Algorytmy uczenia maszynowego

Gdy uzyskasz więcej informacji o algorytmach uczenia maszynowego, dowiesz się, że zwykle używają one jednej z trzech technik uczenia maszynowego:

Uczenie nadzorowane

W uczeniu nadzorowanym algorytmy tworzą przewidywania na podstawie przedstawionego zestawu przykładów z etykietami. Ta technika jest przydatna, gdy wiesz, jak powinien wyglądać wynik.
 

Załóżmy na przykład, że dostarczasz zestaw danych obejmujący populacje miast według roku w ciągu ostatnich 100 lat i chcesz wiedzieć, jaka będzie populacja określonego miasta za cztery lata. Na potrzeby wyniku są używane etykiety, które już istnieją w zestawie danych: populacja, miasto i rok.
 

Uczenie nienadzorowane

W uczeniu nienadzorowanym punkty danych nie mają etykiet — algorytm samodzielnie oznacza je etykietami, porządkując dane lub opisując ich strukturę. Ta technika jest przydatna, gdy nie wiesz, jak powinien wyglądać wynik.

Załóżmy na przykład, że dostarczasz dane klientów i chcesz utworzyć segmenty klientów lubiących podobne produkty. Dostarczone dane nie mają etykiet, a etykiety w wyniku są generowane na podstawie podobieństw wykrytych między punktami danych.

Uczenie przez wzmacnianie

Uczenie przez wzmacnianie używa algorytmów, które uczą się na podstawie wyników i decydują, jaką następną akcję należy wykonać. Po każdej akcji algorytm otrzymuje informacje zwrotne, które ułatwiają mu określenie, czy dokonany wybór był poprawny, neutralny, czy niepoprawny. Jest to dobra technika w przypadku zautomatyzowanych systemów, które muszą podejmować wiele drobnych decyzji bez wskazówek człowieka.

Załóżmy na przykład, że projektujesz samochód autonomiczny i chcesz zapewnić, że będzie on działał zgodnie z prawem i zasadami bezpieczeństwa ludzi. Zdobywając doświadczenie i historię wzmocnień, samochód uczy się, jak pozostawać na swoim pasie, przestrzegać ograniczeń prędkości i hamować na widok pieszych.