Home > Digitalizacija > Nekaj osnov o strojnem učenju

Strojno učenje temelji na:

  • Podatkih – ti so lahko zbrani ročno ali avtomatsko.
  • Funkcijah (značilnosti) – tudi parametri ali spremenljivke. Če imamo podatke v bazi, potem je določitev parametrov lahka, to so oznake stolpcev. Če pa imamo slike, ne moremo določiti vsak pixel za funkcijo.
  • Algoritmih – metode za reševanje problemov. Metoda reševanja odloča o natančnosti, zmogljivosti in velikosti končnega modela. Toda brez dobrih podatkov tudi najboljša metoda ne bo učinkovita.

 

Umetna inteligenca je izraz za celotno področje, znotraj tega je strojno učenje, en tip strojnega učenja so nevronske mreže in globoko učenje je moderna metoda grajenja, treniranja in uporabe nevronskih mrež.

 

  • Strojno učenje
    • Klasično učenje
      • Nenadzorovano
        • Gručenje (clustering) – razdeli podatke po neznanih značilnostih in program izbere najboljši način.
          • K-means_clustering
          • Mean-Shift
          • DBSCAN
        • Iskanje vzorcev
        • Generalizacija (redukcija dimenzije) – sestavi posebne značilnosti v značilnosti na višjem nivoju.
      • Nadzorovano
        • Klasifikacija
          • Naïve Bayes (spam včasih)
          • Decision Tree
          • Logistic Regression
          • K-Nearest Neighbours
          • SVM – Support Vector Machine (spam danes, poskuša razdeliti kategoriji z dvema premicama, ki imata največjo razdaljo med sabo)
        • Regresija
          • Linearna – ravna črta med točkami
          • Polynominalna – neravna črta med točkami
    • Vsiljeno učenje – samostojno učenje na praksi. NI vezano na podatke, temveč na živo okolje. Programi sami sprejemajo odločitve na podlagi maksimizacije nagrade, ki so jo deležni ob pravilni odločitvi. Samovozeča vozila, sesalni roboti, igre, avtomatizirano trgovanje.
      • Q-learning
      • Sarsa
      • DQN
      • A3C
      • Genetic algorithm
    • Metoda sestavljanja – zelo natančni algoritmi. Skupina algoritmov, ki se popravljajo med seboj.
      • Zlaganje – input skupine algoritmov je posredovano zadnjemu algoritmu, ki sprejme odločitev.
      • Spodbujanje – zaporedno učenje algoritmov
      • Pakiranje (bootstrap aggregating) – isti algoritem ampak na različnih setih orginialnih podatkov.
        • Random Forrest
    • Nevronske mreže in globoko učenje – nevroni so funkcije, med njimi so povezave, ki dajejo težo rezultatom. Da lahko obvladujejo kompleksnost so med nevroni sloji, tako da se nevroni ne povezujejo naključno ampak so povezani s sloji. V enem sloju nevroni niso povezani, povezani so samo z nevroni v prejšnem in naslednjem sloju. Zaradi velikega števila poskusov in povratnih zank, ki uravnavajo rezultate s pravilnim izzidom, je potrebna velika računalniška moč za njihovo delovanje.
      • CNN – konvolucijske nevronske mreže – predvsem uporabne za prepoznavanje elementov na slikah. Program se sam nauči kako izgraditi pomembne značilnosti iz preprostih elementov.
      • RNN – ponavljajoče nevronske mreže – prepoznavanje glasu, digitalni pomočniki. Vsak nevron dobi spomin iz vhodnih podatkov in ta spomin uporabi za naslednji poskus. Dobre za analiza sekvenčnih ponavljanj. Problem nastane ko je spomin poln in se ne more več učiti novih stvari.
      • GAN – generativne adversivne mreže
      • MLP – perceptorji – poiščejo pomembne značilnosti in iz njih sklepajo pravilnost.
      • Avtoencoderji
You may also like
Razvoj strojnega učenja v ikonografiki PWC-ja
Sposobnost zastavljanja pravih vprašanj
Uporaba AI za pripravo strategije in za izbor pravih platform za ML – AIMatters in 84.51°
Cassie Kozyrkov: What Great Data Analyst Do – and Why Every Organisation Needs Them

Leave a Reply