Otomatik öğrenme, modern yapay zekanın en önemli alt alanıdır. Pratik olarak tüm başarılı yapay zeka uygulamaları buna dayanmaktadır: metinler oluşturmak, görüntüleri analiz etmek, dili anlamak, başarılı olan her şeyin tahminlerini yapmak, çünkü makineler verilerden öğrenin.
Ama bu öğrenme gerçekten nasıl çalışıyor? Bir sistem “eğitimli” olduğunda ne anlama geliyor? Ve otomatik öğrenme neden kara bir kutu değil, yapılandırılmış bir prosedür değil?
Golo Roden, yerel web GmbH'nin kurucusu ve CTO'sudur. Olaylara ve hizmetlere dayalı olarak dağıtılmış mimarilere özellikle dikkat ederek web ve bulut uygulamalarının ve arıların anlayışı ve geliştirilmesi ile ilgilidir. Yol gösterici ilkesi, yazılımın gelişiminin kendi başına bir son olmaması, ancak her zaman aşağıda bir profesyonellik izlemesi gerektiğidir.
Bu makalede otomatik öğrenmeye kavramsal bir genel bakış sunuyorum. Canavar Hangi tür öğrenme var, onları neyin ayıran ve arkasında hangi temel fikirler.
Bunun yerine kuralları öğrenin
Klasik programlama ve otomatik öğrenme arasındaki belirleyici fark basittir: geleneksel yazılım için geliştiriciler, bir programın çalıştığı açık kuralları belirler. Mekanik öğrenmede ise bir sisteme veri sağlarlar ve modellerin kuralları bağımsız olarak tespit etmesine ve türetmelerine izin verirler.
Tipik bir örnek, görüntülerin otomatik olarak tanınmasıdır. Kedilerin çoğunlukla kulakları, bıyık saçları ve görüntülerde belirli bir kürk yapısına sahip olduğu bir programı öğretmek yerine, sadece kedilerin değil birçok fotoğrafı canlandırır. Sistem, verilerdeki istatistiksel ilişkilere dayanarak hangi özelliklerin tipik olduğunu öğrenir.
Bu genelleme yeteneği, mekanik öğrenmenin merkezi gücüdür. İyi eğitimli modeller sadece bilinen örnekleri doğru bir şekilde sınıflandırabilir, aynı zamanda yeni ve benzer durumlarla da karşılaşabilir.
Üç Tür Öğrenme
Mekanik öğrenmede yaklaşık üç temel paradigma vardır: İzlenen öğrenme,, Aşılmaz öğrenme VE Öğrenmeyi güçlendirmek. Geri bildirimin verildiği ve nasıl verildiği farklılık gösterirler.
İzlenen öğrenme (denetlenen öğrenme)
İzleme öğrenimi sırasında, model, bir görüntünün doğru sınıflandırılması veya bir regresyon aktivitesi için sağlanan çıktı değeri gibi her eğitim örneği için bir hedef alır. Bu nedenle model bu hedefleri yeniden üretmeye çalışır.
Örnekler:
- Bir e -mail'in spam olup olmadığını fark edin,
- Pozisyon ve ekipmana dayalı gayrimenkul fiyatı tahminleri,
- Görüntü verilerine dayalı ilaç teşhisi.
Model, eğitim verilerinde en az sayıda hata yapana kadar uyarlanır. Sesler ve masraflar arasındaki ilişkiyi modellemeyi öğrenin.
Öğrenme sömürülme (denetlenmemiş öğrenme)
İnç öğrendiğinizde hedef özellik yoktur. Bunun yerine, sistem gruplar, numuneler veya anormal değerler gibi verilerdeki yapıları tanımaya çalışır.
Örnekler:
- Pazarlamada Müşteri Segmentasyonu,
- Üretim verilerinde anormalliklerin tespiti,
- Metinlerin tematik kümesi.
Yaygın bir yaklaşım, veri noktalarının benzer özelliklere sahip gruplara ayrıldığı kümelenmedir. Boyutun azaltılması veya karmaşık veritabanlarının basitleştirilmesi de bu alana aittir.
Titiz öğrenme (takviye öğrenimi)
Öğrenmenin güçlendirilmesi temel olarak farklı bir şekilde çalışır: Burada, bir ajan bir çevre ile etkileşim yoluyla öğrenir. Bir durumda eylemlerinin ne kadar iyi olduğuna bağlı olarak ödüller veya cezalar alır ve davranışlarını buna göre uyarlar.
Örnekler:
- (Ör. AlphaGo veya satranç programları) oynayın,
- Robot Kontrolü,
- Örneğin lojistikte optimizasyon işlemleri.
Diğer öğrenme türlerinin aksine, modelleri tanıma sorunu değil, mümkün olan en yüksek ödülü veren eylem stratejilerini öğrenme stratejileridir.
Öğrenme hedefleri ve hipotezlerin alanı
Öğrenme türünden bağımsız olarak, otomatik öğrenme her zaman çeşitli olası açıklayıcı yaklaşımlardan (hipotezlerin alanı) bir modelin gözlemlenen verilere karşılık gelen mümkün olan en iyi hipotezi bulduğu fikrine dayanır. Örneğin, bu hipotez bir regresyon fonksiyonu, bir karar ağacı veya nöronal bir ağ olabilir.
Amaç sadece eğitim verilerini açıklamak değil, aynı zamanda daha önce bilinmeyen yeni veriler için mümkün olduğunca iyi çalışmaktır. Bu genelleme yeteneği merkezidir – ve zorluğun tam olduğu yerdir: Model eğitim verileri için çok uygunsa, aşırı adaptasyon riski vardır. Böylece sistem, arkadaki modelleri yakalamak yerine ayrıntıları ve tesadüfleri hatırlar.
Çünkü otomatik öğrenme bir sihir değil
Öğrenme sistemlerinin mekanik olarak etkileyici başarısına rağmen, bunların yapılandırılmış optimizasyon prosedürleri olduğu unutulmamalıdır. Öğrenme süreçleri resmi olarak tanımlayıcı, anlaşılabilir ve karmaşık modellerdeki detaylar dışında analiz edilebilirler. Otomatik öğrenmenin kara bir kutu olduğu fikri, yalnızca tek tek modellerin tam parametrelendirilmesine geçerseniz haklıdır. Ancak, ilke büyülü olmaktan uzaktır.
Temel fikri anlamak daha da önemlidir: otomatik öğrenme, kararları yeni durumlara aktarmak için örneklerden öğrenmek anlamına gelir. Bunun güvenilir bir şekilde çalışabilmesi için yeterli veri, iyi düşünülmüş modelin mimarileri ve dikkatli bir değerlendirmeye ihtiyaç vardır.
görüş
Bir sonraki bölümde, derin öğrenmeyi modelleyen ve yapay zekadaki son keşiflerin çoğunu mümkün kılan model sınıfı olan nöronal ağlara daha yakından bakacağız. Nöron, tabaka ve aktivasyon fonksiyonu gibi terimlerin ne olduğunu ve neden basit inşaat blokları ile inanılmaz derecede karmaşık yapıları modellemenin mümkün olduğunu açıklığa kavuşturalım.
(RME)
Bir yanıt yazın