, компьютерийн хараа гэх мэт олон янзын хэрэглээнд хэрэглэгддэг бөгөөд уг ажлыг үр дүнтэй гүйцэтгэх ердийн алгоритм боловсруулахад хэцүү, эсвэл боломжгүй байдаг. Машины сургалт нь тооцооллын статистиктэй нягт холбоотой бөгөөд энэ нь компьютер ашиглан таамаглал дэвшүүлэхэд чиглэгддэг. Математикийн оновчлолыг судлах нь машин техникийн чиглэлээр арга, онол, хэрэглээний чиглэлийг өгдөг. Мэдээлэл олборлох нь машин сургалтын хүрээнд явагддаг салбар бөгөөд хяналтгүй суралцах замаар мэдээллийн хайгуулын ажилд төвлөрдөг. [3] [2] Бизнесийн асуудалд зориулан машин сурах аргыг урьдчилан таамаглах аналитик гэж нэрлэдэг. Гарчиг 1 Нэр томьёо 1.1 Машин сургалтын даалгвар ажлууд 1.2 Машин сургалтын програм хангамж 2 Сонин сэтгүүл 3 Бусад үзэх 3.1 Эх сурвалж Нэр томьёо[засварлах | edit source] Машины сургалт гэсэн нэр томьёог 1959 онд Артур Самуел өгчээ. [3] Том М.Митчелл нь машин сургалт чиглэлээр судлагдсан алгоритмуудын талаар илүү өргөн хэрэглэгддэг, илүү албан ёсны тодорхойлолтыг өгчээ. "Компьютерийн програмыг зарим ангиллын даалгавар Т, гүйцэтгэлийн хэмжүүр P- тэй харьцуулахад Е туршлагаас суралцана гэж хэлсэн. Т- т даалгаврын гүйцэтгэлийг P- ээр хэмжсэнээр Е туршлага сайжирна. " [4] Машин сургалттай холбоотой зорилтуудын энэ тодорхойлолт нь танин мэдэхүйн үүднээс энэ талбарыг тодорхойлохоос илүү үндсэн үйл ажиллагааны тодорхойлолтыг санал болгодог. Машин сургалтын даалгвар ажлууд[засварлах | edit source] Дэмжигдсэн векторийн машин нь өгөгдлийг шугаман хилээр тусгаарлагдсан бүс нутагт хуваадаг хяналтын хяналттай сургалтын загвар юм. Энд шугаман хил нь хар өнгийг цагаанаас нь ялгана. Машин сургалтын даалгавруудыг хэд хэдэн өргөн ангилалд ангилдаг. Хяналттай сургалтанд алгоритм нь оролт, хүссэн гаралтыг хоёуланг нь агуулсан өгөгдлийн багцаас математик загварыг бий болгодог. Жишээлбэл, хэрэв даалгавар нь зураг нь тодорхой обьект агуулж байгаа эсэхийг тодорхойлж байгаа бол хяналттай сургалтын алгоритмын сургалтын мэдээлэлд тухайн обьекттой (оруулах) дүрсгүй, зураг бүрийг тодорхойлдог шошго (гарц) байдаг. энэ зүйлийг агуулж байсан. Онцгой тохиолдолд оролтыг зөвхөн хэсэгчлэн ашиглах боломжтой эсвэл тусгай санал хүсэлтээр хязгаарлаж болно. Хагас хяналттай сургалтын алгоритмууд нь сургалтын бүрэн бус өгөгдлөөс математик загварыг боловсруулдаг бөгөөд түүврийн оролтын нэг хэсэг нь шошготой байдаг. Ангиллын алгоритм ба регресс алгоритм нь хяналттай сургалтын нэг төрөл юм. Гарцууд хязгаарлагдмал утгатай хязгаарлагдах тохиолдолд ангиллын алгоритмуудыг ашигладаг. И-мэйлүүдийг шүүлтүүрлэдэг ангиллын алгоритмын хувьд оролт нь ирж буй имэйлийн имэйл бөгөөд гаралт нь имэйлийн хавтасны нэр болно. Спам имэйлийг тодорхойлдог алгоритмын хувьд гаралт нь " спам " эсвэл "спам биш" гэсэн утгатай бөгөөд Boolean-ийн үнэн ба худал утгыг харуулдаг. Регрессийн алгоритмууд нь тасралтгүй гаралтаар нэрлэгддэг бөгөөд энэ нь муж дотор ямар ч утгатай байж болно гэсэн үг юм. Тасралтгүй утгын жишээ бол объектын температур, урт эсвэл үнэ юм. Хяналтгүй сургалтанд алгоритм нь зөвхөн орц, хүссэн гаралтын шошго агуулаагүй өгөгдлийн багцаас математик загварыг бий болгодог. Хяналтгүй сурах алгоритмууд нь өгөгдлийн цэгүүдийг бүлэглэх эсвэл кластер хийх гэх мэт өгөгдлүүдийн бүтцийг олоход ашиглагддаг. Хяналтгүй суралцах нь өгөгдлийн хэв шинжийг олж авах, оролтын онцлог шинж чанаруудыг ашиглан ангиллыг ангилах боломжтой. Хэмжээ багасгах нь өгөгдлийн багц дахь " шинж чанарууд " буюу оролтын тоог бууруулах үйл явц юм. Идэвхтэй сурах алгоритмууд нь төсөвт суурилсан хязгаарлагдмал орцын хүссэн үр дүнд (сургалтын шошго) хандах, сургалтын шошгыг олж авах орцын сонголтыг оновчтой болгох боломжийг олгодог. Интерактив байдлаар ашиглах тохиолдолд эдгээрийг шошготой болгох зорилгоор хэрэглэгчдэд танилцуулж болно. Арматурын сургалтын алгоритмууд нь динамик орчинд эерэг ба сөрөг бэхлэлт хэлбэрээр санал хүсэлтийг өгдөг бөгөөд бие даасан автомашин эсвэл хүний өрсөлдөгчийн эсрэг тоглоом тоглоход ашигладаг. [1] :3 Машин сурах бусад мэргэшсэн алгоритмуудад сэдэвчилсэн загварчлал багтдаг бөгөөд үүнд компьютерийн програмд байгалийн хэлний баримт бичгийн багц өгдөг ба үүнтэй ижил сэдвийг багтаасан бусад баримт бичгүүдийг олдог. Машины сургалтын алгоритмыг нягтралын тооцооллын асуудалд ажиглагдахгүй байх магадлалын нягтралын функцийг ашиглаж болно. Мета сургалтын алгоритмууд нь өмнөх туршлага дээрээ үндэслэн өөрсдийн индуктив хэвийх утгыг сурдаг. Хөгжлийн робот техникийн чиглэлээр робот сургалтын алгоритмууд нь сургалтын хөтөлбөр гэж нэрлэгддэг, өөрийгөө удирдан чиглүүлж буй хайгуул, хүмүүстэй харилцах замаар шинэ ур чадварыг хуримтлуулах зорилгоор өөрсдийн туршлага судлах дарааллыг бий болгодог. Эдгээр роботууд нь идэвхтэй суралцах, төлөвших, моторын синергетик, дууриамал гэх мэт удирдамж механизмыг ашигладаг. Машин сургалтын програм хангамж[засварлах | edit source] Amazon Machine Learning Angoss KnowledgeSTUDIO Azure Machine Learning Ayasdi IBM Data Science Experience Google Prediction API IBM SPSS Modeler KXEN Modeler LIONsolver Mathematica MATLAB Microsoft Azure Machine Learning Neural Designer NeuroSolutions Oracle Data Mining Oracle AI Platform Cloud Service RCASE SAS Enterprise Miner SequenceL Splunk STATISTICA Data Miner Сонин сэтгүүл[засварлах | edit source] Машин сурах судалгааны сэтгүүл Машин сурах Байгалийн машины тагнуул Мэдрэлийн тооцоолол Бусад үзэх[засварлах | edit source] Хиймэл оюун Хэл ярианы хиймэл оюун Өөрийгөө жолооддог машин Бодит хиймэл оюун Өөрийгөө бүтээдэг робот/машин Волфрам альфа хиймэл оюун Эх сурвалж[засварлах | edit source] ↑ Jump up to: 1.0 1.1 Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2 ↑ Friedman, Jerome H. (1998). "Data Mining and Statistics: What's the connection?". ↑ Samuel, Arthur. "Some Studies in Machine Learning Using the Game of Checkers". ↑ Mitchell, T. (1997). Machine Learning. McGraw Hill. ISBN 978-0-07-042807-2.

Мэдээллийг мэдлэг болгон хувиргах ухаалаг машин бүтээх

Мэдээллийг мэдлэг болгон хувиргах ухаалаг машин бүтээх Орчин үеийн технологийн эрин зуунд бидэнд асар их хэмжээний бүтэцтэй, бүтэцлэгдээгүй мэдээллийн нөөц бий. Хорьдугаар зууны хоёрдугаар хагаст машин сургалт нь таамаглал дэвшүүлэхийн тулд өгөгдлөөс мэдлэг олж авсан бие даан суралцах алгоритмуудыг хамарсан Хиймэл оюун ухааны (AI) дэд талбар болж хөгжжээ. Маш олон тооны өгөгдлийг дүн шинжилгээ хийхээс гараар дүрмийг гаргаж, загвар бүтээхийг хүнээс шаардахын оронд машин сургалт нь урьдчилан таамагласан загваруудын гүйцэтгэлийг аажмаар сайжруулж, өгөгдөл дээр суурилсан шийдвэр гаргахын тулд өгөгдөл дэх мэдлэгийг олж авах илүү үр дүнтэй хувилбарыг санал болгодог. Компьютерийн шинжлэх ухааны судалгаанд машин сурах нь чухал ач холбогдолтой болж байгаа төдийгүй бидний өдөр тутмын амьдралд улам бүр чухал үүрэг гүйцэтгэж байна. Машин сургалтын ачаар бид хүчирхэг и-мэйл спам шүүлтүүр, текст, дуут таних програм, найдвартай вэб хайлтын систем, шатрын тоглоом тоглох програмууд, удахгүй найдвартай, үр дүнтэй өөрөө жолоодох машинд дуртай болно.