Cum funcționează învățarea automată – Un ghid ușor

Netflix și Amazon au devenit destul de grozavi în jocul lor – par să știe întotdeauna ce conținut sau produs ți-ar plăcea să vezi / să cumperi. Nu îți place să vezi totul deja pregătit după gustul și preferințele tale?

În timp ce cei mai mulți dintre noi cunosc sosul secret din spatele motorului de recomandare ingenios al Netflix și Amazon (învățare automată, desigur!), câți dintre noi sunt familiarizați cu mecanismele interne ale învățării automate?

Pentru a spune clar – Cum funcționează Machine Learning ?

În esență, Machine Learning este o tehnică de analiză a datelor (un subset al AI) care își propune să „învețe” din experiență și să permită mașinilor să îndeplinească sarcini care necesită inteligență. Algoritmii de învățare automată aplică metode de calcul pentru a extrage informații și a învăța direct din date, fără a fi programați în mod explicit pentru aceasta (fără a depinde de o ecuație predeterminată).

Anatomia sistemelor de învățare automată

Toate sistemele ML pot fi dezintegrate în trei părți:

• Model – componenta care se ocupă de identificări, adică de predicții.
• Parametri – se referă la factorii utilizați de model pentru a lua deciziile (predicțiile).
• Learner – componenta care ajustează parametrii (și în ansamblu, modelul) luând în considerare diferențele de predicții în comparație cu rezultatul real.

Tipuri de învățare automată

Acum că sunteți familiarizat cu componentele de bază ale sistemelor ML, este timpul să aruncați o privire asupra diferitelor moduri în care „învață”.

Învățare supravegheată

În învățarea supravegheată, un model este instruit în mod explicit cu privire la modul de mapare a intrării la ieșire. Un algoritm de învățare supravegheată preia un set recunoscut de date de intrare împreună cu răspunsuri cunoscute (ieșire) la acele date și antrenează modelul să genereze predicții rezonabile ca răspuns la noile date de intrare.

Învățarea supravegheată folosește două abordări pentru a dezvolta modele predictive -

• Clasificare - După cum sugerează și numele, această tehnică clasifică datele de intrare în diferite categorii etichetându-le. Este folosit pentru a prezice răspunsuri discrete (de exemplu, dacă o celulă canceroasă este benignă sau malignă). Imagistica medicală, recunoașterea vorbirii și scorul de credit sunt trei cazuri de utilizare populare de clasificare.
• Regresia – Această tehnică este utilizată pentru a prezice răspunsuri continue prin identificarea tiparelor din datele de intrare. De exemplu, fluctuațiile de temperatură sau vreme. Regresia este utilizată pentru a prognoza vremea, sarcina de energie electrică și tranzacționarea algoritmică.

Învățare nesupravegheată

Abordarea învățării nesupravegheate folosește date neetichetate și încearcă să dezlege tiparele ascunse din ea. Astfel, tehnica extrage concluzii din seturi de date constând din date de intrare lipsite de răspunsuri etichetate.

• Clustering – Una dintre cele mai comune metode de învățare nesupravegheată, clustering este o tehnică exploratorie de analiză a datelor care clasifică datele în „clustere” fără nicio informație cunoscută despre acreditările clusterului. Recunoașterea obiectelor și analiza secvenței genelor sunt două exemple de grupare.
• Dimensionality Reduction – Dimensionality Reduction curăță datele de intrare de toate informațiile redundante și reține doar părțile esențiale. Astfel, datele nu numai că devin curate, dar și se reduc în dimensiune, ocupând astfel mai puțin spațiu de stocare.

Consolidarea învățării

Învățarea prin consolidare își propune să construiască modele auto-susținute și de auto-învățare care pot învăța și îmbunătăți prin încercări și erori. În procesul de învățare (antrenament), dacă algoritmul poate efectua cu succes acțiuni specifice, sunt declanșate semnale de recompensă. Semnalele de recompensă funcționează ca lumini de ghidare pentru algoritmi. Există două semnale de recompensă:

• Un semnal pozitiv este declanșat pentru a încuraja și continua o anumită secvență de acțiune.
• Un semnal negativ este o penalizare pentru o anumită acțiune greșită. Cere corectarea greșelii înainte de a continua procesul de formare.

Învățarea prin întărire este utilizată pe scară largă în jocurile video. Este, de asemenea, mecanismul din spatele mașinilor care se conduc singure.

În interiorul funcției de „învățare” a algoritmilor ML

În spatele funcționării algoritmilor ML și a modului în care aceștia învață prin experiență, există trei principii comune.

Învățarea unei funcții

Primul pas în procesul de învățare este în cazul în care algoritmii ML învață despre funcția țintă (f) care mapează cel mai bine variabila de intrare (X) la variabila de ieșire (Y). Asa de,

Y = f(X).

Aici, forma funcției țintă (f) este necunoscută, de unde modelarea predictivă.

În această fază generală de învățare, algoritmul ML învață cum să facă predicții viitoare (Y) pe baza noilor variabile de intrare (X). Desigur, procesul nu este lipsit de erori. Aici eroarea (e) există independent de datele de intrare (X). Asa de,

Y = f(X) + e

Deoarece eroarea (e) ar putea să nu aibă suficiente atribute pentru a caracteriza cel mai bine scenariul de mapare de la X la Y, se numește eroare ireductibilă – indiferent de cât de bine devine algoritmul la estimarea funcției țintă (f), nu puteți reduce eroarea ( e).

Faceți predicții și învățați cum să le îmbunătățiți

În punctul anterior, am înțeles cum un algoritm ML învață o funcție țintă (f). Și știm deja că singurul și singurul nostru obiectiv aici este să găsim cea mai bună modalitate posibilă de a mapa Y de la X. Cu alte cuvinte, trebuie să găsim cea mai precisă modalitate de a mapa intrarea la ieșire.

Vor exista erori (e), da, dar algoritmul trebuie să încerce în continuare să înțeleagă cât de departe este de ieșirea dorită (Y) și cum să ajungă la ea. În acest proces, va ajusta continuu parametrii sau valorile de intrare (X) pentru a se potrivi cel mai bine cu ieșirea (Y). Acest lucru va continua până când va atinge un grad ridicat de aparență și acuratețe cu modelul de ieșire dorit.

Abordarea de învățare „Coborâre în gradient”.

Poate fi adevărat că am reușit să creăm mașini „inteligente”, dar ritmul lor de învățare diferă – mașinile tind să o ia încet. Ei cred în procesul de învățare „coborâre în gradient” – nu faci saltul deodată, ci faci pași de bebeluș și cobori încet de sus (metafora aici este aceea a coborîrii unui munte).

În timp ce cobori un munte, nu sari, nu alergi și nu te arunci în jos dintr-o singură mișcare; în schimb, faci pași măsurați și calculati pentru a coborî în siguranță la fund și pentru a evita accidentele.

Algoritmii ML folosesc această abordare – se adaptează în continuare la parametrii în schimbare (imaginați din nou terenul accidentat și neexplorat al unui munte) pentru a obține în sfârșit rezultatul dorit.

A concluziona…

Scopul fundamental al tuturor algoritmilor de învățare automată este de a dezvolta un model predictiv care să generalizeze cel mai bine la anumite date de intrare. Deoarece algoritmii și sistemele ML se antrenează prin diferite tipuri de intrări/variabile/parametri, este imperativ să existe un bazin vast de date. Acest lucru este pentru a permite algoritmilor ML să interacționeze cu diferite tipuri de date pentru a-și învăța comportamentul și a produce rezultatele dorite.

Sperăm că cu această postare am putea demistifica funcționarea învățării automate pentru tine!