Τι είναι η μηχανική μάθηση;
Η μηχανική μάθηση είναι ένας κλάδος της τεχνητής νοημοσύνης που περιλαμβάνει έναν υπολογιστή και τους υπολογισμούς του. Στη μηχανική μάθηση, στο υπολογιστικό σύστημα δίνονται ακατέργαστα δεδομένα και ο υπολογιστής κάνει υπολογισμούς με βάση αυτά. Η διαφορά μεταξύ των παραδοσιακών συστημάτων υπολογιστών και της μηχανικής μάθησης είναι ότι με τα παραδοσιακά συστήματα, ένας προγραμματιστής δεν έχει ενσωματώσει κώδικες υψηλού επιπέδου που θα έκαναν διακρίσεις μεταξύ των πραγμάτων. Ως εκ τούτου, δεν μπορεί να κάνει τέλειους ή εκλεπτυσμένους υπολογισμούς. Αλλά σε ένα μοντέλο μηχανικής μάθησης, πρόκειται για ένα εξαιρετικά εκλεπτυσμένο σύστημα που ενσωματώνει δεδομένα υψηλού επιπέδου για να κάνει ακραίους υπολογισμούς σε επίπεδο που αντιστοιχεί στην ανθρώπινη νοημοσύνη, οπότε είναι ικανό να κάνει εξαιρετικές προβλέψεις. Μπορεί να χωριστεί σε γενικές γραμμές σε δύο συγκεκριμένες κατηγορίες: επιβλεπόμενη και μη επιβλεπόμενη. Υπάρχει επίσης μια άλλη κατηγορία τεχνητής νοημοσύνης που ονομάζεται ημι-επιτηρούμενη.
ML με επίβλεψη
Με αυτόν τον τύπο, ένας υπολογιστής διδάσκεται τι να κάνει και πώς να το κάνει με τη βοήθεια παραδειγμάτων. Εδώ, δίνεται στον υπολογιστή ένας μεγάλος όγκος επισημασμένων και δομημένων δεδομένων. Ένα μειονέκτημα αυτού του συστήματος είναι ότι ένας υπολογιστής απαιτεί μεγάλο όγκο δεδομένων για να γίνει ειδικός σε μια συγκεκριμένη εργασία. Τα δεδομένα που χρησιμεύουν ως είσοδος εισέρχονται στο σύστημα μέσω των διαφόρων αλγορίθμων. Μόλις ολοκληρωθεί η διαδικασία έκθεσης των υπολογιστικών συστημάτων σε αυτά τα δεδομένα και η κατάκτηση μιας συγκεκριμένης εργασίας, μπορείτε να δώσετε νέα δεδομένα για μια νέα και εκλεπτυσμένη απάντηση. Οι διάφοροι τύποι αλγορίθμων που χρησιμοποιούνται σε αυτό το είδος μηχανικής μάθησης περιλαμβάνουν τη λογιστική παλινδρόμηση, τους K-κοντινότερους γείτονες, την πολυωνυμική παλινδρόμηση, το naive bayes, το τυχαίο δάσος κ.λπ.
Μη εποπτευόμενη ML
Με αυτόν τον τύπο, τα δεδομένα που χρησιμοποιούνται ως είσοδος δεν είναι επισημασμένα ή δομημένα. Αυτό σημαίνει ότι κανείς δεν έχει εξετάσει τα δεδομένα πριν. Αυτό σημαίνει επίσης ότι η είσοδος δεν μπορεί ποτέ να καθοδηγήσει τον αλγόριθμο. Τα δεδομένα τροφοδοτούνται μόνο στο σύστημα μηχανικής μάθησης και χρησιμοποιούνται για την εκπαίδευση του μοντέλου. Προσπαθεί να βρει ένα συγκεκριμένο μοτίβο και να δώσει την επιθυμητή απάντηση. Η μόνη διαφορά είναι ότι η εργασία γίνεται από μια μηχανή και όχι από έναν άνθρωπο. Μερικοί από τους αλγορίθμους που χρησιμοποιούνται σε αυτή τη μη επιβλεπόμενη μηχανική μάθηση είναι η αποσύνθεση μοναδικών τιμών, η ιεραρχική ομαδοποίηση, τα μερικά ελάχιστα τετράγωνα, η ανάλυση κύριων συνιστωσών, τα ασαφή μέσα κ.λπ.
Ενισχυτική μάθηση
Η ενισχυτική μάθηση ML μοιάζει πολύ με τα παραδοσιακά συστήματα. Εδώ, η μηχανή χρησιμοποιεί τον αλγόριθμο για να βρει δεδομένα μέσω μιας μεθόδου που ονομάζεται δοκιμή και σφάλμα. Μετά από αυτό, το ίδιο το σύστημα αποφασίζει ποια μέθοδος θα φέρει τα πιο αποτελεσματικά με τα πιο αποδοτικά αποτελέσματα. Στη μηχανική μάθηση περιλαμβάνονται κυρίως τρία στοιχεία: ο πράκτορας, το περιβάλλον και οι ενέργειες. Ο πράκτορας είναι αυτός που είναι ο μαθητής ή αυτός που λαμβάνει τις αποφάσεις. Το περιβάλλον είναι η ατμόσφαιρα με την οποία αλληλεπιδρά ο πράκτορας και οι ενέργειες θεωρούνται η εργασία που κάνει ένας πράκτορας. Αυτό συμβαίνει όταν ο πράκτορας επιλέγει την πιο αποτελεσματική μέθοδο και προχωρά με βάση αυτή.
